پیش‌بینی تقاضاهای تماس با تاکسی با استفاده از نمودار توجه چند ویژگی و باقیمانده شبکه‌های حافظه کوتاه‌مدت کانولوشنال

پیش‌بینی تقاضای تماس تاکسی در سطح منطقه شهری برای هماهنگ کردن تعادل عرضه و تقاضا در سیستم تاکسی شهری حیاتی است. الگوهای مختلف سفر، تأثیر داده‌های خارجی، و بیان وابستگی به تقاضای مکانی-زمانی پویا چالش‌هایی را برای پیش‌بینی تقاضا ایجاد می‌کند. در اینجا، چارچوبی با استفاده از شبکه‌های حافظه کوتاه‌مدت پیچیده گراف توجه باقی‌مانده (RAGCN-LSTMs)برای پیش‌بینی تقاضاهای تماس تاکسی پیشنهاد شده‌است. این شامل یک استخراج کننده وابستگی فضایی (SD) است که ویژگی های SD را استخراج می کند. یک استخراج کننده وابستگی خارجی، که ویژگی های مرتبط با محیط ترافیک را استخراج می کند. یک استخراج کننده وابستگی الگو (PD)، که PD تقاضاها را برای مناطق مختلف استخراج می کند. و یک استخراج کننده و پیش بینی کننده وابستگی زمانی، که از ویژگی های فوق الذکر در یک مدل LSTM برای استخراج وابستگی زمانی و پیش بینی تقاضاها استفاده می کند. آزمایش‌هایی روی سوابق تماس با تاکسی در شهر شانگهای انجام شد. نتایج نشان داد که دقت پیش‌بینی مدل RAGCN-LSTMs میانگین خطای مطلق ۰٫۸۶۶۴، ریشه میانگین مربع خطا ۱٫۴۹۶۵ و میانگین متقارن درصد خطای مطلق ۴۳٫۱۱ درصد بود. این روش از هر دو روش کلاسیک پیش‌بینی سری زمانی و سایر مدل‌های یادگیری عمیق بهتر عمل کرد. علاوه بر این، برای نشان دادن مزایای مدل پیشنهادی، عملکرد پیش‌بینی آن را در تراکم‌های مختلف تقاضا در مناطق مختلف شهری بررسی کردیم و استحکام و برتری آن را ثابت کردیم. نتایج نشان داد که دقت پیش‌بینی مدل RAGCN-LSTMs میانگین خطای مطلق ۰٫۸۶۶۴، ریشه میانگین مربع خطا ۱٫۴۹۶۵ و میانگین متقارن درصد خطای مطلق ۴۳٫۱۱ درصد بود. این روش از هر دو روش کلاسیک پیش‌بینی سری زمانی و سایر مدل‌های یادگیری عمیق بهتر عمل کرد. علاوه بر این، برای نشان دادن مزایای مدل پیشنهادی، عملکرد پیش‌بینی آن را در تراکم‌های مختلف تقاضا در مناطق مختلف شهری بررسی کردیم و استحکام و برتری آن را ثابت کردیم. نتایج نشان داد که دقت پیش‌بینی مدل RAGCN-LSTMs میانگین خطای مطلق ۰٫۸۶۶۴، ریشه میانگین مربع خطا ۱٫۴۹۶۵ و میانگین متقارن درصد خطای مطلق ۴۳٫۱۱ درصد بود. این روش از هر دو روش کلاسیک پیش‌بینی سری زمانی و سایر مدل‌های یادگیری عمیق بهتر عمل کرد. علاوه بر این، برای نشان دادن مزایای مدل پیشنهادی، عملکرد پیش‌بینی آن را در تراکم‌های مختلف تقاضا در مناطق مختلف شهری بررسی کردیم و استحکام و برتری آن را ثابت کردیم.

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

ایجاد یک سیستم حمل و نقل موثر و هوشمند با تحقق تخصیص موثر منابع ترافیکی یکی از اهداف مهم شهرهای در حال توسعه است. برای برآوردن چنین نیازی، کسب بینش در مورد تقاضاهای سفر و انجام پیش بینی دقیق بسیار مهم است. خدمات تاکسی، وسیله ای محبوب برای سفر، می تواند منعکس کننده تغییرات پویا در تقاضای سفر در مناطق مختلف یک شهر باشد. خدمات تماس تاکسی آنلاین نه تنها به مسافران کمک می کند تا تاکسی های موجود را به طور کارآمدتر پیدا کنند، بلکه به مدیران شهری کمک می کند تا برنامه ریزی ترافیک آگاهانه و برنامه ریزی منابع را انجام دهند، تراکم ترافیک را کاهش دهند و استفاده غیر ضروری از منابع عمومی را کاهش دهند.

