کلید واژه ها:
پیش بینی تقاضای تماس با تاکسی ; نمودار توجه باقی مانده شبکه های حافظه کوتاه مدت کانولوشنال ; یادگیری عمیق ؛ وابستگی الگو
۱٫ مقدمه
-
روابط معنایی در بیان وابستگی الگو (PD). مناطق عملکردی مختلف شهر دارای الگوهای مختلف سفر هستند. اطلاعات معنایی مربوط به درخواست های تاکسی است. بنابراین، باید در مدل سازی مورد توجه قرار گیرد.
-
رابطه فضایی و زمانی در بیان عوامل خارجی. چندین عامل خارجی وابستگی مکانی و زمانی خاصی دارند. یک مدل پیشبینی نه تنها باید رابطه بین عوامل خارجی و خواستههای تاکسی را در نظر بگیرد، بلکه باید وابستگی مکانی – زمانی خود عوامل خارجی را نیز در نظر بگیرد.
-
ایده PD در پیشبینی تقاضای فراخوانی تاکسی با روش یادگیری نمایش نمودار معرفی شده است.
-
یک چارچوب یکپارچه برای ادغام فضایی، زمانی، خارجی و PD برای مدلسازی تقاضاهای فراخوان تاکسی پیشنهاد شده است.
-
ثابت شده است که PD دقت و استحکام پیشبینی تقاضای تماس تاکسی را بهبود میبخشد و مدل RAGCN-LSTMs نسبت به سایر مدلهای پیشرفته برتر است.
۲٫ آثار مرتبط
۳٫ مراحل مقدماتی
۳٫۱٫ پارتیشن منطقه
۳٫۲٫ نمودار شهر
۳٫۳٫ پیش بینی تقاضاهای تماس تاکسی
برای نقشه منطقه کاربردی شهری و فاصله زمانی ، نمودار شهر مربوطه بود . برای هر رأسی منطقه عملکردی مربوطه در نقشه پهنه بندی عملکردی شهر بود . برای راس ، تماس تاکسی در دوره درخواست شد به عنوان تعریف شد :
جایی که و به ترتیب مکان و زمان تقاضای تماس تاکسی را نشان می دهد ، و مجموعه ای از خواسته های تاکسی در راس بود در بازه زمانی . کارکرد تعداد عناصر یک مجموعه را شمارش کرد.
پیشبینی تقاضای تماس با تاکسی با استفاده از دادههای تاریخی فراخوانی تاکسی با هدف پیشبینی تقاضای تمام رئوس در نمودار شهر در دوره بعدی انجام شد. برای یک نمودار شهر معین ، فاصله زمانی فعلی ، مرحله فاصله زمانی ، خواستارهای تاریخی تاکسی فراخوانی X و ویژگی های وابسته (زمان، ویژگی های مکانی، آب و هوا و غیره). مطالبات تاکسی تماس دوره بعد به شرح زیر بود:
جایی که تابع پیش بینی و گام فاصله زمانی بود تعداد دوره های تاریخی اخیر شرکت کننده در پیش بینی در بازه زمانی بود .
۴٫ مواد و روش ها
۴٫۱٫ مروری بر چارچوب
۴٫۲٫ استخراج ویژگی فضایی
GatedGCN یک GCN ناهمسانگرد را با در نظر گرفتن اتصال باقیمانده، نرمال سازی دسته ای و گیت های لبه طراحی کرد. فرمول به روز رسانی دروازه های لبه و ویژگی های راس به این صورت بود:
جایی که ماتریس های وزن بودند، ⊙ محصول هادامارد بود، ReLU () یک تابع فعال سازی بود، و BN () لایه نرمال سازی دسته ای، دروازه های لبه بود. به این صورت تعریف شد:
۴٫۳٫ استخراج ویژگی خارجی
ماژول استخراج ویژگی ED از یک لایه پیچشی تشکیل شده است. عوامل وابسته به بیرون (مانند آب و هوا، دما، سرعت باد و کیفیت هوا) استاندارد شدند. در میان آنها، داده های کمی (مانند توصیف آب و هوا) با مقدار حداکثر حداقل استانداردسازی شدند، و داده های متنی (مانند توصیف آب و هوا) با کد گرمایی (کدگذاری یک گرم)، پس از آن بردارهای استاندارد شده ترکیب شدند. بردار ویژگی ED با استفاده از یک لایه کانولوشن به صورت زیر بدست آمد:
که در آن تابع تابع عملیات ترکیبی بود، عامل وابسته بیرونی پس از استانداردسازی بود و ماتریس وزن بود.
