【论文笔记】基于CNN+LSTM+GRAPH EMBEDDING 的时空模型预测出行需求

论文地址：https://www.aaai.org/ocs/index.php/AAAI/AAAI18/paper/download/16069/15978

论文题目：Deep Multi-View Spatial-Temporal Network for Taxi Demand Prediction

摘要

1. 模型融合了时空数据与语义关系

2. local CNN模型捕获空间的临近关系

3. 距离较远但是语义近似的poi通过graph embedding进行向量化

4. LSTM对时间序列进行建模，包含cnn特征与当前时间的其他特征（如天气等）

模型

a：spatial view，首先将整个地图进行栅格化，划分成7*7的像素点，经过k层卷积之后压平再接一个全连接层，得到每个时刻的空间特征

b : temporal view ，将spatial view的空间特征与其他特征放入lstm模型得到时空特征

c：semantic view，通过graph embedding得到语义特征，相似度定义采用Dynamic Time Warping，embedding的方法采用唐建15年的paper：Line: Large-scale information network embedding

 论文介绍：https://blog.csdn.net/guoyuhaoaaa/article/details/78743023

 论文代码：https://github.com/snowkylin/line 或者  https://github.com/VahidooX/LINE

d: 时空特征与语义特征融合之后接一个全连接层，得到预测结果，损失函数包括均方误差和均方百分比误差

模型效果