一种基于时空动态图注意力网络的共享出行需求预测方法

doi:10.12263/DZXB.20210179

电子学报 ›› 2022, Vol. 50 ›› Issue (2): 432-439.DOI: 10.12263/DZXB.20210179

一种基于时空动态图注意力网络的共享出行需求预测方法

骈纬国¹, 吴映波², 陈蒙², 蔡俊鹏²

^1.重庆大学汽车协同创新中心，重庆 400044
^2.重庆大学大数据与软件学院，重庆 400044

收稿日期:2021-01-27 修回日期:2021-03-10 出版日期:2022-02-25 发布日期:2022-02-25
作者简介:骈纬国男，1996年出生于河北省.现为重庆大学在读硕士研究生.主要研究方向为时空数据挖掘.E-mail: pwg@cqu.edu.cn
吴映波（通讯作者）男，1978年出生于湖北省.现为重庆大学大数据与软件学院教授.主要研究方向为分布式智能计算.E-mail: wyb@cqu.edu.cn
陈蒙男，1989年出生于重庆市.现为重庆大学大数据与软件学院助理研究员.主要研究方向为云计算、智能网卡卸载.
蔡俊鹏男，1994年出生于福建省.现为重庆大学大数据与软件学院在读博士生.主要研究方向为服务计算.
基金资助:
国家重点研发计划(2019YFB1706101);重庆市技术创新与应用发展专项重点项目(cstc2019jscx-mbdxX0047);中央高校基本科研业务费(2020CDCGRJ050)

A Spatial-Temporal Dynamic Graph Attention Network Based Method for Sharing Travel Demand Prediction

PIAN Wei-guo¹, WU Ying-bo², CHEN Meng², CAI Jun-peng²

^1.Automotive Collaborative Innovation Center，Chongqing University，Chongqing 400044，China
^2.School of Big Data & Sofware Engineering，Chongqing University，Chongqing 400044，China

Received:2021-01-27 Revised:2021-03-10 Online:2022-02-25 Published:2022-02-25

摘要/Abstract

摘要：

基于图卷积神经网络的共享出行需求预测一般采用非时间特定性的静态空间图结构提取非欧氏空间相关性特征，这种方式所构建的城市结构图是一种在不同时间间隔的静态空间图结构，而不能动态提取不同时间间隔的空间相关性特征.针对这一问题，本文提出了一种基于时空动态图注意力网络（Spatial-Temporal Dynamic Graph Attention Networks，STDGAT）的共享出行需求预测方法.该方法基于区域间通勤关系动态构建时间特定性城市空间图结构，以实现动态空间相关性建模，并采用图注意力网络和长短期记忆网络自适应提取动态空间相关性特征和时间依赖性特征.使用一个全连接层作为输出预测层将联合时空特征映射为真实的需求值以完成预测.实验结果表明，该方法在RMSE，MAPE和MAE等3个评价指标上均优于实验基准比较方法.

关键词: 需求预测, 深度学习, 图注意力网络, 时空数据预测, 共享出行

Abstract:

Sharing travel demand prediction methods based on graph convolutional network generally adopt non-time-specific static graph structure to extract non-Euclidean spatial features. The urban structure graph in this way is a static spatial graph structure at different time intervals, which cannot extract spatial feature at different time intervals dynamically. To tackle this problem, this paper proposes a spatial-temporal dynamic graph attention network(STDGAT) for sharing travel demand prediction. STDGAT constructs a commuting-based time-specific dynamic graph structure to achieve the dynamic spatial correlation modeling. After that, STDGAT applies graph attention network and the long short-term memory to adaptively extract the dynamic spatial feature and temporal feature respectively. A fully connected layer is used as the prediction layer to map the joint spatial-temporal feature to real demand values. Experiment results demonstrate the significant improvement of our method on three evaluation metrics RMSE, MAPE, and MAE over state-of-the-art baselines.

Key words: demand prediction, deep learning, graph attention network, spatial-temporal prediction, sharing travel

中图分类号:

TP399

骈纬国, 吴映波, 陈蒙, 蔡俊鹏. 一种基于时空动态图注意力网络的共享出行需求预测方法[J]. 电子学报, 2022, 50(2): 432-439.