۴٫۴٫ استخراج ویژگی الگو
هرچه انواع مناطق عملکردی قابل مقایسه تر باشد، الگوهای سفر عمومی یکنواخت تر خواهد بود. بنابراین، دستههای ناحیه عملکردی رئوس را در نمودار شهر کدگذاری کردیم با روش نمایش تعبیه کلاسیک. این به ما امکان داد تا بردار ویژگی الگو را بدست آوریم مانند:
۴٫۵٫ استخراج ویژگی زمانی
شکل ۳ ساختار هر سلول را در مدل LSTM نشان می دهد. در بازه زمانی ، بردار ویژه کل و قبلی پنهان ورودی بودند. حالت پنهان به این صورت محاسبه شد:
جایی که و b وزن ها و بردارهای تعصب مربوطه را نشان می دهد. ، و سلول های ورودی، خروجی و حافظه را در بازه زمانی نمایش می دهد ; و سلول های خروجی و حافظه را در بازه زمانی نشان می دهد ; ، و دروازه های ورودی، خروجی و فراموشی بودند.
آخرین لایه از LSTM ها حالت مخفی ایجاد می کند . پس از فراخوانی لایه اتصال کامل، تاکسی فراخوانی از تمام رئوس در نمودار شهر G در خواست فاصله به دست آمد.
۵٫ نتایج و بحث
۵٫۱٫ تنظیم آزمایش
۵٫۱٫۱٫ مجموعه داده ها
-
مجموعه داده تاکسی OD. هر رکورد اصلی مسیر تاکسی حاوی اطلاعاتی مانند مهر زمان، مختصات جغرافیایی و وضعیت عملکرد تاکسی بود. پس از حذف سفرهایی که مبدأ و مقصد آنها در منطقه تحقیقاتی نبود، در نهایت به ۱٫۸ میلیون سفارش تماس تاکسی رسیدیم. در نهایت، با توجه به مهر زمانی و مختصات جغرافیایی سوابق سفر تاکسی، شماره تاکسی در هر منطقه عملیاتی شمارش شد و ماتریس تقاضای حرکت تاکسی در هر بازه زمانی ایجاد شد. در این مجموعه داده، هر بازه زمانی ۳۰ دقیقه تنظیم شد.
-
اطلاعات هواشناسی اطلاعات هواشناسی شانگهای از یک سازمان هواشناسی مجاز با فرکانس ۳۰ دقیقه جمع آوری شد. ما در مطالعه خود اثرات دما، رطوبت، سرعت باد، فشار هوا و شرایط آب و هوایی را در نظر گرفتیم. از این میان، اطلاعات سطح بارندگی و اطلاعات سطح کیفیت هوا در شرایط جوی گنجانده شد. جدول ۱ نمای کلی اطلاعات هواشناسی در مناطق تحقیقاتی را نشان می دهد. کد یک گرم برای دیجیتالی کردن شرایط آب و هوایی استفاده شد و چهار نشانگر عددی دیگر در محدوده [۰,۱] نرمال شدند. در نهایت اطلاعات هواشناسی در بازه زمانی t به صورت برداری بیان شد(نگاه کنید به جدول ۱ ).
-
مجموعه داده کاربری زمین: عملکردهای مختلف شهر را می توان با انواع کاربری زمین منعکس کرد. شکل ۴ نقشه کاربری اراضی منطقه تحقیقاتی را نشان می دهد که در آن ۱۰ نوع ارائه شده است. برخی از مناطق (مانند آبها، کمربند سبز و غیره) را که تقریباً غیرممکن بود، ادغام و خلاصه کردیم.
