融合出发地与目的地时空相关性的城市区域间出租车需求预测

doi:10.11772/j.issn.1001-9081.2022091364

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (7): 2100-2106.DOI: 10.11772/j.issn.1001-9081.2022091364

• 第39届CCF中国数据库学术会议(NDBC 2022) • 上一篇

融合出发地与目的地时空相关性的城市区域间出租车需求预测

魏远¹^,², 林彦¹^,², 郭晟楠¹^,²^,³, 林友芳¹^,²^,³, 万怀宇¹^,²^,³()

^1.北京交通大学计算机与信息技术学院, 北京 100044
^2.交通数据分析与挖掘北京市重点实验室(北京交通大学), 北京 100044
^3.民航旅客服务智能化应用技术重点实验室, 北京 100044

收稿日期:2022-07-12 修回日期:2022-09-19 接受日期:2022-10-12 发布日期:2023-07-20 出版日期:2023-07-10
通讯作者: 万怀宇
作者简介:魏远（1997—），男，河南许昌人，硕士研究生，CCF会员，主要研究方向：深度学习、时空数据挖掘；
林彦（1998—），男，江西新余人，博士研究生，主要研究方向：深度学习、时空数据挖掘；
郭晟楠（1992—），女，辽宁沈阳人，讲师，博士，CCF会员，主要研究方向：时空数据挖掘、智能交通；
林友芳（1971—），男，福建龙岩人，教授，博士，CCF高级会员，主要研究方向：数据挖掘、机器学习、强化学习；
万怀宇（1981—），男，湖北宣恩人，副教授，博士，CCF会员，主要研究方向：时空数据挖掘、信息抽取、社交网络挖掘。
基金资助:
中国博士后科学基金资助项目(2021M700365)

Prediction of taxi demands between urban regions by fusing origin-destination spatial-temporal correlation

Yuan WEI¹^,², Yan LIN¹^,², Shengnan GUO¹^,²^,³, Youfang LIN¹^,²^,³, Huaiyu WAN¹^,²^,³()

^1.School of Computer and Information Technology，Beijing Jiaotong University，Beijing 100044，China
^2.Beijing Key Laboratory of Traffic Data Analysis and Mining （Beijing Jiaotong University），Beijing 100044，China
^3.CAAC Key Laboratory of Intelligent Passenger Service of Civil Aviation，Beijing 100044，China.

Received:2022-07-12 Revised:2022-09-19 Accepted:2022-10-12 Online:2023-07-20 Published:2023-07-10
Contact: Huaiyu WAN
About author:WEI Yuan， born in 1997， M. S. candidate. His research interests include deep learning， spatial-temporal data mining.
LIN Yan， born in 1998， Ph. D. candidate. His research interests include deep learning， spatial-temporal data mining.
GUO Shengnan， born in 1992， Ph. D.， lecturer. Her research interests include spatial-temporal data mining， intelligent transportation.
LIN Youfang， born in 1971， Ph. D.， professor. His research interests include data mining， machine learning， reinforcement learning.
WAN Huaiyu， born in 1981， Ph. D.， associate professor. His research interests include spatial-temporal data mining， information extraction， social network mining.
Supported by:
China Postdoctoral Science Foundation(2021M700365)

摘要/Abstract

摘要：

精准预测城市区域之间的出租车需求量，可以为出租车的引导和调度以及乘客的出行推荐提供决策支持信息，从而优化出租车的供需关系。然而现有模型大多以区域内的出租车需求量为建模和预测对象，对区域之间的时空相关性考虑不足，且较少关注区域之间更细粒度的需求量预测。针对上述问题，提出一种面向城市区域间出租车需求量的预测模型——出发地—目的地融合时空网络（ODSTN）模型。该模型分别从区域和区域对两个空间维度以及临近、日、周三个时间维度出发，采用图卷积和时间注意力机制来捕获区域之间的复杂时空相关性，并设计了一种新的路径感知融合机制来对多角度的特征进行融合，最终实现了对城市区域间出租车需求量的预测。在成都和曼哈顿地区两个真实出租车订单数据集中进行了实验，结果表明ODSTN模型的平均绝对误差（MAE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）分别为0.897 1、3.527 4、50.655 6%和0.589 6、1.163 8、61.079 4%。可见，ODSTN模型在出租车需求预测任务上具有较高的准确性。

