基于深度聚合神经网络的网约车需求时空热度预测

doi:10.11772/j.issn.1001-9081.2021101718

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (12): 3941-3949.DOI: 10.11772/j.issn.1001-9081.2021101718

• 前沿与综合应用 • 上一篇

基于深度聚合神经网络的网约车需求时空热度预测

郭羽含, 田宁()

辽宁工程技术大学软件学院，辽宁葫芦岛 125105

收稿日期:2021-10-08 修回日期:2022-01-13 接受日期:2022-01-14 发布日期:2022-01-24 出版日期:2022-12-10
通讯作者: 田宁
作者简介:郭羽含（1983—），男，黑龙江哈尔滨人，副教授，博士，CCF会员，主要研究方向：智能搜索算法、车辆调度问题、供应链优化问题
基金资助:
辽宁省自然科学基金资助项目(2019?ZD?0048);辽宁省教育厅基础研究项目(LJ2019JL012)

Spatio-temporal heat prediction of online car‑hailing demand based on deep aggregated neural network

Yuhan GUO, Ning TIAN()

School of Software，Liaoning Technical University，Huludao Liaoning 125105，China

Received:2021-10-08 Revised:2022-01-13 Accepted:2022-01-14 Online:2022-01-24 Published:2022-12-10
Contact: Ning TIAN
About author:GUO Yuhan born in 1983， Ph. D.， associate professor. His research interests include intelligent search algorithm， vehicle scheduling problem， supply chain optimization problem.
Supported by:
Natural Science Foundation of Liaoning Province(2019-ZD-0048);Basic Research Project of Educational Department of Liaoning Province(LJ2019JL012)

摘要/Abstract

摘要：

为解决服务车辆与乘客间的供需不平衡问题，提升服务车辆的运营效率和利润，同时降低乘客等待时间并改善其对服务平台的满意度，针对差异化结构的多维时空数据，提出一种深度聚合神经网络（DANN）模型用于对网约车需求进行预测。首先，通过综合考虑时间、空间和外部环境等多维影响因素，提出了基于周期的时空变量和基于图像点值的空间变量划分方法；其次，依据数据特点构建了不同的子神经网络结构来分别拟合时间变量、空间变量和环境变量与需求间的非线性关系；然后，提出了多种异类子神经网络的聚合方法以同时捕捉不同结构时空数据的隐含特征；最后，分析了聚合权重的设置方法以获得网络模型的最优性能。实验结果表明，在三个真实数据集上所提模型的R²平均误差仅为9.36%，与卷积长短时记忆网络（FCL-Net）和混合深度学习神经网络（HDLN-Net）模型相比，所提模型的R²分别平均提升了4.6%和5.22%，均方误差（MSE）分别平均降低了27.01%和26.6%。因此，DANN在实际应用中能较大幅度地提升需求预测的准确性，可以作为网约车需求预测的有效手段。

关键词: 城市交通, 需求预测, 时空数据, 深度神经网络, 网约车

Abstract:

To solve the supply-demand imbalance between service vehicles and passengers， improve the operational efficiency and profit of service vehicles， and reduce passengers' waiting time as well as improve their satisfaction with the service platform at the same time， a Deep Aggregation Neural Network （DANN） model was proposed for predicting the demand of online car-hailing aiming at the multi-dimensional spatio-temporal data with differentiated structures. Firstly， a period-based spatio-temporal variable classification method and a spatial variable classification method based on image point values were proposed by considering multi-dimensional influencing factors such as time， space， and external environment comprehensively. Secondly， different sub neural network structures were constructed to fit the nonlinear relationships between temporal， spatial， environmental variables and the demand respectively based on data characteristics. Thirdly， an aggregation method of multiple heterogeneous sub neural networks was proposed to simultaneously capture the implicit features of spatio-temporal data with different structures. Finally， a method of setting aggregation weights was analyzed to obtain the optimal performance of the network model. Experimental results show that the proposed model has the average error of R² on three real-world datasets of 9.36%， and compared with the Fusion Convolutional Long Short-Term Memory Network （FCL-Net） and Hybrid Deep Learning Neural Network （HDLN-Net） models， the proposed model has the R² increased by 4.6% and 5.22% on average respectively， and the Mean Square Error （MSE） reduced by 27.01% and 26.6% on average respectively. Therefore， DANN can greatly improve the accuracy of demand prediction in practical applications and can be used as an effective means of demand prediction for online car-hailing.