سفر ترافیک شهری یک رفتار تعاملی پویا چند بعدی و پیچیده است که تحت تأثیر عوامل زیادی مانند محیط، اقتصاد و جامعه قرار می گیرد و این عوامل مورد بحث قرار گرفته است [ ۱ ، ۲ ، ۳ ]. به دلیل وابستگی ذاتی و پویای زمانی-مکانی تقاضاهای تماس تاکسی، پیش‌بینی دقیق و قوی تقاضاهای تماس تاکسی دشوار است. در سال‌های اخیر، مطالعات متعددی در رابطه با تقاضای تاکسی و روابط زمانی، مکانی و خارجی مرتبط با آن انجام شده است. از جمله آنها، میانگین متحرک یکپارچه اتورگرسیو (ARIMA) [ ۴ ] و انواع آن [۴] ۵ ]] معرف ترین روش های پیش بینی سری های زمانی بوده اند. علاوه بر این، روابط فضایی توسط برخی مطالعات در نظر گرفته شده است [ ۶ ، ۷ ]. علاوه بر این، چندین مطالعه [ ۸ ، ۹ ، ۱۰ ] اطلاعات محیط ترافیک (آب و هوا، کیفیت هوا، رویدادها، و غیره) را در مدل های پیش بینی خود معرفی کرده اند. اگرچه این مطالعات نشان می‌دهد که پیش‌بینی را می‌توان با در نظر گرفتن عوامل اضافی بهبود بخشید، اما چالش‌های جدیدی مانند یافتن راه‌هایی برای بیان روابط پیچیده فضایی-زمانی و خارجی در مدل ارائه می‌کند.

در سال‌های اخیر، شبکه‌های عصبی عمیق (DNN) برای پیش‌بینی تقاضاهای تماس تاکسی [ ۱۰ ، ۱۱ ، ۱۲ ، ۱۳ ] با گرفتن این روابط پیچیده به کار گرفته شده‌اند. شبکه عصبی کانولوشن گراف (GCN) به دلیل ظرفیت خود برای استخراج همبستگی های مکانی-زمانی و معنایی داده ها توجه را به خود جلب کرده است. با این حال، تفاوت اصلی بین الگوهای سفر در مناطق مختلف شهری و وابستگی مکانی – زمانی عوامل خارجی، چالش‌هایی را برای روش‌های مبتنی بر DNN ایجاد می‌کند. این شامل:

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.

بر اساس مدل شبکه توجه نمودار [ ۱۴ ]، GatedGCN [ ۱۵] ایده باقی مانده از مدل ResNet را برای استخراج ویژگی های عمیق تر معرفی می کند. این مطالعه با الهام از مدل GatedGCN، مدلی بر اساس گراف توجه باقیمانده شبکه‌های حافظه کوتاه‌مدت پیچیده (RAGCN-LSTMs) برای ادغام وابستگی زمانی، مکانی، خارجی و الگوی ایجاد می‌کند. مدل RAGCN-LSTMs از چهار ماژول تشکیل شده است. ماژول اول وابستگی فضایی (SD) را برای هر ناحیه عملکردی با GatedGCN با مدل‌سازی رابطه فضایی اعماق مختلف درخواست‌های تماس تاکسی استخراج می‌کند. ماژول دوم وابستگی خارجی (ED) را از متون وب باز با یک مدل کانولوشن خطی بازیابی می کند. ماژول سوم PD را با یک روش جاسازی شناسایی می کند. سپس، وابستگی زمانی (TD) وابستگی ها با یک LSTM [ ۱۶ ] استخراج می شود.] مدل و یکپارچه برای پیش بینی تقاضاهای تماس تاکسی در لحظه بعد.

کمک های اصلی این کار عبارتند از:

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

چندین روش برای پیش‌بینی تقاضای تماس تاکسی ارائه شده است. این روش ها به سه دسته تقسیم می شوند: روش های آماری، روش های یادگیری ماشین سنتی (ML) و روش های یادگیری عمیق (DL).

