用於旅行需求和始發目的地預測的深度多尺度捲積LSTM網路

感測和物聯網 （IoT） 技術的進步會產生大量數據。移動按需 （MoD） 服務受益於智慧交通系統中大數據的可用性。根據未來的旅行需求或出發地-目的地（OD）流量預測，服務提供者可以將未佔用的車輛預先分配到客戶的服務來源，以減少等待時間。關於未來旅行需求和 OD 流預測的傳統方法依賴於統計或機器學習方法。本文受圖像和視頻處理深度學習技術的啟發，通過以圖像圖元為單位的局部出行需求，提出了一種名為多尺度捲積長短期記憶網路（MultiConvLSTM）的新型深度學習模型。我們不是使用可能導致地理資訊丟失的傳統OD矩陣，而是提出一種新的數據結構，稱為OD張量來表示OD流，並引入了一種稱為OD張量排列和矩陣化的操作方法來處理OD張量的高維特徵。MultiConvLSTM考慮了時間和空間相關性，以預測未來的旅行需求和OD流量。對大約4億條記錄的真實紐約計程車數據進行了實驗。結果表明，MultiConvLSTM在一步和多步預測中都達到了最高的精度，並且優於現有的旅行需求和OD流量預測方法。