Key words: urban traffic, demand prediction, spatio-temporal data, deep neural network, online car-hailing

中图分类号:

TP301.6

郭羽含, 田宁. 基于深度聚合神经网络的网约车需求时空热度预测[J]. 计算机应用, 2022, 42(12): 3941-3949.

Yuhan GUO, Ning TIAN. Spatio-temporal heat prediction of online car‑hailing demand based on deep aggregated neural network[J]. Journal of Computer Applications, 2022, 42(12): 3941-3949.

图/表 18

表1 时空需求热度预测特征

Tab.1 Features for spatio-temporal demand heat prediction

维度	特征	量化取值范围	维度	特征	量化取值范围	维度	特征
外部环境变量 $X e$	月份 $x m o$	$x m o ∈ [1,12] ⊂ N$	空间变量 $X g$ （POI）	美食 $x m s$	$x m s ∈ [0, + ∞] ⊂ N$	时空变量 $X s$	上时段时空需求热度 $x l p$	$x l p ∈ [0, + ∞] ⊂ N$
	日期 $x d a$	$x d a ∈ [1,31] ⊂ N$		酒店 $x j d$	$x j d ∈ [0, + ∞] ⊂ N$		上时段时空需求热度 $x l p$	$x l p ∈ [0, + ∞] ⊂ N$
	时段 $x t l$	$x t l ∈ [0, δ] ⊂ N$		医院 $x y y$	$x y y ∈ [0, + ∞] ⊂ N$		前天同时段时空需求热度 $x l t$	$x l t ∈ [0, + ∞] ⊂ N$
	节假日 $x h o$	$x h o ∈ [0,1] ⊂ N$		商场 $x s c$	$x s c ∈ [0, + ∞] ⊂ N$		前天同时段时空需求热度 $x l t$	$x l t ∈ [0, + ∞] ⊂ N$
	星期 $x w e$	$x w e ∈ [1,7] ⊂ N$		旅游景点 $x l y$	$x l y ∈ [0, + ∞] ⊂ N$		上周同时段时空需求热度 $x l w$	$x l w ∈ [0, + ∞] ⊂ N$
	时段温度 $x t t$	$x t t ∈ [- 50,50] ⊂ R$		运动健身 $x j s$	$x j s ∈ [0, + ∞] ⊂ N$		上周同时段时空需求热度 $x l w$	$x l w ∈ [0, + ∞] ⊂ N$
	当日最高温度 $x h t$	$x h t ∈ [- 50,50] ⊂ R$		休闲娱乐 $x y l$	$x y l ∈ [0, + ∞] ⊂ N$
	当日最低温度 $x w t$	$x w t ∈ [- 50,50] ⊂ R$		住宅区 $x x q$	$x x q ∈ [0, + ∞] ⊂ N$
	雨强度 $x r a$	$x r a ∈ [1,5] ⊂ N$		学校 $x x x$	$x x x ∈ [0, + ∞] ⊂ N$
	雪强度 $x s n$	$x s n ∈ [0,3] ⊂ N$		火车站 $x c z$	$x c z ∈ [0, + ∞] ⊂ N$
	风力等级 $x f l$	$x f l ∈ [1,12] ⊂ R$		公司企业 $x q y$	$x q y ∈ [0, + ∞] ⊂ N$
	空气污染指数 $x a p$	$x a p ∈ [0,600] ⊂ R$		政府机构 $x z f$	$x z f ∈ [0, + ∞] ⊂ N$