روش‌های آماری تحلیل سری زمانی را برای پیش‌بینی تقاضاهای تماس تاکسی اتخاذ می‌کنند. این روش برای کارایی عملیاتی و سهولت استقرار آن استفاده می شود. موریرا ماتیاس و همکاران. [ ۵ ] تجمیع سیگنال‌های GPS را در سری‌های زمانی هیستوگرام پیشنهاد کرد و از مدل‌های میانگین متحرک پواسون و اتورگرسیو برای پیش‌بینی تقاضا استفاده کرد. لی و همکاران [ ۱۷ ] از ARIMA برای پیش‌بینی تعداد مسافران در فاصله زمانی آینده استفاده کرد.

روش‌های سنتی ML مکانیسم‌های یادگیری انسان را برای پیش‌بینی تقاضا برای تاکسی کاوش و شبیه‌سازی می‌کنند. چیانگ و همکاران از فرآیند پواسون و مدل مخلوط گاوسی برای خوشه بندی نقاط مکانی-زمانی [ ۱۸ ] استفاده کرد. لی و همکاران یک مدل پیش‌بینی تقاضای ترافیک کوتاه‌مدت (Wave SVM) با ترکیب تحلیل موجک و ماشین‌های بردار پشتیبان حداقل مربعات (LS-SVM) [ ۱۹ ] پیشنهاد کرد. موکای و همکاران از پرسپترون چندلایه (MLP) برای پیش‌بینی تقاضاهای تماس تاکسی استفاده کرد [ ۲۰ ]. ژائو و همکاران حتی از سه پیش بینی کننده برای انطباق با وضوح های مختلف مناطق استفاده کرد [ ۲۱ ].

روش‌های آماری و سنتی ML در اکثر موارد به سختی می‌توانند روابط غیرخطی بین داده‌ها را دریافت کنند و روش‌های DL این نقص را جبران می‌کنند. برخی از مدل‌های اصلی DL برای پیش‌بینی تقاضای تماس تاکسی استفاده شده‌اند. برای مثال، شبکه‌های حافظه کوتاه‌مدت بلندمدت (LSTM) [ ۱۶ ] (نوعی از شبکه عصبی بازگشتی [RNN]) در کار پیش‌بینی استفاده شده‌اند و گاهی اوقات حتی با مدل‌های شبکه‌های عصبی کانولوشن (CNN) ترکیب می‌شوند. مدل‌های CNN ابتدا برای به دست آوردن ویژگی‌های فضایی استفاده می‌شوند، که سپس در مدل RNN برای به دست آوردن ویژگی‌های مکانی-زمانی برای پیش‌بینی وارد می‌شوند. یائو و همکاران یک شبکه چند نمای عمیق فضایی-زمانی (DMVST-Net) پیشنهاد کرد که از CNN و LSTM برای استخراج ویژگی‌های مکانی، معنایی و زمانی برای پیش‌بینی تقاضاهای تماس تاکسی استفاده می‌کند.۲۲ ]. لیو و همکاران یک شبکه فضایی-زمانی متنی (CSTN) مبتنی بر ConvLSTM و CNN پیشنهاد کرد که از ویژگی‌های مشابه برای پیش‌بینی مبدا-مقصد تاکسی (ODs) استفاده می‌کند [ ۱۳ ]. دوان و همکاران یک مدل شبکه عمیق ترکیبی (OD-TGAT) بر اساس ConvLSTM برای پیش‌بینی OD تاکسی [ ۲۳ ] پیشنهاد کرد. روش‌های فوق کمک قابل توجهی به پیش‌بینی تقاضای تماس تاکسی کرده‌اند.

