论文笔记 Origin-Destination Matrix Prediction via Graph Convolution: aNew Perspective of Passenger Dema

19 KDD

1 intro

• 研究内容：OD矩阵预测（ODMP）

  • 预测在给定时间段内从一个地理区域到另一个地理区域的叫车订单数量

• 本文提出了一种基于网格嵌入的单馈多任务学习模型(GEML)，同时考虑出行信息和地理特征，基于图对出行模式进行建模

  • 

• 如果直接将已有的GCNs应用到OD矩阵所生成的图上，会出现以下问题：

  • 由于数据稀疏，学习到的具有很少订单的网格嵌入往往是不可靠和无效的

  • 对于没有任何历史订单记录的孤立节点(例如，新建社区)，学习到的网格嵌入也是不可行的

• ——>为了缓解数据的稀疏性问题，论文提出基于地理学第一定律探索网格的地理相关性，即所有的东西都是相关的，但附近的东西比遥远的东西更相关

  • ——>考虑了网格嵌入部分的两种邻域，即地理邻域（地理上相邻的）和语义领域（通过OD流连接起来的）

• 多任务神经网络

  • 对一个网格的流入流和流出流分别建模，预测每个网格在不同时间段的流入和流出需求数量

  • 引入这两个子任务的基本原理是，我们能够在每个网格上单独捕获更多的动态出行模式

2 模型

2.1 整体框架

2.2 网格嵌入

2.3 多任务学习

3 实验

3.1 实验数据

 

3.2 结果