表1 时空需求热度预测特征

Tab.1 Features for spatio-temporal demand heat prediction

维度	特征	量化取值范围	维度	特征	量化取值范围	维度	特征
外部环境变量 $X e$	月份 $x m o$	$x m o ∈ [1,12] ⊂ N$	空间变量 $X g$ （POI）	美食 $x m s$	$x m s ∈ [0, + ∞] ⊂ N$	时空变量 $X s$	上时段时空需求热度 $x l p$	$x l p ∈ [0, + ∞] ⊂ N$
	日期 $x d a$	$x d a ∈ [1,31] ⊂ N$		酒店 $x j d$	$x j d ∈ [0, + ∞] ⊂ N$		上时段时空需求热度 $x l p$	$x l p ∈ [0, + ∞] ⊂ N$
	时段 $x t l$	$x t l ∈ [0, δ] ⊂ N$		医院 $x y y$	$x y y ∈ [0, + ∞] ⊂ N$		前天同时段时空需求热度 $x l t$	$x l t ∈ [0, + ∞] ⊂ N$
	节假日 $x h o$	$x h o ∈ [0,1] ⊂ N$		商场 $x s c$	$x s c ∈ [0, + ∞] ⊂ N$		前天同时段时空需求热度 $x l t$	$x l t ∈ [0, + ∞] ⊂ N$
	星期 $x w e$	$x w e ∈ [1,7] ⊂ N$		旅游景点 $x l y$	$x l y ∈ [0, + ∞] ⊂ N$		上周同时段时空需求热度 $x l w$	$x l w ∈ [0, + ∞] ⊂ N$
	时段温度 $x t t$	$x t t ∈ [- 50,50] ⊂ R$		运动健身 $x j s$	$x j s ∈ [0, + ∞] ⊂ N$		上周同时段时空需求热度 $x l w$	$x l w ∈ [0, + ∞] ⊂ N$
	当日最高温度 $x h t$	$x h t ∈ [- 50,50] ⊂ R$		休闲娱乐 $x y l$	$x y l ∈ [0, + ∞] ⊂ N$
	当日最低温度 $x w t$	$x w t ∈ [- 50,50] ⊂ R$		住宅区 $x x q$	$x x q ∈ [0, + ∞] ⊂ N$
	雨强度 $x r a$	$x r a ∈ [1,5] ⊂ N$		学校 $x x x$	$x x x ∈ [0, + ∞] ⊂ N$
	雪强度 $x s n$	$x s n ∈ [0,3] ⊂ N$		火车站 $x c z$	$x c z ∈ [0, + ∞] ⊂ N$
	风力等级 $x f l$	$x f l ∈ [1,12] ⊂ R$		公司企业 $x q y$	$x q y ∈ [0, + ∞] ⊂ N$
	空气污染指数 $x a p$	$x a p ∈ [0,600] ⊂ R$		政府机构 $x z f$	$x z f ∈ [0, + ∞] ⊂ N$

图1 DANN结构

Fig.1 Structure of DANN

图2 LSTM单元结构

Fig.2 Structure of LSTM unit

图3 ConvLSTM单元结构

Fig.3 Structure of ConvLSTM unit

图4 CNN结构

Fig.4 Structure of CNN

图5 需求热度图的通道划分

Fig.5 Channel partition of demand heat map

图6 乘客总数量变化示例

Fig. 6 Examples of total passenger number change

表2 实验环境

Tab.2 Experimental environment

名称	环境
操作系统	Windows 10
CPU	Intel Core i7-8750H CPU @ 2.20 GHz
CPU核数	6
内存	8 GB
软件环境	Python3.7，TensorFlow

图7 区域划分及乘客分布示例

Fig.7 Example of region division and passenger distribution

表3 数据集参数

Tab.3 Dataset parameters

参数	值
经度范围	［104.042 1°E，104.129 6°E］［110.144 1°E，110.690 5°E］［108.921 9°E，109.009 3°E］
维度范围	［30.655 3°N，30.727 8°N］［19.685 9°N，20.129 7°N］［34.204 9°N，34.279 9°N］
p	16
q	16
$δ$	48
$θ$	10
天数	30
成都样本数	356 352
海口样本数	148 800
西安样本数	368 640
训练集百分比/%	70
测试集百分比/%	30