شبکه‌های عصبی گراف (GNN) با داده‌های غیراقلیدسی سروکار دارند که مقابله با آن‌ها با استفاده از CNN دشوار است. در حال حاضر، تحقیقات روی سیگنال‌های گراف به دو دسته تقسیم می‌شوند: روش‌های حوزه فضایی و فرکانس [ ۲۴ ]. بعد از اینکه کیپف و ولینگ شبکه کانولوشن گراف (GCN) را پیشنهاد کردند، این دومی به طور فزاینده ای محبوب شد [ ۲۵ ، ۲۶ ، ۲۷ ، ۲۸ ]. هوانگ و همکاران شبکه عصبی کانولوشن بازگشتی انتشار (DCRNN) را برای پیش‌بینی جریان ترافیک پیشنهاد می‌کند، که می‌تواند وابستگی فضایی را با استفاده از پیاده‌روی‌های تصادفی دو طرفه روی نمودار، و وابستگی زمانی با استفاده از معماری رمزگذار-رمزگشا، ثبت کند [ ۲۹ ]]. شیائو و همکاران از شبکه‌های کانولوشنال نمودار مکانی-زمانی (ST-GCN) برای پیش‌بینی تقاضای دوچرخه‌های مشترک استفاده کنید [ ۳۰ ]. با این حال، زمانی که لایه های پیچشی بیش از حد وجود داشته باشد، معادل فیلتر پایین گذر جهانی است. مکانیسم های توجه و باقیمانده، دو مکانیسم تاثیرگذار در DL، نیز در GNN ها معرفی شده اند. ولیچکوویچ و همکاران توجه نرمال شده هر راس مرکزی را بر روی همسایگان مختلف برای بهبود عملکرد GNN در وظایف طبقه بندی محاسبه کرد [ ۱۴ ]. برای حل مشکلات مربوط به فیلتر پایین گذر در لایه های عمیق مدل های GNN، برسون و همکاران. مکانیسم باقیمانده را در مدل GNN معرفی کرد و مدل GatedGCN را برای بهبود تعداد لایه‌های قابل آموزش در مدل ساخت [ ۱۵ ]]. این امکان به دست آوردن ویژگی های عمیق و بهبود دقت پیش بینی را می داد. مدل ما از GatedGCN الهام گرفته شده است.

۳٫ مراحل مقدماتی

۳٫۱٫ پارتیشن منطقه

اغلب لازم بود که فضای جغرافیایی را در پیش بینی مکانی و زمانی جغرافیایی تقسیم کنیم. سه روش تقسیم بندی رایج وجود داشت: روش اول بر اساس سطوح مختلف شبکه های جاده ای شهری بود. دومی از یک شبکه برای تقسیم (به عنوان مثال، مستطیل، شش ضلعی، و غیره) استفاده می کرد، که شبکه مستطیلی رایج ترین بود، زیرا شبکه های مستطیلی برای سازماندهی داده ها استفاده می شد. روش سوم از داده‌های موجود در مورد تقسیم‌بندی مناطق شهری مانند مرزهای اداری، مناطق عملکردی شهری و کدپستی شهری استفاده کرد. در اینجا از روش سوم استفاده شد، زیرا همان نوع مناطق عملکردی شهری اغلب الگوی سفر و تقاضای تاکسی مشابهی داشتند و دو روش دیگر یکپارچگی مناطق عملکردی شهری را شکستند.

۳٫۲٫ نمودار شهر

برای نقشه مناطق کاربردی شهری

(نقشه ساده شده نوع کاربری اراضی شهری)، که در آن

مناطق عملکردی شهر بودند، ما هر ناحیه عملکردی را به یک راس انتزاع کردیم و نواحی عملکردی مجاور را با لبه‌ها به هم وصل کردیم. نمودار شهر مربوطه به این صورت تعریف شد

، جایی که راس تنظیم می شود

مناطق عملکردی شهر را نشان می داد. مجموعه لبه

ارتباط بین مناطق عملکردی را نشان داد. از آنجایی که برخی از مناطق کاربردی سفارشات تماس تاکسی را تولید نمی کردند، در نقشه شهر در نظر گرفته نشدند.

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 :

(۱)

(۲)

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:

(۳)

(۴)

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

ما یک مدل RAGCN-LSTMs را بر اساس مزایای GatedGCN و LSTM طراحی کردیم. مدل RAGCN-LSTMs در این بخش به تفصیل توضیح داده خواهد شد.

۴٫۱٫ مروری بر چارچوب

مدل RAGCN-LSTMs از چهار ماژول تشکیل شده بود ( شکل ۱ ): SD برای بیان SD درخواست های تاکسی استفاده شد. ED برای بیان تأثیر آب و هوا، کیفیت هوا و سایر عوامل محیطی بر تقاضاهای تماس تاکسی استفاده شد. PD برای نشان دادن تأثیر نوع منطقه عملکردی بر تقاضاهای تماس تاکسی به تصویب رسید. و TD ویژگی های خروجی ED، PD و SD را با هم ترکیب کردند و آنها را در LSTM ها برای به دست آوردن نتایج پیش بینی وارد کردند.