۵٫۱٫۲٫ خطوط پایه
۵٫۱٫۳٫ معیارهای
ما از سه شاخص برای مقایسه همه روشها استفاده کردیم: میانگین خطای مطلق ( MAE )، ریشه میانگین مربع خطا ( RMSE ) و میانگین درصد مطلق خطای متقارن ( SMAPE ):
که در آن z تعداد کل نمونه های آزمایشی بود، و تقاضاهای فراخوان تاکسی پیش بینی شده بازه زمانی t و مقدار صدق زمین مربوطه بود. ورودی و خروجی شبکه پیشنهادی ما در طول فرآیند آموزش به محدوده [۰,۱] نرمال شد. بنابراین، در ارزیابی، مقدار پیشبینیشده را به مقدار نرمال مقیاسبندی کردیم و سپس آن را با مقدار واقعی مقایسه کردیم.
۵٫۱٫۴٫ تنظیمات پیشفرض
۵٫۲٫ مقایسه با خطوط پایه
۵٫۳٫ ارزیابی ماژول ها
۵٫۴٫ ارزیابی نتایج پیش بینی ناحیه عملکردی
۵٫۵٫ تاثیر پارامترها
۶٫ نتیجه گیری
- (۱)
-
RAGCN-LSTM نتایج پیشبینی بهتری نسبت به سایر مدلهای پایه داشت که نشان میدهد میتواند فضا-زمان، الگو و ED را بهتر ثبت کند.
- (۲)
-
از طریق ارزیابی ماژولهای ویژگی وابستگی مختلف، PD یکی از مهمترین عوامل تأثیرگذار برای پیشبینی فضا-زمان بود.
- (۳)
-
با تحلیل نتایج پیشبینی سطوح مختلف تقاضای تماس تاکسی در مناطق مختلف عملکردی شهری، در نظر گرفتن عوامل وابسته مختلف میتواند استحکام مدل را بهبود بخشد.
منابع
- شوانن، تی. بنیستر، دی. Anable، J. تحقیقات علمی در مورد کاهش تغییرات آب و هوا در حمل و نقل: یک بررسی انتقادی. ترانسپ Res. بخش A سیاست سیاست. ۲۰۱۱ ، ۴۵ ، ۹۹۳-۱۰۰۶٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- دینگیل، AE; روپی، اف. Esztergár-Kiss, D. بررسی یکپارچه عوامل اجتماعی و فنی مؤثر بر تصمیم گیری سفر و عملکرد حمل و نقل شهری. پایداری ۲۰۲۱ ، ۳ ، ۱۰۱۵۸٫ [ Google Scholar ] [ CrossRef ]
- یوینگ، آر. سرورو، آر. سفر و محیط ساخته شده: یک ترکیب. ترانسپ Res. ضبط ۲۰۰۱ ، ۱۷۸۰ ، ۸۷-۱۱۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- شکر، س. ویلیامز، مدلهای سری زمانی فصلی تطبیقی BM برای پیشبینی جریان ترافیک کوتاهمدت. ترانسپ Res. ضبط J. Transp. Res. هیئت ۲۰۰۷ ، ۲۰۲۴ ، ۱۱۶-۱۲۵٫ [ Google Scholar ] [ CrossRef ]
- موریرا-ماتیاس، ال. گاما، ج. فریرا، م. مندس موریرا، جی. Damas, L. پیش بینی تقاضای تاکسی-مسافر با استفاده از داده های جریانی. