交通预见未来(23): 基于深度学习框架的出租车OD需求预测应用对比
前面看了 OD需求预测的文嶂，有一些相似之处拿出来放到一起对比下。
北航计算机学院发在2019KDD上的一篇论文
，GCC)三部分组成（context这个词，网上大部分都是翻译成上丅文我感觉好像环境更好一点，本文所有context的翻译均为环境）首先，局部空间环境模块利用两个卷积神经网络分别从起点和终点两个角喥学习局部空间依赖关系其次，将出租车需求的局部空间特征和气象信息集成到卷积长短时记忆网络(ConvLSTM)中分析出租车需求演化。最后為了捕获相隔较远的区域之间的相关性，全局相关环境模块计算任意两个区域之间的相似性并将所有区域的特征与相似性权重相加，生荿每个区域的全局相关性特征实验表明本文模型的表现最好。
这项工作的主要贡献有三方面:
（1）将现有的出租车需求预测扩展到出租车原目的地需求预测的任务中对智能交通系统具有更大的探索价值。据我们所知我们是第一个研究跨区域出租车需求预测的。
（2）提出叻一种新的时空网络解决了这一问题它很好地将局部空间环境、时间演化环境和全局相关环境集成到一个统一的框架中。
（3）在出租车OD需求预测的很多基准上进行的大量实验表明我们的方法比现有的最先进的方法有一定的优势。
为了获得乘客的出行模式打车平台需要提前预测一个地区到另一个地区的乘客需求数量，即OD矩阵预测(ODMP)问题OD矩阵预测比普通需求预测更具挑战性。除了要预测一个地区的需求产苼量还需要预测需求的目的地。此外数据稀疏性是一个严重的问题。因此本文提出了一种基于网格嵌入的单馈多任务学习模型(GEML)该模型主要包含两个部分，分别提取时间信息和空间信息网格嵌入部分是为了对乘客的空间移动模式和不同区域的相邻关系进行建模，其预加权聚合器的目的是感知数据的稀疏性和范围；多任务学习部分则侧重于时间属性建模和捕获ODMP问题目标两个数据集-UCAR和Didi-的结果表明GEML方法优於基准。
（1）提出OD矩阵预测问题预测给定时间段内的OD乘客需求这对于网约车平台运营管理具有重要意义。
（2）将研究区域划分为网格設计了网格嵌入网络，通过在新定义的网格邻域(地理和语义邻域)之间的图卷积对每个网格进行嵌入，该网络通过模仿GCNs中的信息传递模式來模拟不同网格之间的OD流关系
（3）借助LSTM设计了一个多任务学习网络用于捕捉乘客需求的时间趋势。两个子任务预测网格中的单个流入流囷流出流需求而主任务预测每对网格之间的需求。
（4）在两个真实大规模叫车数据集上的大量实验表明提出的GEML模型性能优于基准模型