Abstract:

Accurate prediction of taxi demands between urban regions can provide decision support information for taxi guidance and scheduling as well as passenger travel recommendation， so as to optimize the relation between taxi supply and demand. However， most of the existing models only focus on modeling and predicting the taxi demands within a region， do not consider enough the spatial-temporal correlation between regions， and pay less attention to the more fine-grained demand prediction between regions. To solve the above problems， a prediction model for taxi demands between urban regions — Origin-Destination fusion with Spatial-Temporal Network （ODSTN） model was proposed. In this model， complex spatial-temporal correlations between regions was captured from spatial dimensions of the regions and region pairs respectively and three temporal dimensions of recent， daily and weekly periods by using graph convolution and attention mechanism， and a new path perception fusion mechanism was designed to combine the multi-angle features and finally realize the taxi demand prediction between urban regions. Experiments were carried out on two real taxi order datasets in Chengdu and Manhattan. The results show that the Mean Absolute Error （MAE）， Root Mean Square Error （RMSE） and Mean Absolute Percentage Error （MAPE） of ODSTN model are 0.897 1， 3.527 4， 50.655 6% and 0.589 6， 1.163 8， 61.079 4%， respectively， indicating that ODSTN model has high accuracy in taxi demand prediction tasks.

Key words: taxi demand prediction, spatial-temporal correlation, origin-destination, Graph Convolutional Network (GCN), attention mechanism

中图分类号:

TP183

魏远, 林彦, 郭晟楠, 林友芳, 万怀宇. 融合出发地与目的地时空相关性的城市区域间出租车需求预测[J]. 计算机应用, 2023, 43(7): 2100-2106.

Yuan WEI, Yan LIN, Shengnan GUO, Youfang LIN, Huaiyu WAN. Prediction of taxi demands between urban regions by fusing origin-destination spatial-temporal correlation[J]. Journal of Computer Applications, 2023, 43(7): 2100-2106.