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۱۳ ، ۱۴ ، ۱۳۹۳–۱۴۰۲٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- دنگ، دی ایکس; شهابی، ج. Demiryurek، U. زو، LH; یو، آر. لیو، ی. Assoc Comp, M. مدل فضای پنهان برای شبکه های جاده ای برای پیش بینی ترافیک متغیر زمان. در مجموعه مقالات بیست و دومین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی (KDD)، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، ۱۳ تا ۱۷ اوت ۲۰۱۶؛ Machinery Computing Association: سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، ۲۰۱۶٫ صفحات ۱۵۲۵-۱۵۳۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- تانگ، YX; چن، YQ; ژو، ZM; چن، ال. وانگ، جی. یانگ، کیو. بله، JP; Lv، WF سادهتر، بهتر: رویکردی واحد برای پیشبینی تقاضاهای اصلی تاکسی بر اساس پلتفرمهای آنلاین در مقیاس بزرگ. در مجموعه مقالات بیست و سومین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی (KDD)، هالیفاکس، NS، کانادا، ۱۳ تا ۱۷ اوت ۲۰۱۷؛ Assoc Computing Machinery: Halifax, NS, Canada, 2017; صفحات ۱۶۵۳-۱۶۶۲٫ [ Google Scholar ] [ CrossRef ]
- پان، بی. Demiryurek، U. شهابی، سی. استفاده از داده های حمل و نقل در دنیای واقعی برای پیش بینی دقیق ترافیک. در مجموعه مقالات دوازدهمین کنفرانس بین المللی IEEE در مورد داده کاوی (ICDM)، بروکسل، بلژیک، ۱۰-۱۳ دسامبر ۲۰۱۲٫ IEEE: بروکسل، بلژیک، ۲۰۱۲; صص ۵۹۵-۶۰۴٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- وو، اف. وانگ، اچ جی. لی، ZH دینامیک ترافیک را با استفاده از داده های شهری همه جا تفسیر می کند. در مجموعه مقالات بیست و چهارمین کنفرانس بین المللی ACM SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی (ACM SIGSPATIAL GIS)، سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، ۳۱ اکتبر تا ۳ نوامبر ۲۰۱۶؛ Machinery Computing Association: سانفرانسیسکو، کالیفرنیا، ایالات متحده آمریکا، ۲۰۱۶٫ صص ۱-۴٫ [ Google Scholar ] [ CrossRef ]
- خو، ی. لی، دی. ترکیب توجه به نمودار و معماریهای تکرارشونده برای پیشبینی تقاضای تاکسی در سطح شهر. ISPRS Int. J. Geo-Inf. ۲۰۱۹ ، ۸ ، ۴۱۴٫ [ Google Scholar ] [ CrossRef ] [ نسخه سبز ]
- چن، ز. ژائو، بی. وانگ، ی. دوان، ز. ژائو، X. یادگیری چندکاره و پیشبینی تقاضای تاکسی مبتنی بر GCN برای شبکه جادهای ترافیک. Sensors ۲۰۲۰ , ۲۰ , ۳۷۷۶٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- تانگ، جی. لیانگ، جی. لیو، اف. هائو، جی. وانگ، ی. پیشبینی تقاضای مسافر چند جامعه در سطح منطقه بر اساس شبکه کانولوشنال نمودار مکانی-زمانی. ترانسپ Res. قسمت C Emerg. تکنولوژی ۲۰۲۱ , ۱۲۴ , ۱۰۲۹۵۱٫ [ Google Scholar ] [ CrossRef ]
- لیو، ال. کیو، ز. لی، جی. وانگ، کیو. اویانگ، دبلیو. لین، ال. شبکه مکانی-زمانی متنی برای پیشبینی تقاضای مبدا و مقصد تاکسی. IEEE Trans. هوشمند ترانسپ سیستم ۲۰۱۹ ، ۲۰ ، ۳۸۷۵–۳۸۸۷٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- ولیچکوویچ، پ. کوکورول، جی. کازانووا، آ. رومرو، آ. لیو، پی. Bengio، Y. گراف شبکه های توجه. arXiv ۲۰۱۷ , arXiv:1710.10903. [ Google Scholar ]