۴٫۲٫ استخراج ویژگی فضایی

ما نقشه منطقه‌بندی عملکردی شهر را به نمودار شهر تبدیل کردیم

، و ویژگی های بازه زمانی فعلی (بردارهای درخواست تاکسی) نواحی عملکردی را در رئوس پر کرد

. راس

دارای ویژگی های راس بود

. هدف GatedGCN کمک به به روز رسانی ویژگی های هر رأس تحت تأثیر همسایگان بود (نگاه کنید به شکل ۲ ).

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:

(۵)

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:

(۶)

(۷)

اینجا،

تابع سیگموئید بود،

یک ثابت تصحیح بسیار کوچک (برای ثبات محاسباتی) بود، و

ماتریس وزن بود و l بود

لایه GatedGCN. نتیجه خروجی

آخرین لایه بردار ویژگی بود

از SD

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:

(۸)

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:

(۹)

در میان آنها، تابع

تابع نمایش تعبیه شده بود،

نوع منطقه عملکردی بود

پارامتری بود که نیاز به آموزش داشت،

نمایش تعبیه شده از راس را نشان می دهد

نوع ناحیه عملکردی و

نمایش تعبیه شده از راس را نشان می دهد

در نمودار

به این ترتیب، نه تنها بیان کمی هر ناحیه عملکردی راس، بلکه بیان کمی شامل رابطه بین دسته‌های راس در نمودار نیز می‌شود.

۴٫۵٫ استخراج ویژگی زمانی

ماژول ویژگی زمان ویژگی های به دست آمده را ترکیب کرد، سری های زمانی را تجزیه و تحلیل کرد و تقاضاهای تماس تاکسی را برای لحظه بعد پیش بینی کرد. ما از یک مدل LSTM برای سری های زمانی به شرح زیر استفاده کردیم. بردارهای ویژه خارجی به دست آمده بودند

، بردار ویژه فضایی بود

و بردارهای ویژه حالت بودند

. سپس، اینها برای به دست آوردن بردار ویژه کل ترکیب شدند

، به دنبال آن کل بردارهای ویژه در زمان های مختلف به ماژول LSTMs برای به دست آوردن نتایج پیش بینی برای دوره بعدی وارد شد.

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:

(۱۰)

(۱۱)

(۱۲)

(۱۳)

(۱۴)

(۱۵)

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.

(۱۶)

۵٫ نتایج و بحث

۵٫۱٫ تنظیم آزمایش

۵٫۱٫۱٫ مجموعه داده ها

یک مجموعه داده تاکسی تماس واقعی برای شانگهای که توسط شرکت فناوری ناوبری هوشمند شانگهای جانسون و جانسون در شانگهای چین از ۱ تا ۳۰ آوریل ۲۰۱۴ ارائه شده بود و سایر داده های مرتبط در این آزمایش استفاده شد. ما OD تاکسی را از سوابق مسیر استخراج کردیم و اطلاعات هواشناسی مربوطه را برای شانگهای از همان دوره جمع آوری کردیم، که از مرکز داده های هواشناسی اداره هواشناسی چین ( http://data.cma.cn/ ) به دست آمد.، ۲۶ دسامبر ۲۰۲۱). از آنجایی که بیشتر سفرهای تاکسی در مرکز شهر شروع شد، منطقه Huangpu (یکی از مناطق مرکزی شهر در شانگهای) را به عنوان منطقه تحقیقاتی انتخاب کردیم. مجموعه داده استفاده از زمین از منطقه Huangpu از پایان سال ۲۰۱۳ که از دفتر برنامه ریزی و منابع طبیعی شهرداری شانگهای به دست آمده است، جمع آوری شد. سه مجموعه داده به شرح زیر توصیف شد:

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

روش پیشنهادی با روش‌های زیر مقایسه شد، زیرا برای دستیابی به بهترین عملکرد، پارامترهای همه روش‌ها تنظیم شدند.

میانگین تاریخی (HA) : تقاضای تاکسی هر منطقه در دوره بعدی با میانگین گیری از تقاضای تاکسی های تاریخی در همان دوره پیش بینی شد.

میانگین متحرک یکپارچه خودرگرسیون (ARIMA) [ ۱۷ ]: میانگین متحرک و مؤلفه‌های خودرگرسیون برای ساخت مدل همبستگی زمانی ترکیب شدند.

