Real-time demand forecasting for shared micromobility can greatly enhance its potential benefits and mitigate its adverse effects on urban mobility. The deep learning models provide researchers powerful tools to deal with the real-time dockless scooter-sharing demand prediction problem, but existing studies have not fully incorporated the features that are highly associated with the demand, such as weather conditions, demographic characteristics, and transportation supply. This paper proposes a novel deep learning model named Context-Aware Spatio-Temporal Multi-Graph Convolutional Network (CA-STMGCN) to forecast the real-time spatiotemporal dockless scooter-sharing demand. The proposed model applies a graph convolutional network (GCN) component that uses spatial adjacency graph, functional similarity graph, demographic similarity graph, and transportation supply similarity graph as input to extract spatial dependency and attach it to historical demand data. Then, we use a gated recurrent unit component to process the output of GCN and weather condition data to capture temporal dependency. A fully connected neural network layer is used to generate the final prediction. The proposed model is evaluated using the real-world dockless scooter-sharing demand data in Washington, D.C. The results show that CA-STMGCN significantly outperforms all the selected benchmark models, and the most important model component is the weather information. The proposed model can help the operators develop optimal vehicle rebalancing schemes and guide cities to regulate the dockless scooter-sharing usage.


翻译:深层学习模式为研究人员提供了强有力的工具,以应对实时无码头的小型摩托车共享需求预测问题,但现有研究并未充分纳入与需求高度相关的特征,如天气条件、人口特征和运输供应等。本文提出一个新的深层次学习模式,名为Cecon-Aware Spatio-Temporal-Tember-Graph 多功能网络(CA-STMGCN),以预测实时超时空无码头汽车共享需求。拟议模式采用图式革命网络(GCN)部分,其中使用空间对接图、功能相似图、人口相似图以及运输供应类似图,作为提取空间依赖性的投入,并将其附于历史需求数据。然后,我们使用一个封闭的经常单元,处理GCN和天气状况数据模型的输出,以捕捉时间依赖性。一个完全连接的神经网络层用于产生最后预测。拟议模型使用的是Secondroupal Compal-developal Sloadal Serviceal 计划。拟议模型是使用最现实的Sock-Dhomodel-Cal develop dreal dest dreal developmental developmental developmental developmental development the scolm数据。

0
下载
关闭预览

相关内容

Networking:IFIP International Conferences on Networking。 Explanation:国际网络会议。 Publisher:IFIP。 SIT: http://dblp.uni-trier.de/db/conf/networking/index.html
100+篇《自监督学习(Self-Supervised Learning)》论文最新合集
专知会员服务
164+阅读 · 2020年3月18日
《DeepGCNs: Making GCNs Go as Deep as CNNs》
专知会员服务
30+阅读 · 2019年10月17日
[综述]深度学习下的场景文本检测与识别
专知会员服务
77+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Tutorial
中国图象图形学学会CSIG
3+阅读 · 2021年12月20日
【ICIG2021】Latest News & Announcements of the Plenary Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年11月2日
【ICIG2021】Latest News & Announcements of the Plenary Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年11月1日
【ICIG2021】Latest News & Announcements of the Industry Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年7月29日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
0+阅读 · 2022年10月30日
Knowledge Embedding Based Graph Convolutional Network
Arxiv
24+阅读 · 2021年4月23日
Arxiv
20+阅读 · 2021年2月28日
Arxiv
35+阅读 · 2021年1月27日
Arxiv
10+阅读 · 2020年6月12日
VIP会员
相关资讯
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
IEEE ICKG 2022: Call for Papers
机器学习与推荐算法
3+阅读 · 2022年3月30日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Tutorial
中国图象图形学学会CSIG
3+阅读 · 2021年12月20日
【ICIG2021】Latest News & Announcements of the Plenary Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年11月2日
【ICIG2021】Latest News & Announcements of the Plenary Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年11月1日
【ICIG2021】Latest News & Announcements of the Industry Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年7月29日
Hierarchically Structured Meta-learning
CreateAMind
26+阅读 · 2019年5月22日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员