- برسون، ایکس. Laurent، T. پیوندهای گراف دروازه دار باقیمانده. arXiv ۲۰۱۷ , arXiv:1711.07553. [ Google Scholar ]
- هوکرایتر، اس. Schmidhuber, J. حافظه کوتاه مدت طولانی. محاسبات عصبی ۱۹۹۷ ، ۹ ، ۱۷۳۵-۱۷۸۰٫ [ Google Scholar ] [ CrossRef ] [ PubMed ]
- لی، XL; پان، جی. وو، ژ. Qi، GD; لی، اس جی; ژانگ، دی کیو؛ ژانگ، WS; وانگ، ZH پیش بینی تحرک انسان شهری با استفاده از ردپای تاکسی در مقیاس بزرگ و کاربردهای آن. جلو. محاسبه کنید. علمی ۲۰۱۲ ، ۶ ، ۱۱۱-۱۲۱٫ [ Google Scholar ] [ CrossRef ]
- چیانگ، M.-F. Hoang، T.-A.; لیم، ای.-پی. مسافران کجا هستند؟ یک مدل مخلوط گاوسی مبتنی بر شبکه برای رزرو تاکسی. در مجموعه مقالات بیست و سومین کنفرانس بین المللی SIGSPATIAL در مورد پیشرفت در سیستم های اطلاعات جغرافیایی، سیاتل، WA، ایالات متحده آمریکا، ۳-۶ نوامبر ۲۰۱۵٫ صص ۱-۱۰٫ [ Google Scholar ] [ CrossRef ]
- لی، ی. لو، جی. ژانگ، ال. ژائو، ی. پیشبینی تقاضای سفارش برنامه تلفن همراه رزرو تاکسی بر اساس پیشبینی ترافیک کوتاهمدت. ترانسپ Res. ضبط ۲۰۱۷ ، ۲۶۳۴ ، ۵۷-۶۸٫ [ Google Scholar ] [ CrossRef ]
- موکای، ن. Yoden, N. پیشبینی تقاضای تاکسی بر اساس دادههای کاوشگر تاکسی توسط شبکه عصبی. در چند رسانه ای تعاملی هوشمند: سیستم ها و خدمات ؛ Springer: برلین/هایدلبرگ، آلمان، ۲۰۱۲; صص ۵۸۹-۵۹۷٫ [ Google Scholar ] [ CrossRef ]
- ژائو، ک. خریاشچف، دی. فریره، جی. سیلوا، سی. Vo, H. پیش بینی تقاضای تاکسی در وضوح فضایی بالا: نزدیک شدن به حد قابل پیش بینی. در مجموعه مقالات چهارمین کنفرانس بین المللی IEEE در مورد داده های بزرگ (Big Data)، واشنگتن، دی سی، ایالات متحده، ۵ تا ۸ دسامبر ۲۰۱۶؛ IEEE: واشنگتن، دی سی، ایالات متحده آمریکا، ۲۰۱۶؛ صص ۸۳۳-۸۴۲٫ [ Google Scholar ] [ CrossRef ]
- یائو، اچ. وو، اف. که، جی. تانگ، ایکس. جیا، ی. لو، اس. گونگ، پی. Ye, J. شبکه مکانی-زمانی چند نمای عمیق برای پیش بینی تقاضای تاکسی. در مجموعه مقالات کنفرانس AAAI در مورد هوش مصنوعی، نیواورلئان، لس آنجلس، ایالات متحده آمریکا، ۲ تا ۷ فوریه ۲۰۱۸؛ جلد ۳۲، ص ۲۵۸۸–۲۵۹۵٫ [ Google Scholar ]
- Duan، ZT; ژانگ، ک. چن، ز. لیو، زی؛ تانگ، ال. یانگ، ی. Ni، YY پیشبینی جریانهای مبدأ-مقصد تاکسی پویا در مقیاس شهر با استفاده از یک شبکه عصبی عمیق ترکیبی همراه با زمان سفر. دسترسی IEEE ۲۰۱۹ ، ۷ ، ۱۲۷۸۱۶–۱۲۷۸۳۲٫ [ Google Scholar ] [ CrossRef ]
