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

• 学术论文 • 上一篇    下一篇

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. 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. 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:

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: