使用深度多尺度卷积LSTM网络进行旅行需求预测

使用深度多尺度卷积LSTM网络进行旅行需求预测
李安国教授
2022年10月5日
研究

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。

使用深度多尺度卷积LSTM网络进行旅行需求预测

麻省理工学院学士丶硕士丶博士;香港大学电子工程系首席教授;清华大学长江学者;IEEE院士,香港工程科学院院士;香港特别行政区铜紫荆勋章获得者。