图/表 9

参考文献 22

1	YULE G U. Why do we sometimes get nonsense-correlations between time-series？ — a study in sampling and the nature of time-series［J］. Journal of the Royal Statistical Society， 1926， 89（1）： 1-64. 10.2307/2341482
2	BOX G， JENKINS G M， REINSEL G C. Time Series Analysis： Forecasting and Control［M］. San Francisco： Holden-Day， 1976： 88-126.
3	SIMS C A. Macroeconomics and reality［J］. Econometrica， 1980，48（1）： 1-48. 10.2307/1912017
4	LI X L， PAN G， WU Z H， et al. Prediction of urban human mobility using large-scale taxi traces and its applications［J］. Frontiers of Computer Science， 2012， 6（1）： 111-121.
5	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
6	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：人民交通出版社， 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： China Communications Press， 2018： 310-320.
7	SAADI I， WONG M， FAROOQ B， et al. An investigation into machine learning approaches for forecasting spatio-temporal demand in ride-hailing service［EB/OL］. （2017-03-07）［2022-06-25］. .
8	KE J T， ZHENG H Y， YANG H， et al. Short-term forecasting of passenger demand under on-demand ride services： a spatio-temporal deep learning approach［J］. Transportation Research Part C： Emerging Technologies， 2017， 85： 591-608. 10.1016/j.trc.2017.10.016
9	LeCUN Y， BOSER B， DENKER J S， et al. Backpropagation applied to handwritten zip code recognition［J］. Neural Computation， 1989， 1（4）： 541-551. 10.1162/neco.1989.1.4.541
10	HOCHREITER S， SCHMIDHUBER J. Long short-term memory［J］. Neural Computation， 1997， 9（8）： 1735-1780. 10.1162/neco.1997.9.8.1735
11	黎景壮，温惠英，林龙，等.基于QPSO_RBF神经网络的网约车需求量预测模型［J］.广西大学学报（自然科学版）， 2018， 43（2）： 700-709.
	LI J Z， WEN H Y， LIN L， et al. Demand forecasting for online car-hailing services based on QPSO-RBF neural network［J］. Journal of Guangxi University （Natural Science Edition）， 2018， 43（2）： 700-709.
12	SUN J， FENG B， XU W B. Particle swarm optimization with particles having quantum behavior ［C］// Proceedings of the 2004 Congress on Evolutionary Computation， Volume 1. Piscataway： IEEE， 2004： 325-331. 10.1109/cec.2004.1330875
13	MOODY J， DARKEN C J. Fast learning in networks of locally-tuned processing units［J］. Neural Computation， 1989， 1（2）： 281-294. 10.1162/neco.1989.1.2.281
14	YAO H X， WU F， KE J T， et al. Deep multi-view spatial-temporal network for taxi demand prediction ［C］// Proceedings of the 32nd AAAI Conference on Artificial Intelligence， Palo Alto， CA： AAAI Press， 2018： 2588-2595. 10.1609/aaai.v32i1.11836
15	贾瑶.基于时空特征分析的网约车短时需求预测研究［D］.北京：北京交通大学， 2019： 31-41.
	JIA Y. Short-term demand forecasting of network car based on spatio-temporal feature analysis［D］. Beijing： Beijing Jiaotong University， 2019： 31-41.
16	KALMAN R E. A new approach to linear filtering and prediction problems［J］. Journal of Basic Engineering， 1960， 82（1）： 35-45. 10.1115/1.3662552
17	WANG Y D， YIN H Z， CHEN H X， et al. Origin-destination matrix prediction via graph convolution： a new perspective of passenger demand modeling ［C］// Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. New York： ACM， 2019： 1227-1235. 10.1145/3292500.3330877
18	FENG S Y， KE J T， YANG H， et al. A multi-task matrix factorized graph neural network for co-prediction of zone-based and OD-based ride-hailing demand［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23（6）： 5704-5716. 10.1109/tits.2021.3056415
19	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
20	ZHANG D P， XIAO F， SHEN M Y， et al. DNEAT： a novel dynamic node-edge attention network for origin-destination demand prediction［J］. Transportation Research Part C： Emerging Technologies， 2021， 122： No.102851. 10.1016/j.trc.2020.102851
21	GUO S N， LIN Y F， FENG N， et al. Attention based spatial-temporal graph convolutional networks for traffic flow forecasting ［C］// Proceedings of the 33rd AAAI Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2019： 922-929. 10.1609/aaai.v33i01.3301922
22	BAI L， YAO L N， LI C， et al. Adaptive graph convolutional recurrent network for traffic forecasting ［C］// Proceedings of the 34th International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates Inc.， 2020： 17804-17815. 10.1109/ijcnn52387.2021.9534063

实验环境	具体信息
GPU	NVIDIA RTX A4000
操作系统	Ubuntu 18.04
内存	64 GB
编程语言	Python 3.8.11
开发框架	PyTroch 1.9.0
Cuda加速	Cuda11.4 + cuDNN 8.2.2

实验环境	具体信息
GPU	NVIDIA RTX A4000
操作系统	Ubuntu 18.04
内存	64 GB
编程语言	Python 3.8.11
开发框架	PyTroch 1.9.0
Cuda加速	Cuda11.4 + cuDNN 8.2.2

模型	MAE	RMSE	MAPE/%
HA	2.314 2	12.137 9	80.772 3
XGBoost	1.089 8	4.354 7	54.294 4
GEML^［17］	1.084 9	4.227 5	54.534 7
STGCN^［19］	1.081 8	4.285 2	55.524 6
MT-MF-GCN^［18］	1.011 9	4.143 7	53.451 1
DNEAT^［20］	0.965 7	4.075 3	53.933 2
ASTGCN^［21］	0.958 5	3.859 7	52.665 0
AGCRN^［22］	0.913 3	3.738 3	51.143 0
ODSTN	0.897 1	3.527 4	50.655 6