表3 数据集参数

Tab.3 Dataset parameters

参数	值
经度范围	［104.042 1°E，104.129 6°E］［110.144 1°E，110.690 5°E］［108.921 9°E，109.009 3°E］
维度范围	［30.655 3°N，30.727 8°N］［19.685 9°N，20.129 7°N］［34.204 9°N，34.279 9°N］
p	16
q	16
$δ$	48
$θ$	10
天数	30
成都样本数	356 352
海口样本数	148 800
西安样本数	368 640
训练集百分比/%	70
测试集百分比/%	30

表4 DANN训练参数

Tab.4 DANN training parameters

模型	隐藏层	隐藏单元数	卷积核数量	卷积核大小
外部环境特征学习单元	LSTM1	512	—	—
	LSTM2	256	—	—
	LSTM3	128	—	—
时空特征学习单元	ConvLSTM1	256	32	（3，3）
	ConvLSTM2	128	32	（3，3）
	ConvLSTM3	64	32	（3，3）
	Conv3D	—	1	（3，3，3）
空间特征学习单元	Conv1	—	32	（3，3）
	Maxpool1	—	1	（2，2）
	Conv2	—	65	（3，3）
	Maxpool2	—	1	（2，2）
	Conv3	—	128	（3，3）
	Maxpool3	—	1	（2，2）
	FC	256	—	—

表5 实验结果对比

Tab.5 Comparison of experimental results

模型	成都数据集				海口数据集				西安数据集
模型	R²	EVS	MAE	MSE	R²	EVS	MAE	MSE	R²	EVS	MAE	MSE
KNN	0.721 1	0.722 7	4.295 1	38.645 8	0.797 4	0.797 4	3.978 2	40.543 9	0.704 4	0.698 8	4.020 1	43.697 4
DTR	0.860 1	0.860 6	3.359 8	27.135 4	0.874 0	0.874 1	3.474 3	27.055 2	0.855 8	0.855 8	3.405 5	37.636 6
GBRT	0.571 5	0.570 1	7.263 0	52.668 5	0.623 5	0.623 0	4.881 0	51.416 8	0.563 1	0.563 0	6.925 3	63.532 8
LSTM	0.827 6	0.830 3	3.768 8	33.345 2	0.834 0	0.839 3	3.677 0	29.154 1	0.790 3	0.805 8	3.854 4	41.623 7
FCL-Net	0.866 2	0.867 7	3.304 5	26.738 1	0.878 7	0.875 8	3.857 9	38.195 6	0.854 4	0.849 9	4.153 3	44.130 2
HDLN-Net	0.851 1	0.858 6	3.316 4	27.187 4	0.894 4	0.885 5	2.914 2	34.893 3	0.839 3	0.845 9	3.910 3	45.819 3
ConvLSTM	0.858 3	0.848 5	3.492 5	29.555 8	0.860 3	0.853 5	4.390 2	45.185 9	0.849 5	0.853 2	3.987 3	43.245 5
区域预测模型	0.889 5	0.895 8	3.847 4	34.566 4	0.914 3	0.921 0	2.706 1	18.442 5	0.878 2	0.890 7	2.804 3	41.323 9
DANN	0.900 3	0.900 4	3.205 1	24.852 0	0.931 0	0.931 0	2.506 0	15.888 5	0.887 8	0.897 8	2.822 1	38.195 8

图8 真实值与预测值的对比

Fig.8 Comparison between predicted and real values

表6 不同子模型对比实验结果

Tab.6 Experimental results comparison of different sub-models

模型	R²	EVS	MAE	MSE
外部环境特征学习单元	0.847 6	0.860 5	3.809 4	40.499 4
时空特征学习单元（单模型）	0.853 1	0.859 8	3.912 0	44.545 3
时空特征学习单元（多模型）	0.877 2	0.885 9	3.320 8	32.816 1
空间特征学习单元（单模型）	0.784 4	0.790 2	6.031 4	52.336 5
空间特征学习单元（多模型）	0.798 3	0.812 2	5.834 4	49.754 3
DANN	0.900 3	0.900 4	3.205 1	24.852 0

