贴一下汇总贴：论文阅读记录
论文链接：《Spatiotemporal Multi-Graph Convolution Network for Ride-Hailing Demand Forecasting》
一、摘要
区域需求预测是网约车服务的一项基本任务。准确预测网约车需求，可以指导车辆调度，提高车辆利用率，减少等待时间，缓解交通拥堵。由于区域间复杂的时空依赖性，这项任务具有挑战性。现有的方法主要集中在空间相邻区域之间的欧氏相关性建模，而我们观察到可能遥远区域之间的非欧氏成对相关性也对准确预测至关重要。在本文中，我们提出了一种用于网约车需求预测的新型深度学习模型——时空多图卷积网络(ST-MGCN)。我们首先将区域间的非欧几里得成对相关性编码成多个图，然后使用多图卷积对这些相关性进行显式建模。为了利用全局上下文信息来建模时间相关性，我们进一步提出上下文门控递归神经网络，该网络通过上下文感知门控机制来增强递归神经网络，以重新加权不同的历史观测。我们在两个真实世界的大规模网约车需求数据集上评估提出的模型，并观察到与最先进的基线相比有超过10%的持续改进。
文章主要内容
为研究区域级网约车的需求预测问题，确定其具有独特的时空相关性。提出了一种基于深度学习的模型，该模型使用多图编码区域间的非欧氏相关性，使用多图卷积进行捕获。进一步扩展了带有上下文门控机制的递归神经网络，将全局上下文信息整合到时态建模的过程中。
二、结论
- 当在两个大规模现实世界的叫车需求数据集上评估时，所提出的方法比最先进的基线取得了显著更好的结果。
未来可能的研究方向：
- 对该模型的其他时空预测任务进行评价
- 将该方法扩展到多步序列预测中去。
