使用深度多尺度卷积LSTM网络进行旅行需求预测

按需流动改变了人们在城市中的出行方式，促进了实时的车辆租用服务。鉴于对未来出行需求的预测，服务提供商可以协调他们的可用车辆，使其提前分配到客户的服务来源地，以减少等待时间。关于未来旅行需求预测的传统方法依赖于统计学或机器学习方法。传感器技术的进步产生了大量的数据，这使得数据驱动的智能交通系统成为可能。在本文中，受图像和视频处理的深度学习技术的启发，我们提出了一个新的深度学习模型，称为多尺度卷积长短时记忆（MultiConvLSTM），将出行需求视为图像像素值。MultiConvLSTM同时考虑了时间和空间的相关性，以预测未来的旅行需求。我们在真实世界的纽约出租车数据上进行了实验，这些数据有大约4亿条记录。我们表明，MultiConvLSTM在预测出行需求方面优于现有的预测方法，在单步和多步预测中都达到了最高的准确率。