پرسپترون چند لایه (MLP) [ ۲۰ ]: یک شبکه عصبی شامل چهار لایه کاملاً متصل با ۲۰۴۸، ۱۰۲۴، ۵۱۲ و ۲۸۲ نورون بود. داده‌های تقاضای سفارش فواصل پیش‌زمان T در ناحیه تابع به عنوان ورودی مدل MLP استفاده شد و خروجی تقاضای سفارش بازه زمانی بعدی بود.

حافظه کوتاه مدت بلند مدت (LSTM) [ ۱۶ ]: گونه ای از RNN، وابستگی های بالقوه بلند مدت و کوتاه مدت را از داده های توالی آموخت.

شبکه عصبی بازگشتی پیچش انتشار (DCRNN) [ ۲۹ ]: پیچیدگی نمودار در واحد چرخه دروازه برای پیش‌بینی فضایی-زمانی ادغام شد. در این مدل، از عملیات پیاده‌روی تصادفی نمودار دو طرفه برای استخراج ویژگی‌های دینامیکی فضایی و از RNN برای به دست آوردن ویژگی‌های دینامیکی زمانی استفاده شده است.

شبکه کانولوشن گراف فضایی-زمانی (ST-GCN) [ ۳۰ ]: متشکل از چندین بلوک ST-Conv، که با لایه های کاملاً پیچیده برای مقابله با وظیفه پیش بینی سری های مکانی-زمانی ساخته شده اند. به طور خاص، هر بلوک از پیچیدگی گراف و پیچیدگی زمانی دروازه‌ای برای پردازش سری‌های زمانی ساختار یافته نمودار تشکیل شده بود.

عملکرد ماژول‌های مختلف در مدل برای مطالعه اثربخشی آن در پیش‌بینی تقاضای تماس تاکسی تحلیل شد.

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 ):

(۱۷)

(۱۸)

(۱۹)

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

داده های مورد استفاده برای آزمایش ها ۳۰ روز است. در مجموع ۸۰ درصد داده ها (۲۳ روز) برای آموزش استفاده شد (در این میان ۱۰ درصد از داده های آموزشی به طور تصادفی انتخاب شده برای اعتبارسنجی) و ۲۰ درصد باقی مانده (۷ روز) برای آزمون استفاده شد. این مدل با PyTorch (نسخه ۱٫۸٫۰ + cu111) پیاده سازی شد و بر روی NVIDIA GTX 1080Ti اجرا شد.

هر بازه زمانبندی شده t ۳۰ دقیقه بود. طول کل سری زمانی ۱۴۴۰ است که تعداد تمام بازه ها نیز می باشد. پس از آن، اندازه گام روی ۲۰ تنظیم شد، بنابراین در هر بازه زمانی، از ویژگی های ۲۰ بازه گذشته برای پیش بینی فاصله بعدی استفاده شد. از نظر پارامترهای شبکه، GatedGCN و LSTM به ترتیب دارای پنج و دو لایه بودند. در آموزش مدل، بهینه‌ساز به‌روزرسانی پارامتر از بهینه‌ساز Adam استفاده کرد و تابع Loss از افت L1 استفاده کرد و نرخ یادگیری از ۱٫۰ × ^۱۰-۳ به ۱٫۰ × ^۱۰-۵ در ۰٫۵ بار کاهش یافت.

۵٫۲٫ مقایسه با خطوط پایه

جدول ۲عملکرد پیش‌بینی مدل RAGCN-LSTMs ما و روش‌های دیگر برای پیش‌بینی درخواستی فراخوان تاکسی را نشان می‌دهد. RAGCN-LSTM ها بهترین عملکرد را در بین تمام روش ها به دست آوردند. به طور خاص، از نظر MAE، RMSE و SMAPE، RAGCN-LSTMs به ترتیب ۲٫۰۰۳، ۳٫۷۶۹٪ و ۲٫۹۹۴٪ در مقایسه با بهترین مدل پایه (ST-GCN) بهبود یافته بودند. علاوه بر این، HA و ARIMA عملکرد ضعیفی داشتند (MAE 1.1552 و ۱٫۰۴۶۱، RMSE 2.0531 و ۱٫۸۷۳۱ بود، و SMAPE به ترتیب ۵۲٫۸۶٪ و ۴۹٫۲۹٪ بود)، که ممکن است به دلیل وابستگی آنها به تقاضای تاریخی باشد. در مقایسه با روش شبکه عصبی سنتی، MLP بهتر عمل کرد، که نشان می‌دهد همبستگی غیرخطی بیشتری پیدا کرده است. علاوه بر این، DCRNN و ST-GCN عملکرد خوبی داشتند، به خصوص در MAPE و RMSE، که ثابت کرد توانایی بیان قوی برای وابستگی مکانی-زمانی دارند. با این حال،

