MVDLSTM: MultiView deep LSTM framework for online ride-hailing order prediction
MVDLSTM: MultiView deep LSTM framework for online ride-hailing order prediction
复制标题
MVDLSTM：用于在线网约车订单预测的 MultiView 深度 LSTM 框架
DOI：
10.1007/s11227-021-04237-x
复制
发表时间：
2022-01
期刊：
影响因子：
--
通讯作者：
Fei Yang
中科院分区：
文献类型：
--
作者：
Yonghao Wu;Huyin Zhang;Cong Li;Shiming Tao;Fei Yang
网约车订单预测是智能交通调度系统的重要组成部分。准确的订单预测可以减少无效车辆的流量，提高网约车的用户体验。我们提出了一种多视图深度长短期记忆（LSTM）网络架构（MultiView Deep LSTM框架），利用卷积神经网络和图卷积网络提取网约车订单的时空特征，通过订单视图、区域速度视图和天气因子视图获得区域订单之间的相关性信息，然后使用LSTM单元和注意力单元实时预测订单量。我们使用中国网约车数据集滴滴海口进行训练，将其与其他文章的预测算法进行比较，并尝试对比框架的不同选择。实验结果表明，我们的深度学习框架可以有效捕获全面的时空相关性并获得更好的结果。该模型在 15 分钟、30 分钟和 1 小时都保持了良好的性能。对滴滴海口数据中的网约车实际需求数据进行的实验证明，我们的方法比最新的方法更好。
Online ride-hailing order forecasting is a very important part of the intelligent traffic dispatch system. Accurate order forecasting can reduce the flow of invalid vehicles and improve the user experience of online ride-hailing. We propose a multi-view deep long short-term memory (LSTM) network architecture (MultiView deep LSTM framework), which uses convolutional neural network and graph convolutional network to extract the temporal and spatial characteristics of online ride-hailing orders, obtains the correlation information between regional orders through the order view, regional speed view, and weather factor view, and then uses LSTM unit and attention unit to predict the order volume in real time. We use Didi Haikou, China’s online ride-hailing dataset for training, compare it with the prediction algorithms of other articles, and experiment with different choices of the contrast framework. The experimental results show that our deep learning framework can effectively capture comprehensive spatio-temporal correlation and obtain better results. The model maintained good performance at 15 min, 30 min, and 1 h. Experiments conducted on the actual demand data onto ride-hailing from Didi Haikou data prove that our method is better than the latest method.
登录
查看更多内容
使用轨迹数据估计全市交通量
DOI：
10.1109/tkde.2016.2621104
发表时间：
2017-02
期刊：
IEEE Transactions on Knowledge and Data Engineering(TKDE 2016)
影响因子：
--
作者：
Xianyuan Zhan;Yu Zheng;Xiuwen Yi;Satish V. Ukkusuri
通讯作者：
Satish V. Ukkusuri
将交通作为图像进行学习：用于大规模交通网络速度预测的深度卷积神经网络
DOI：
10.3390/s17040818
发表时间：
2017-04-10
期刊：
Sensors (Basel, Switzerland)
影响因子：
--
作者：
Ma X;Dai Z;He Z;Ma J;Wang Y;Wang Y
通讯作者：
Wang Y
影响因子：
--
作者：
Baiping Chen;Wei Li
通讯作者：
Baiping Chen;Wei Li
将语义分区信息与基于出租车 GPS 数据的道路连接速度预测相结合
影响因子：
2.3
作者：
He Bing;Xu Zhifeng;Xu Yangjie;Hu Jinxing;Ma Zhanwu
通讯作者：
Ma Zhanwu
DOI：
--
发表时间：
2017-06
期刊：
--
影响因子：
--
作者：
Xingjian Shi;Zhihan Gao;Leonard Lausen;Hao Wang;D. Yeung;W. Wong;W. Woo
通讯作者：
Xingjian Shi;Zhihan Gao;Leonard Lausen;Hao Wang;D. Yeung;W. Wong;W. Woo