标签：origin 需求 编码器 OD RMGC od Predicting decoder LSTM

Predicting origin-destination ride-sourcing demand with a spatio-temporal encoder-decoder residual multi-graph convolutional network

相关工作缺陷

1. 地图网格划分运用CNN和LSTM进行预测，CNN仅以地理方式捕获局部空间相关性，而无法对两个区域之间的语义相关性建模。
2. 大多是研究区域中的骑乘需求，很少有OD的需求预测，现有的od预测在构建邻接矩真实只包含两个网格之间的距离和流量信息，没有充分利用语义信息。

特点

1. 构造多个OD图来描述不同OD对之间的成对关系，包括基于起点和终点的邻域关系图、基于起点和终点的功能相似图、基于起点和终点的距离图以及移动性模式相关图。
2. 提出了一种新的深度学习模型，该模型具有设计良好的编解码结构，可以对不同OD对之间的空间依赖性和OD对本身的时间依赖性进行建模

研究问题

od graph

1. 不再通过正方形或者六边形划分区域，而是通过邮政编码划分区域
2. 将一天划分成多个时间间隔，预测同一时间间隔内各种od的订单数量
3. 构图 G = (V,E,A)，其中顶点v表示每个od对，N = |V|表示每个od对在当前时间段的个数，E表示边集，A表示邻接矩阵

特征定义

x i ( d , t ) x_i^{(d,t)} xi(d,t)​表示第d天t时第i个od对的请求数量， X ( d , t ) X^{(d,t)} X(d,t)表示第d天t时所有od对的总数量。因为存在两种主要的时间依赖性：趋势（需求受过去几段时间内历史需求的影响）和周期性（需求在几天和几周内重复类似的模式），所以提取数据得到：

1. 基于趋势的特征：OD图中最近两个时间间隔的需求，即 x ( d , t − 2 ) x^{(d,t-2)} x(d,t−2)和 x ( d , t − 1 ) x^{(d,t-1)} x(d,t−1)
2. 一天内基于周期的特征：OD图中前一天相同时间间隔的需求，即 x ( d − 1 , t ) x^{(d-1,t)} x(d−1,t)
3. 一周内基于周期的特征：OD图中上周同一天相同时间间隔的需求，即 x ( d − 7 ) x^{(d-7)} x(d−7)。

将od对的历史需求映射到下一间隔内od需求：
x ( d , t ) = [ x ( d − 7 ) , x ( d − 1 , t ) , x ( d , t − 2 ) , x ( d , t − 1 ) ] → f x ( d , t ) x(d,t) =[x^{(d-7)},x^{(d-1,t)},x^{(d,t-2)},x^{(d,t-1)}]\xrightarrow{f} x(d,t) x(d,t)=[x(d−7),x(d−1,t),x(d,t−2),x(d,t−1)]f ​x(d,t)

模型方法

有两个编码器：一个空间编码器和一个时间编码器。空间编码器利用多个RMGC从不同方面（包括地理距离、功能相似性和移动性模式相关性）建模OD对之间的空间相关性。时间编码器提出了一个空间LSTM模型来学习每个OD对的时间依赖关系。为了在一个端到端的学习框架中融合空间和时间模型，我们将两个解码器的输出平坦化为两个密集的latten向量，然后将其串联。最后，在解码器部分，使用多个RMGC网络将压缩向量转换回OD图，用于预测目标OD需求。

