已有方法主要关注于建模相邻区域在空间上的欧式相关性(Euclidean correlations),而作者发现距离较远区域之间的非欧相关性也对预测至关重要。本文提出了时空多图卷机网络 spatiotemporal multi-graph convolution network (ST-MGCN),一个新的用于网约车需求预测的深度学习模型。作者首先将区域间的非欧相关性建模到多个图...
与以往的研究不同,ST-MGCN将区域间的成对关系编码为语义图。虽然ST-MGCN是为基于区域的预测而设计的,但区域间关系的不规则性使其成为非欧式数据的预测问题。然而,这些方法都没有明确地对区域间的非欧式成对关系建模。在这项工作中,ST-MGCN利用提出的多图卷积融合相关区域的特征,能够从不同角度关联区域的需求值...
(6)ST-MGCN:GST-MGCN的一个变体,区别是GST-MGCN考虑了全局特征。 (7)T-GCN:用于交通预测的高级时空图卷积神经网络。该模型使用GRU拟合时间相关性,使用GCN捕捉区域之间的空间依赖性,使用拓扑结构信息实现图卷积运算。Zhao等[9]曾利用该模型基于城市道路网预测交通流量。实验表明T-GCN模型可以捕获交通数据中的时空...