Multitask Learning and GCN-Based Taxi Demand Prediction for a...
发布网友
发布时间：2024-12-25 13:05
共1个回答
热心网友
时间：2024-12-26 00:34
文章题目为《Multitask Learning and GCN-Based Taxi Demand Prediction for a Traffic Road Network》，是一篇发表在Sensors期刊上的有关基于多任务学习进行出租车需求预测的文章。
随着城市的发展，出租车成为城市中的一种重要的出行方式。准确预测出租车需求是智能交通研究中的一个热点，但由于其复杂的时空依赖性、动态性和不确定性，预测极具挑战。文章提出了一种基于图卷积网络（Graph Convolutional Networks）、长短时记忆（LSTM）和多任务学习的深度学习模型，以充分利用道路交通流的全局和局部的相关性。
文章首先考虑道路网络中出租车出行的空间格局分布，建立无向图模型，然后利用LSTMs提取交通流的时间特征。接着，采用多任务学习策略对模型进行训练，以提高模型的可泛化性。文章的创新点在于提出了一种基于图卷积网络预测出租车出发、到达流的模型。同时，文章基于路段的局部相关性和全局相关性构建了两种类型的交通流图：直接图和间接图。最后，将出发流预测任务和到达流预测任务相结合，采用多任务学习策略加快学习过程，避免过拟合，得到更一般化的结果。
文章选取了两条路段的数据进行可视化，并计算了相似度，进一步证明了路段间存在相似性。通过实验验证了该方法的有效性和准确性，表明该模型能够有效地预测交通网络层面的短期出租车需求，且优于现有的交通预测方法。
模型的基本框架包括数据处理模块、特征提取模块、生成图模块、网络搭建和训练模块。在数据处理模块中，文章采用基于隐马尔可夫（Hidden Markov）的地图匹配算法对所有轨迹进行数据匹配。在特征提取模块中，文章从出租车轨迹中提取乘客上、下车的位置，并根据时间段计算各路段的出行时间。生成图模块则借助上一模块得到的数据，生成网络所需的输入数据。网络搭建和训练模块基于GCN和LSTM网络预测出发流量，并结合多任务学习策略对模型进行训练。
实验所用的数据集来自西安的真实出租车轨迹，文章选取了每周7天的数据，前六天作为训练集，第七天作为测试集。文章选择了出发流量大于15次/天的路段，共851个路段，并将每天划分为288个时间段，每个时间段为5分钟。文章采用了RMSE、MAE作为评价指标，并与其他现有模型进行了比对。实验结果表明，文章提出的框架（MGLN）有最好的效果，主要是因为该方法同时考虑了路段出租车出发流之间的局部和全局相关性。消融实验也证明了模型各组成部分的重要性。