۵٫۳٫ ارزیابی ماژول ها

با وارد کردن ویژگی‌های وابستگی مختلف در مدل، اثربخشی ویژگی‌های ماژول‌های مختلف را ارزیابی کردیم ( جدول ۳ را ببینید ). هر ماژول در مدل می تواند آن را بهتر کند. با مقایسه نتایج TD (LSTM) و SD + TD، مقدار SD را تأیید کردیم. SD دقت پیش‌بینی را بسیار بهبود بخشید و به ترتیب ۵۱٫۱۹، ۴۲٫۴۳ و ۴۹٫۹۴ درصد از بهبودهای MAE، RMSE و SMAPE را به خود اختصاص داد. افزودن یک ماژول ED بر اساس SD + TD می تواند دقت پیش بینی مدل را بیشتر بهبود بخشد. از طریق مقایسه بین SD + ED + TD و همه وابستگی‌ها، اثربخشی همبستگی بین مناطق عملکردی استخراج‌شده توسط PD برای پیش‌بینی تقاضاهای تماس تاکسی تأیید شد.

۵٫۴٫ ارزیابی نتایج پیش بینی ناحیه عملکردی

علاوه بر این، برای تأیید استحکام مدل، ما به‌طور تجربی دقت پیش‌بینی مدل را تحت انواع مختلف کاربری زمین و سطوح مختلف تقاضاهای تماس تاکسی تأیید کردیم. ما دقت پیش‌بینی چهار نوع کاربری زمین را بررسی کردیم: زمین‌های تجاری، اقامتگاه‌های قدیمی، مسکونی جدید، و پارک‌ها در مناطق مرتفع (مناطق با میانگین تقاضای تماس تاکسی هفتگی بیش از ۳۰۰۰ مورد) و تقاضای کم (حدود ۸۰۰ مورد) ( شکل ۵ را ببینید ). به طور خاص، در مناطق تجاری، اعم از مناطق با تقاضای زیاد یا کم، (به استثنای معدودی)، نتایج کلی پیش‌بینی مدل با حقیقت زمین مطابقت داشت، همانطور که در شکل ۵(a1,a2) نشان می دهد. همانطور که شکل ۵ (b1,b2) نشان می دهد، برای اقامتگاه های قدیمی، اثر پیش بینی مدل مانند زمین تجاری بود . این ممکن است به دلیل جدایی سنتی کار و سکونت در مناطق تجاری و مسکونی قدیمی باشد. حالت تقاضای تماس با تاکسی تناوب نسبتاً پایداری داشت که توسط مدل ما ثبت شد. همانطور که در شکل ۵(c1,c2) نشان می‌دهد که در اقامتگاه‌های جدید، در مقایسه با دو مورد اول، دقت پیش‌بینی مدل در جزئیات در منطقه تقاضای بالا تغییر نکرده است، اما در منطقه کم تقاضا کاهش یافته است. این امر به این دلیل بود که خانه های جدید برای حل جدایی کار شهری و مسکن طراحی و ساخته شده بودند و اغلب محل های کار در نزدیکی این مناطق مسکونی وجود داشت. با این حال، همه ساکنان و کارکنان از این منطقه نیامده اند. بنابراین، در اقامتگاه‌های جدید، تقاضای تاکسی‌خوانی نه تنها پیک زودهنگام داشت، بلکه پیک دیرهنگام داشت (در مناطق پرتقاضا، بیشتر پیک‌ها در صبح رخ می‌داد، اما هر دو پیک صبح و عصر در مناطق کم تقاضا وجود داشت). این امر الگوی سفر در این مناطق را پیچیده و پیش بینی آن را دشوار کرده است، به خصوص در مناطق کم تقاضا. در مناطق پارک، پیک منظم صبح و عصر وجود نداشت. و الگوی سفر در این مناطق پیچیده و توضیح آن دشوار بود. با این حال، مدل ما می‌توانست این ویژگی‌های پیچیده را ثبت کند و پیش‌بینی دقیقی داشتشکل ۵ (d1,d2) نشان می دهد. مدل ما پیش‌بینی دقیقی را برای همه انواع کاربری زمین و سطوح تقاضای تماس تاکسی به دست آورد.