表7 不同天气类型下的预测结果

Tab.7 Prediction results under different types of weather

天气类型	R²	EVS	MAE	MSE
晴天	0.884 5	0.878 2	3.135 6	36.394 2
阴天	0.874 6	0.869 9	3.530 1	37.036 5
小雨	0.854 4	0.850 3	4.132 2	42.496 3
中雨	0.836 3	0.835 5	4.434 1	46.525 5
大雨	0.796 4	0.790 3	5.213 0	52.104 3

表8 不同空气质量等级下的预测结果

Tab.8 Prediction results under different air quality classes

空气质量	R²	EVS	MAE	MSE
优	0.868 3	0.874 5	3.253 2	34.662 8
良	0.870 5	0.863 3	3.210 5	35.059 4
轻度污染	0.866 4	0.864 9	3.589 9	35.324 6
中度污染	0.859 9	0.860 2	4.135 8	34.981 1
重度污染	0.834 4	0.839 8	4.879 2	39.432 3

图9 参数调整与灵敏度分析

Fig.9 Parameter adjustment and sensitivity analysis

图10 多步预测敏感度分析

Fig.10 Sensitivity analysis of multi-step prediction

参考文献 25

1	肖强，何瑞春，俞建宁，等.基于泊松分布的出租车合乘概率及等待时间建模［J］. 中国公路学报， 2018， 31（5）：151-159. 10.3969/j.issn.1001-7372.2018.05.018
	XIAO Q， HE R C， YU J N， et al. Method of taxi carpooling probability and wait time based on Poisson distribution［J］. Chinese Journal of Highway and Transport， 2018， 31（5）：151-159. 10.3969/j.issn.1001-7372.2018.05.018
2	JAMIL M S， AKBAR S. Taxi passenger hotspot prediction using automatic ARIMA model［C］// Proceedings of the 3rd International Conference on Science in Information Technology. Piscataway： IEEE， 2017：23-28. 10.1109/icsitech.2017.8257080
3	MOREIRA-MATIAS L， GAMA J， FERREIRA M， et al. Predicting taxi-passenger demand using streaming data［J］. IEEE Transactions on Intelligent Transportation Systems， 2013， 14（3）： 1393-1402. 10.1109/tits.2013.2262376
4	LI Y X， LU J， ZHANG L， et al. Taxi booking mobile app order demand prediction based on short-term traffic forecasting［J］. Transportation Research Record： Journal of the Transportation Research Board， 2017， 2634（1）： 57-68. 10.3141/2634-10
5	MA X L， TAO Z M， WANG Y H， et al. Long short-term memory neural network for traffic speed prediction using remote microwave sensor data［J］. Transportation Research Part C： Emerging Technologies， 2015， 54：187-197. 10.1016/j.trc.2015.03.014
6	于滨，邬珊华，王明华，等. K近邻短时交通流预测模型［J］. 交通运输工程学报， 2012， 12（2）： 105-111. 10.3969/j.issn.1671-1637.2012.02.017
	YU B， WU S H， WANG M H， et al. K-nearest neighbor model of short-term traffic flow forecast［J］. Journal of Traffic and Transportation Engineering， 2012， 12（2）： 105-111. 10.3969/j.issn.1671-1637.2012.02.017
7	ZHANG X， WANG X R， CHEN W， et al. A taxi gap prediction method via double ensemble gradient boosting decision tree［C］// Proceedings of the 3rd IEEE International Conference on Big Data Security on Cloud/ 3rd IEEE International Conference on High Performance and Smart Computing/ 2nd IEEE International Conference on Intelligent Data and Security. Piscataway： IEEE， 2017：255-260. 10.1109/bigdatasecurity.2017.27
8	JIANG S， CHEN W T， LI Z H， et al. Short-term demand prediction method for online car-hailing services based on a least squares support vector machine［J］. IEEE Access， 2019， 7：11882-11891. 10.1109/access.2019.2891825
9	郭宪，沈吟东. 基于梯度提升回归树的网约出租车需求预测［C］// 2018世界交通运输大会论文集. 北京：中国工程院， 2018：310-320.
	GUO X， SHEN Y D. Prediction for e-hail taxi demands based on gradient boosting regression trees［C］// Proceedings of the 2018 World Transport Convention. Beijing： Institution of Engineering and Technology， 2018：310-320.
10	LV Y S， DUAN Y J， KANG W W， et al. Traffic flow prediction with big data： a deep learning approach［J］. IEEE Transactions on Intelligent Transportation Systems， 2015， 16（2）： 865-873.
