基于图卷积网络的乘客打车需求预测

摘要：

乘客打车需求具有非线性和动态性的特点.为了提高乘客需求预测的准确性,需要充分考虑城市区域间的时空特性.针对城市中乘客的打车需求预测问题,利用图卷积网络(graph convolutional network,GCN)和长短期记忆单元(long short-term memory,LSTM)建立GCN-LSTM预测模型.在分析城市区域间时空特性的基础上,基于动态时间规整算法(dynamic time warping,DTW),将具有相似时空特性的区域重组并构建乘客打车需求图,利用图卷积网络提取需求图的空间特征;运用基于LSTM的编码器捕捉区域的时间特性;运用基于LSTM的解码器实现乘客打车需求的多区域同时、多时间步长预测.通过与传统模型的对比实验表明,本文提出的GCN-LSTM预测模型的均方根误差、平均绝对百分比误差和平均绝对误差最小,验证了所提出模型的预测准确性.

关键词：图卷积网络、长短期记忆单元、时空特性、乘客打车需求预测

所属期刊栏目：25

分类号：U491(交通工程与公路运输技术管理)

资助基金：国家自然科学基金62002101

在线出版日期：2022-11-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：98-105