1. od之间的空间性建模

（1）邻域关系图：两个OD对的起点/目的地彼此相邻，则具有很强的相关性

在起点或终点附近的OD对中，需求更有可能具有类似的模式，定义两个相邻矩阵，分别指示两个OD对是否具有相邻的起点或终点：

例如西北大学到陕师大，西北大学南门出发或者从东门出发，即表示这两个od对具有相邻的起点，他们之间可能会有一些相互影响

（2）功能相似图：两个od对功能相似，则具有很强的关系

划分功能区域功能区如果两个od对i和j的起点功能相同，终点功能相同，则相似性越大。

（3）站点距离图：分别描述起点和终点之间的距离

基于起点（每两个OD对的起点之间的距离）和基于目的地的距离（每两个OD对的目的之间的距离），距离越短，关系越强【这里用的是经纬度的直线距离】

（4）迁移率模式相关图：类似的需求模式od对，可以相互指导预测

让Qi作为记录OD对i历史需求（多个月）的向量

2. Residual Multi-Graph convolutional (RMGC) network

RMGC网络，它结合了多图卷积网络和残差模块，以捕获OD对之间的空间相关性。在我们的模型中，RMGC网络的基础是GCN，通过改变GCN层的结构来设计MGC网络。然后，在深度学习网络中堆叠多个MGC层以提高训练性能，并引入剩余网络来解决梯度爆炸问题，这构成了RMGC块。这种基于RMGC的编码器的输出是通过RMGC块的多层生成的，并被展平为一维特征。

1. 多图训练

假定有k个邻接矩阵，第k个邻接矩阵 A k ^ ∈ R N × N , k ∈ 1... K \widehat{A_k}∈ R^{N×N},k∈{1...K} Ak​ ​∈RN×N,k∈1...K,在批量大小为B的每个训练批中，我们首先将每个相邻矩阵复制B次，然后将它们连接成一个张量 A ∈ R B × ( N ∗ K ) × N A ∈ R^{B×(N*K)×N} A∈RB×(N∗K)×N

假设输入和输出特征的维数分别为F和O，那么我们就得到了输入张量 H l ∈ R B × N × F H_l∈ R^{B×N×F} Hl​∈RB×N×F,可学习的权重矩阵 W ∈ R ( K ∗ F ) × O W ∈ R^{(K*F)×O} W∈R(K∗F)×O,以及输出张量 H l + 1 ∈ R B × N × O H_{l+1}∈ R^{B×N×O} Hl+1​∈RB×N×O

残差网络 H t + 1 = H t + σ ( D − 1 / 2 A D − 1 / 2 H l W l ) H_{t+1} = H_t+\sigma(D^{-1/2}AD^{-1/2}H_lW_l) Ht+1​=Ht​+σ(D−1/2AD−1/2Hl​Wl​)
最终输出为拉伸后的一维特征向量：
L 1 = σ ( W 1 ∙ F l a t t e n ( R M G C ( X , W R M G C ) ) + b 1 ) L1= σ(W_1∙Flatten(RMGC(X,W_{RMGC}))+b1) L1=σ(W1​∙Flatten(RMGC(X,WRMGC​))+b1)

3.Spatial LSTM
主要捕获时间特征,与传统的LSTM稍有不同的是，本文中的空间LSTM需要同时处理具有空间和时间信息的输入张量.

在以往的大多数研究中，都将一个区域或一个路段的历史特征作为输入，并预测下一个时间间隔内该区域或路段的需求。但这篇论文从所有OD对中学习特征，并将高级信息输出到一个潜在向量中，而不是对每个OD对使用各种单独的LSTM。

特征x的输入为 X ∈ R^{B×N×F},其中B为batch_size，N为od点个数，F为之前定义的切片个数为4
L 2 = σ ( W 2 ∙ F l a t t e n ( L S T M ( X L S T M , W L S T M ) ) + b 2 ) L2= σ(W2∙Flatten(LSTM(X_LSTM,W_LSTM))+b2) L2=σ(W2∙Flatten(LSTM(XL​STM,WL​STM))+b2)

4.编码器和解码器

只需将上述两个编码器的输出串联在一起，即可将它们融合在一起，潜在向量L包含历史需求的空间和时间特征。为了预测未来的OD需求，我们首先引入一个中间层，将向量L的维数扩展为一个形状为B×N的新向量，然后我们将新向量重塑为形状为B×N×1的张量，这成为RMGC的有效输入格式。形式上，解码器体系结构：
X ^ ( d , t ) = R M G C d ( R e s h a p e ( σ ( W 3 ∙ L + b 3 ) ) , W R M G C − D ) \widehat{X}^{(d,t)}= RMGC^d(Reshape(σ(W_3∙L + b3)),W_{RMGC−D}) X (d,t)=RMGCd(Reshape(σ(W3​∙L+b3)),WRMGC−D​)

标签：origin,需求,编码器,OD,RMGC,od,Predicting,decoder,LSTM
来源： https://blog.csdn.net/qq_35754359/article/details/120076679

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。