11	VAN LINT J W C， HOOGENDOORN S P， VAN ZUVLEN H J， et al. Freeway travel time prediction with state-spaced neural networks： modeling state-space dynamics with recurrent neural networks［J］. Transportation Research Record： Journal of the Transportation Research Board， 2002，1811（1）：30-39. 10.3141/1811-04
12	LI J， WANG Z. Online car-hailing dispatch： deep supply- demand gap forecast on Spark［C］// Proceedings of the IEEE 2nd International Conference on Big Data Analysis. Piscataway： IEEE， 2017：811-815. 10.1109/icbda.2017.8078750
13	WANG D， CAO W， LI J， et al. DeepSD： supply-demand prediction for online car-hailing services using deep neural networks［C］// Proceedings of the IEEE 33rd International Conference on Data Engineering. Piscataway： IEEE， 2017：243-254. 10.1109/icde.2017.83
14	XU J， RAHMATIZADEH R， BÖLÖNI L， et al. A sequence learning model with recurrent neural networks for taxi demand prediction［C］// Proceedings of the IEEE 42nd Conference on Local Computer Networks. Piscataway： IEEE， 2017：261-268. 10.1109/lcn.2017.31
15	王祥雪，许伦辉. 基于深度学习的短时交通流预测研究［J］. 交通运输系统工程与信息， 2018， 18（1）： 81-88. 10.16097/j.cnki.1009-6744.2018.01.012
	WANG X X， XU L H. Short-term traffic flow prediction based on deep learning［J］. Journal of Transportation Systems Engineering and Information Technology， 2018， 18（1）：81-88. 10.16097/j.cnki.1009-6744.2018.01.012
16	HOU Y， EDARA P. Network scale travel time prediction using deep learning［J］. Transportation Research Record： Journal of the Transportation Research Board， 2018， 2672（45）：115-123. 10.1177/0361198118776139
17	ZHAN X Y， ZHENG Y， YI X W， et al. Citywide traffic volume estimation using trajectory data［J］. IEEE Transactions on Knowledge and Data Engineering， 2017， 29（2）： 272-285. 10.1109/tkde.2016.2621104
18	YU B， YIN H T， ZHU Z X. Spatio-temporal graph convolutional networks： a deep learning framework for traffic forecasting［C］// Proceedings of the 27th International Joint Conference on Artificial Intelligence. California： ijcai.org， 2018：3634-3640. 10.24963/ijcai.2018/505
19	MA X L， DAI Z， HE Z B， et al. Learning traffic as images： a deep convolutional neural network for large-scale transportation network speed prediction［J］. Sensors， 2017， 17（4）： No.818. 10.3390/s17040818
20	段宗涛，张凯. 基于深度CNN-LSTM-ResNet组合模型的出租车需求预测［J］. 交通运输系统工程与信息， 2018， 18（4）： 215-223. 10.16097/j.cnki.1009-6744.2018.04.032
	DUAN Z T， ZHANG K. Taxi demand prediction based on CNN-LSTM-ResNet hybrid depth learning model［J］. Journal of Transportation Systems Engineering and Information Technology， 2018， 18（4）： 215-223. 10.16097/j.cnki.1009-6744.2018.04.032
21	KE J T， ZHENG H Y， YANG H， et al. Short-term forecasting of passenger demand under on-demand ride service： a spatio-temporal deep learning approach［J］. Transportation Research Part C： Emerging Technologies， 2017， 85： 591-608. 10.1016/j.trc.2017.10.016
22	HOCHREITER S， SCHMIDHUBER J. Long short-term memory［J］. Neural Computation， 1997， 9（8）： 1735-1780. 10.1162/neco.1997.9.8.1735
23	SHI X J， CHEN Z R， WANG H， et al. Convolutional LSTM network： a machine learning approach for precipitation nowcasting［C］// Proceedings of the 28th International Conference on Neural Information Processing Systems. Cambridge： MIT Press， 2015：802-810.
24	JIE B， YU H， WU J M. Short-term FFBS demand prediction with multi-source data in a hybrid deep learning framework［J］. IET Intelligent Transport Systems， 2019， 13（9）：1340-1347. 10.1049/iet-its.2019.0008
25	王维. 基于深度神经网络的网约车出行需求短时预测［D］. 北京：北京交通大学， 2020：59-100.
	WANG W. Short-term prediction of car-hailing travel demand based on deep neural network［D］. Beijing： Beijing Jiaotong University， 2020：59-100.

