深度多尺度卷积LSTM网络对旅行需求和出发地-目的地的预测

传感和物联网（IoT）技术的进步产生了大量的数据。按需流动（MoD）服务从智能交通系统的大数据可用性中受益。鉴于对未来出行需求或出发地-目的地（OD）流量的预测，服务提供商可以预先将未占用的车辆分配到客户的服务出发地，以减少等待时间。关于未来旅行需求和OD流量预测的传统方法依赖于统计或机器学习方法。在图像和视频处理的深度学习技术的启发下，通过将本地化的出行需求视为图像像素，本文开发了一种新型的深度学习模型，即多尺度卷积长短期记忆网络（MultiConvLSTM）。我们没有使用可能导致地理信息损失的传统OD矩阵，而是提出了一种新的数据结构，即OD张量来表示OD流量，并引入了一种称为OD张量置换和矩阵化的操作方法，以处理OD张量的高维特征。MultiConvLSTM考虑了时间和空间上的相关性，以预测未来的旅行需求和OD流量。我们在现实世界的纽约出租车数据上进行了实验，这些数据大约有4亿条记录。我们的结果表明，MultiConvLSTM在单步和多步预测中都达到了最高的准确率，它在旅行需求和OD流量预测方面优于现有方法。