基於深度多尺度捲積LSTM網路的出行需求預測

按需移動性改變了人們在城市中的出行方式，並促進了即時車輛租賃服務。鑒於預測的未來旅行需求，服務提供者可以協調其可用車輛，以便提前將其預先分配給客戶的服務來源，以減少等待時間。未來旅行需求預測的傳統方法依賴於統計或機器學習方法。感測器技術的進步產生了大量的數據，這使得數據驅動的智慧交通系統成為可能。本文受圖像和視頻處理的深度學習技術的啟發，通過將出行需求作為圖像圖元值，提出了一種新的深度學習模型，稱為多尺度卷積長短期記憶（MultiConvLSTM）。MultiConvLSTM考慮了時間和空間相關性，以預測未來的旅行需求。對現實世界的紐約計程車數據進行了實驗，其中包含大約4億條記錄。結果表明，MultiConvLSTM優於現有的出行需求預測方法，在一步預測和多步預測中都達到了最高的準確度。