۵٫۵٫ تاثیر پارامترها

علاوه بر این، تأثیر برخی از پارامترهای کلیدی مدل، گام زمانی و عمق لایه پیچشی را ارزیابی کردیم. شکل ۶ a خطای پیش بینی RMSE اندازه نسبی مرحله را نشان می دهد. روش ما بهترین عملکرد را زمانی که زمان ۲۰ بود به دست آورد. به طور کلی، RMSE ابتدا کاهش می یابد، سپس با افزایش گام زمانی تغییری نمی کند، که نشان می دهد فاصله زمانی بیش از ۲۰ تأثیر کمی بر پیش بینی تقاضای بعدی دارد. دستورات لحظه ای شکل ۶b عملکرد مدل را بر حسب تعداد لایه های کانولوشن نشان می دهد. وقتی تعداد لایه ها پنج بود، مدل بهترین عملکرد را داشت. با ادامه افزایش تعداد لایه ها، عملکرد پیش بینی مدل شروع به کاهش کرد. این ممکن است به این دلیل باشد که با افزایش لایه‌های کانولوشن، مدل تقریباً از تمام رئوس عبور کرد و وقتی تعداد لایه‌های کانولوشن بیشتر از پنج بود، قادر به استخراج اطلاعات ویژگی‌های عمیق‌تر و مفید نبود.

۶٫ نتیجه گیری

در این مطالعه، ما یک RAGCN-LSTMs را پیشنهاد می کنیم. برای بررسی روابط بین مناطق عملکردی، ما یک روش تعبیه گراف به نام PD را در RAGCN-LSTM معرفی کردیم. بر این اساس، از شبکه عصبی توجه باقیمانده نمودار برای استخراج ویژگی‌های عمق و محدوده همسایه مختلف هر ناحیه مرکزی استفاده شد. علاوه بر این، با استفاده از ویژگی‌های خارجی، مانند اطلاعات هواشناسی، تأثیر آن را بر پیش‌بینی تقاضای تماس تاکسی بررسی کردیم. ما مدل پیشنهادی را بر روی مجموعه داده سفارش تاکسی شانگهای ارزیابی کردیم. نتایج تجربی نشان داد که:

(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.

مدل ما نه تنها از نظر دقت پیش‌بینی برتر از سایر مدل‌های پایه بود، بلکه از طریق آزمایش‌ها در مناطق مختلف عملکردی با سطوح مختلف تقاضای تماس تاکسی از استحکام بالایی برخوردار بود. همه اینها ثابت کرد که مدل ما قابلیت عمل خوبی دارد. برای شرکت‌های تاکسیرانی، داده‌های مورد نیاز برای پیش‌بینی مدل را می‌توان به راحتی به دست آورد، و هیچ الزام سخت‌گیر دیگری در کاربردهای صنعتی واقعی وجود نداشت.

در تحقیقات آینده، ما از مدل‌های پیشرفته‌تر ML برای بیان بهتر وابستگی درخواست‌های تماس تاکسی و معرفی قوانین جغرافیایی در مدل، مانند ویژگی‌های مختلف مقیاس مکانی-زمانی، عدم ایستایی زمانی و ناهمگونی مکانی استفاده خواهیم کرد تا این مشکل را حل کنیم. پیش‌بینی قله‌های ناگهانی و تفسیرپذیرتر کردن مدل دشوار است.

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 ]

شکل ۱٫ چارچوب مدل RAGCN-LSTMs.

شکل ۲٫ ساختار لایه GatedGCN.

شکل ۳٫ ساختار واحد LSTM.

شکل ۴٫ نقشه کاربری اراضی منطقه تحقیقاتی.

شکل ۵٫ دقت مدل پیش بینی تقاضای تماس تاکسی در مناطق با عملکردهای مختلف. ( a1 , a2 ) به ترتیب دقت پیش‌بینی منطقه پر تقاضا و منطقه کم تقاضا را در زمین‌های تجاری نشان می‌دهد. ( b1 , b2 ) اقامتگاه های قدیمی; ( c1 , c2 ) اقامتگاه های جدید; ( d1 , d2 ) پارک ها.

شکل ۶٫ عملکرد بر روی پارامترهای با مقادیر مختلف. ( الف ) عملکرد در مقادیر مختلف گام زمانی. ( ب ) عملکرد بر روی شماره لایه های مختلف.

ونوس نصیرفام

14 ژانویه 2023

مقالات