PIAN Wei-guo, WU Ying-bo, CHEN Meng, CAI Jun-peng. A Spatial-Temporal Dynamic Graph Attention Network Based Method for Sharing Travel Demand Prediction[J]. Acta Electronica Sinica, 2022, 50(2): 432-439.

图/表 12

参考文献 25

1	GENG X， LI Y， WANG L， et al. Spatiotemporal multi-graph convolution network for ride-hailing demand forecasting[C]//Proceedings of the AAAI Conference on Artificial Intelligence. Hawaii， USA: AAAI， 2019， 33: 3656-3663.
2	YU B， YIN H， ZHU Z. Spatio-temporal graph convolutional networks: A deep learning framework for traffic forecasting[C]//Proceedings of the 27th International Joint Conference on Artificial Intelligence. Stockholm， Sweden: Morgan Kaufmann， 2018: 3634-3640.
3	LI Y， YU R， SHAHABI C， et al. Diffusion convolutional recurrent neural network: Data-driven traffic forecasting[C]//International Conference on Learning Representations. Vancouver， Canada: Vancouver Convention Center， 2018: 1-16.
4	VELIČKOVIĆ P， CUCURULL G， CASANOVA A， et al. Graph attention networks[C]//International Conference on Learning Representations. Vancouver， Canada. 2018: 1-12.
5	VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need[C]//Annual Conference on Neural Information Processing Systems(NeurIPS). Long Beach， USA: MIT Press， 2017: 5998-6008.
6	MOREIRA-MATIAS L， GAMA J， FERREIRAM， et al. Predicting taxi-passenger demand using streaming data[J]. IEEE Transactions on Intelligent Transportation Systems， 2013， 14(3): 1393-1402.
7	SHEKHAR S， WILLIAMS B M. Adaptive seasonal time series models for forecasting short-term traffic flow[J]. Transportation Research Record， 2007， 2024(1): 116-125.
8	胡文斌，聂聪，邱振宇，等. 一种城市交通路网实时动态多路口路径导航量子搜索方法[J]. 电子学报， 2018， 46(1): 104-109.
	HU W B， NIE C， QIU Z Y， et al. A route guidance method based on quantum searching for real-time dynamic multi-intersections in urban traffic networks[J]. Acta Electronica Sinica， 2018， 46(1): 104-109. （in Chinese）
9	ZHANG J， ZHENG Y， QI D， et al. DNN-based prediction model for spatio-temporal data[C]//Proceedings of the 24th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems. Burlingame， USA: ACM， 2016: 1-4.
10	ZHANG J， ZHENG Y， QI D. Deep spatio-temporal residual networks for citywide crowd flows prediction[C]//Proceedings of the AAAI Conference on Artificial Intelligence. San Francisco， USA: AAAI， 2017: 1655-1661.
11	PAN B， DEMIRYUREK U， SHAHABI C. Utilizing real-world transportation data for accurate traffic prediction[C]//2012 IEEE 12th International Conference on Data Mining. Brussels， Belgium: IEEE， 2012: 595-604.
12	WU F， WANG H， LI Z. Interpreting traffic dynamics using ubiquitous urban data[C]//Proceedings of the 24th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems. Burlingame， USA: ACM， 2016: 1-4.
13	HE K， ZHANG X， REN S， et al. Deep residual learning for image recognition[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. Las Vegas， USA: IEEE， 2016: 770-778.
14	WANG D， CAO W， LI J， et al. DeepSD: Supply-demand prediction for online car-hailing services using deep neural network[C]//2017 IEEE 33rd International Conference on Data Engineering. San Diego， USA: IEEE， 2017: 243-254.
15	YU R， LI Y， SHAHABI C， et al. Deep learning: A generic approach for extreme condition traffic forecasting[C]//Proceedings of the 2017 SIAM international Conference on Data Mining. Houston， USA: SIAM， 2017: 777-785.
16	ZHAO J， XU J， ZHOU R， et al. On prediction of user destination by sub-trajectory understanding: A deep learning based approach[C]//Proceedings of the 27th ACM International Conference on Information and Knowledge Management. Lingotto， Italy: ACM， 2018: 1413-1422.
17	YAO H， WU F， KE J， et al. Deep multi-view spatial-temporal network for taxi demand prediction[C]//Proceedings of the AAAI Conference on Artificial Intelligence. New Orleans， USA: AAAI， 2018: 1-9.
18	QIU Z， LIU L， LI G， et al. Taxi origin-destination demand prediction with contextualized spatial-temporal network[C]//2019 IEEE International Conference on Multimedia and Expo. Shanghai， China: IEEE， 2019: 760-765.
19	SUTSKEVER I， VINYALS O， LE Q V. Sequence to sequence learning with neural networks[C]//Annual Conference on Neural Information Processing Systems. Montreal， Canada: MIT Press， 2014: 3104-3112.
20	HOCHREITER S， BENGIO Y， FRASCONI P， et al. Gradient Flow in Recurrent Nets: The Difficulty of Learning Long-term Dependencies[M]. Piscataway， NJ， USA: Wiley-IEEE Press， 2001.
21	HOCHREITER S， SCHMIDHUBER J. Long short-term memory[J]. Neural computation， 1997， 9(8): 1735-1780.
22	SHI X， CHEN Z， WANG H， et al. Convolutional LSTM network: A machine learning approach for precipitation nowcasting[C]//Annual Conference on Neural Information Processing Systems. Montreal， Canada: MIT Press， 2015: 802-810.
23	KINGMA D P， BA J. Adam: A method for stochastic optimization[C]//International Conference on Learning Representations. San Diego， USA: JMLR， 2015: 1-15.
24	PASZKE A， GROSS S， MASSA F， et al. PyTorch: An imperative style， high-performance deep learning library[C]//Advances in Neural Information Processing Systems. Vancouver， Canada: MIT Press， 2019: 8026-8037.
25	CHEN T， GUESTRIN C. Xgboost: A scalable tree boosting system[C]//Proceedings of the 22nd ACM Sigkdd International Conference on Knowledge Discovery and Data Mining. San Francisco， USA: ACM， 2016: 785-794.