- دوویدی، معاون; جوشی، CK; لوران، تی. بنژیو، ی. برسون، ایکس. مقایسه شبکه های عصبی نمودار. arXiv ۲۰۲۰ ، arXiv:2003.00982. [ Google Scholar ]
- Rukmanda، TD; سوگنگ، کالیفرنیا؛ Murfi, H. Modification of Architecture Learning Convolutional Neural Network for Graph. در مجموعه مقالات سومین سمپوزیوم بین المللی پیشرفت فعلی در ریاضیات و علوم (ISCPMS)، دانشکده ریاضیات و علوم طبیعی، دانشگاه اندونزی، بالی، اندونزی، ۲۶-۲۷ ژوئیه ۲۰۱۷؛ موسسه آمریکایی فیزیک شرکت: بالی، اندونزی، ۲۰۱۷٫ [ Google Scholar ] [ CrossRef ]
- Tran، DV; ناوارین، ن. Sperduti، A. در مورد اندازه فیلتر در شبکه های کانولوشن گراف. در مجموعه مقالات هشتمین مجموعه سمپوزیوم IEEE در مورد هوش محاسباتی (IEEE SSCI)، بنگالورو، هند، ۱۸ تا ۲۱ نوامبر ۲۰۱۸؛ IEEE: بنگالورو، هند، ۲۰۱۸؛ صص ۱۵۳۴-۱۵۴۱٫ [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
- جیانگ، بی. ژانگ، زی؛ لین، دی دی. تانگ، جی. لو، بی. Soc، IC آموزش نیمه نظارتی با گراف یادگیری-شبکه های کانولوشن. در مجموعه مقالات کنفرانس IEEE/CVF در مورد بینایی کامپیوتری و تشخیص الگو (CVPR)، لانگ بیچ، کالیفرنیا، ایالات متحده آمریکا، ۱۶ تا ۲۰ ژوئن ۲۰۱۹؛ IEEE: لانگ بیچ، کالیفرنیا، ایالات متحده آمریکا، ۲۰۱۹؛ صص ۱۱۳۰۵–۱۱۳۱۲٫ [ Google Scholar ] [ CrossRef ]
- گائو، اچ سی؛ پی، جی. هوانگ، اچ. Assoc Comp, M. شبکه های عصبی کانولوشنال گراف پیشرفته میدان تصادفی شرطی. در مجموعه مقالات بیست و پنجمین کنفرانس بین المللی ACM SIGKDD در مورد کشف دانش و داده کاوی (KDD)، انکوریج، AK، ایالات متحده آمریکا، ۴ تا ۸ اوت ۲۰۱۹؛ Machinery Computing Association: Anchorage، AK، ایالات متحده آمریکا، ۲۰۱۹؛ ص ۲۷۶-۲۸۴٫ [ Google Scholar ] [ CrossRef ]
- هوانگ، ی. ونگ، ی. یو، اس. Chen, X. شبکه عصبی تکراری کانولوشنال انتشار با یادگیری تأثیر رتبه برای پیشبینی ترافیک. در مجموعه مقالات هجدهمین کنفرانس بین المللی IEEE در مورد اعتماد، امنیت و حریم خصوصی در محاسبات و ارتباطات/سیزدهمین کنفرانس بین المللی IEEE در علم و مهندسی کلان داده (TrustCom/BigDataSE)، روتوروا، نیوزیلند، ۵ تا ۸ اوت ۲۰۱۹؛ IEEE: برکلی، کالیفرنیا، ایالات متحده آمریکا، ۲۰۱۹؛ صص ۶۷۸-۶۸۵٫ [ Google Scholar ] [ CrossRef ]
- شیائو، جی. وانگ، آر. ژانگ، سی. Ni، A. پیشبینی تقاضا برای یک برنامه اشتراکگذاری دوچرخه عمومی بر اساس شبکههای کانولوشنال نمودار مکانی-زمانی. چندتایی. ابزارهای کاربردی ۲۰۲۰ ، ۸۰ ، ۲۲۹۰۷–۲۲۹۲۵٫ [ Google Scholar ] [ CrossRef ]
بدون دیدگاه