[1]	郎祎平, 毛文涛, 罗铁军, 范黎林, 任颖莹, 刘侠. 间歇性时间序列的可预测性评估及联合预测方法[J]. 《计算机应用》唯一官方网站, 2022, 42(9): 2722-2731.
[2]	王晓雨, 王展青, 熊威. 深度非对称离散跨模态哈希方法[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2461-2470.
[3]	杨博, 张恒巍, 李哲铭, 徐开勇. 基于图像翻转变换的对抗样本生成方法[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2319-2325.
[4]	玄英律, 万源, 陈嘉慧. 基于多尺度卷积和注意力机制的LSTM时间序列分类[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2343-2352.
[5]	李坤, 侯庆. 基于注意力机制的轻量型人体姿态估计[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2407-2414.
[6]	陈荣源, 姚剑敏, 严群, 林志贤. 基于深度神经网络的视频播放速度识别[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2043-2051.
[7]	毛文涛, 吴桂芳, 吴超, 窦智. 基于中国写意风格迁移的动漫视频生成模型[J]. 《计算机应用》唯一官方网站, 2022, 42(7): 2162-2169.
[8]	夏宇, 朱俊武, 姜艺, 高欣, 孙茂圣. 运力紧张情形下的网约车跨区域订单分配机制[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1776-1781.
[9]	于蒙, 何文涛, 周绪川, 崔梦天, 吴克奇, 周文杰. 推荐系统综述[J]. 《计算机应用》唯一官方网站, 2022, 42(6): 1898-1913.
[10]	陈权, 李莉, 陈永乐, 段跃兴. 面向深度学习可解释性的对抗攻击算法[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 510-518.
[11]	栗慧琳, 李洪涛, 李智. 基于二次分解重构策略的航空客流需求预测[J]. 《计算机应用》唯一官方网站, 2022, 42(12): 3931-3940.
[12]	柳兴华, 曹桂涛, 林秋斌, 曹文明. 自适应混合注意力深度跨模态哈希[J]. 《计算机应用》唯一官方网站, 2022, 42(12): 3663-3670.
[13]	石兵, 黄茜子, 宋兆翔, 徐建桥. 基于用户激励的共享单车调度策略[J]. 《计算机应用》唯一官方网站, 2022, 42(11): 3395-3403.
[14]	华亚洲, 丁琳琳, 陈泽, 王俊陆, 朱珠. 面向时空数据的区块链构建及查询方法[J]. 《计算机应用》唯一官方网站, 2022, 42(11): 3429-3437.
[15]	王安义, 张衡. 基于多标签分类算法的多输入多输出智能接收机模型[J]. 《计算机应用》唯一官方网站, 2022, 42(10): 3124-3129.

基于深度聚合神经网络的网约车需求时空热度预测

Spatio-temporal heat prediction of online car‑hailing demand based on deep aggregated neural network

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 18

参考文献 25

相关文章 15

编辑推荐

Metrics