方法	RMSE	MAPE	MAE
HA	24.162 9	0.471 0	13.583 5
ARIMA	22.544 0	0.376 9	12.476 2
Lasso	19.585 1	0.308 0	11.308 2
Ridge	19.596 8	0.306 9	11.317 8
XGBoost	11.314 3	0.257 2	6.574 0
MLP	10.475 3	0.236 7	5.680 6
DMVST-Net	8.869 5	0.191 4	4.536 5
DCRNN	8.783 6	0.189 3	4.438 9
STGCN	8.615 3	0.190 9	4.557 9
ST-MGCN	8.519 0	0.182 7	4.402 2
STDGAT	7.881 1	0.174 4	4.088 1

方法	RMSE	MAPE	MAE
HA	24.162 9	0.471 0	13.583 5
ARIMA	22.544 0	0.376 9	12.476 2
Lasso	19.585 1	0.308 0	11.308 2
Ridge	19.596 8	0.306 9	11.317 8
XGBoost	11.314 3	0.257 2	6.574 0
MLP	10.475 3	0.236 7	5.680 6
DMVST-Net	8.869 5	0.191 4	4.536 5
DCRNN	8.783 6	0.189 3	4.438 9
STGCN	8.615 3	0.190 9	4.557 9
ST-MGCN	8.519 0	0.182 7	4.402 2
STDGAT	7.881 1	0.174 4	4.088 1

方法	工作日	周末
HA	0.452 7	0.513 2
ARIMA	0.365 0	0.404 4
Lasso	0.285 4	0.360 0
Ridge	0.284 4	0.358 6
XGBoost	0.256 3	0.259 3
MLP	0.236 2	0.238 1
DMVST-Net	0.188 2	0.198 7
DCRNN	0.188 3	0.191 4
STGCN	0.189 4	0.194 4
ST-MGCN	0.181 5	0.185 5
STDGAT	0.172 8	0.178 0

方法	工作日	周末
HA	0.452 7	0.513 2
ARIMA	0.365 0	0.404 4
Lasso	0.285 4	0.360 0
Ridge	0.284 4	0.358 6
XGBoost	0.256 3	0.259 3
MLP	0.236 2	0.238 1
DMVST-Net	0.188 2	0.198 7
DCRNN	0.188 3	0.191 4
STGCN	0.189 4	0.194 4
ST-MGCN	0.181 5	0.185 5
STDGAT	0.172 8	0.178 0

方法	RMSE	MAPE	MAE
Spatial module + Prediction layer	9.627 3	0.214 3	5.213 1
Temporal module + Prediction layer	9.315 1	0.194 6	4.596 4
STDGAT	7.881 1	0.174 4	4.088 1

一种基于时空动态图注意力网络的共享出行需求预测方法

A Spatial-Temporal Dynamic Graph Attention Network Based Method for Sharing Travel Demand Prediction

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 25

相关文章 15

编辑推荐

Metrics

方法	RMSE	MAPE	MAE
STDGAT-fixed	8.233 4	0.178 8	4.191 7
STDGAT	7.881 1	0.174 4	4.088 1

[1]	张波, 陆云杰, 秦东明, 邹国建. 一种卷积自编码深度学习的空气污染多站点联合预测模型[J]. 电子学报, 2022, 50(6): 1410-1427.
[2]	杨伟超, 杜宇, 文伟, 侯舒维, 徐常志, 张建华. 基于多重分形谱智能分析的卫星信号调制识别研究[J]. 电子学报, 2022, 50(6): 1336-1343.
[3]	彭闯, 王伦文, 胡炜林. 融合深度特征的电磁频谱异常检测算法[J]. 电子学报, 2022, 50(6): 1359-1369.
[4]	李政伟, 李佳树, 尤著宏, 聂茹, 赵欢, 钟堂波. 基于异质图注意力网络的miRNA与疾病关联预测算法[J]. 电子学报, 2022, 50(6): 1428-1435.
[5]	廖勇, 李玉杰. 一种轻量化低复杂度的FDD大规模MIMO系统CSI反馈方法[J]. 电子学报, 2022, 50(5): 1211-1217.
[6]	冀振燕, 韩梦豪, 宋晓军, 冯其波. 面向激光光条图像修复的循环相似度映射网络[J]. 电子学报, 2022, 50(5): 1234-1242.
[7]	潘敏婷, 王韫博, 朱祥明, 高思宇, 龙明盛, 杨小康. 基于无标签视频数据的深度预测学习方法综述[J]. 电子学报, 2022, 50(4): 869-886.
[8]	杨曦, 张鑫, 郭浩远, 王楠楠, 高新波. 基于不变特征的多源遥感图像舰船目标检测算法[J]. 电子学报, 2022, 50(4): 887-899.
[9]	严莉, 张凯, 徐浩, 韩圣亚, 刘珅岐, 史玉良. 基于图注意力机制和Transformer的异常检测[J]. 电子学报, 2022, 50(4): 900-908.
[10]	崔亚奇, 何友, 唐田田, 熊伟. 一种深度学习航迹关联方法[J]. 电子学报, 2022, 50(3): 759-763.
[11]	张浩, 胡昌华, 杜党波, 裴洪, 张建勋. 多状态影响下基于Bi‑LSTM网络的锂电池剩余寿命预测方法[J]. 电子学报, 2022, 50(3): 619-624.
[12]	李居朋, 王颖慧, 李刚. 医学图像关键点检测深度学习方法研究与挑战[J]. 电子学报, 2022, 50(1): 226-237.
[13]	张聿远, 张立民, 闫文君. 基于深度多级残差网络的低信噪比下空频分组码识别方法[J]. 电子学报, 2022, 50(1): 79-88.
[14]	席亮, 刘涵, 樊好义, 张凤斌. 基于深度对抗学习潜在表示分布的异常检测模型[J]. 电子学报, 2021, 49(7): 1257-1265.
[15]	谢佳龙, 张波涛, 吕强. 一种基于双流融合3D卷积神经网络的动态头势识别方法[J]. 电子学报, 2021, 49(7): 1363-1369.