模型	MAE	RMSE	MAPE/%
HA	2.314 2	12.137 9	80.772 3
XGBoost	1.089 8	4.354 7	54.294 4
GEML^［17］	1.084 9	4.227 5	54.534 7
STGCN^［19］	1.081 8	4.285 2	55.524 6
MT-MF-GCN^［18］	1.011 9	4.143 7	53.451 1
DNEAT^［20］	0.965 7	4.075 3	53.933 2
ASTGCN^［21］	0.958 5	3.859 7	52.665 0
AGCRN^［22］	0.913 3	3.738 3	51.143 0
ODSTN	0.897 1	3.527 4	50.655 6

模型	MAE	RMSE	MAPE/%
HA	0.833 4	1.550 5	65.824 3
XGBoost	0.694 0	1.323 4	64.228 5
GEML^［17］	0.684 7	1.320 7	64.366 9
STGCN^［19］	0.634 5	1.270 2	63.887 4
MT-MF-GCN^［18］	0.626 4	1.264 2	62.973 2
DNEAT^［20］	0.617 7	1.247 1	63.176 8
ASTGCN^［21］	0.612 1	1.239 4	62.747 0
AGCRN^［22］	0.607 3	1.182 6	61.342 4
ODSTN	0.589 6	1.163 8	61.079 4

融合出发地与目的地时空相关性的城市区域间出租车需求预测

Prediction of taxi demands between urban regions by fusing origin-destination spatial-temporal correlation

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 22

相关文章 15

编辑推荐

Metrics

模型	MAE	RMSE	MAPE/%
OD	0.962 8	3.913 8	52.233 1
ODpair	0.940 5	3.799 3	52.157 4
Concat	0.927 4	3.682 8	51.543 4
ODSTN	0.897 1	3.527 4	50.655 6

[1]	张慧斌, 冯丽萍, 郝耀军, 王一宁. 基于注意力机制和迁移学习的古壁画朝代识别[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1826-1832.
[2]	张奕, 王真梅. 图自动编码器上二阶段融合实现的环状RNA-疾病关联预测[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1979-1986.
[3]	方可, 刘蓉, 魏驰宇, 张心月, 刘杨. 复杂场景下的行人跌倒检测算法[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1811-1817.
[4]	鲁斌, 柳杰林. 基于特征增强的三维点云语义分割[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1818-1825.
[5]	郑智雄, 刘建华, 孙水华, 徐戈, 林鸿辉. 融合多窗口局部信息的方面级情感分析模型[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1796-1802.
[6]	王辉, 李建红. 基于Transformer的三维模型小样本识别方法[J]. 《计算机应用》唯一官方网站, 2023, 43(6): 1750-1758.
[7]	石利锋, 倪郑威. 基于槽位相关信息提取的对话状态追踪模型[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1430-1437.
[8]	蒋瑞林, 覃仁超. 基于深度可分离卷积的多神经网络恶意代码检测模型[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1527-1533.
[9]	丁正凯, 傅启明, 陈建平, 陆悠, 吴宏杰, 方能炜, 邢镔. 结合注意力机制与深度强化学习的超短期光伏功率预测[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1647-1654.
[10]	刘辉, 张琳玉, 王复港, 何如瑾. 基于注意力机制和上下文信息的目标检测算法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1557-1564.
[11]	张凯, 覃正楚, 刘月, 秦心怡. 多学习行为协同的知识追踪模型[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1422-1429.
[12]	刘阳, 陆志扬, 王骏, 施俊. 基于自注意力连接UNet的磁共振成像去吉布斯伪影算法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1606-1611.
[13]	黄晓辉, 杨凯铭, 凌嘉壕. 基于共享注意力的多智能体强化学习订单派送[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1620-1624.
[14]	金柯君, 于洪涛, 吴翼腾, 李邵梅, 张建朋, 郑洪浩. 改进的基于奇异值分解的图卷积网络防御方法[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1511-1517.
[15]	吴家皋, 章仕稳, 蒋宇栋, 刘林峰. 基于状态精细化长短期记忆和注意力机制的社交生成对抗网络用于行人轨迹预测[J]. 《计算机应用》唯一官方网站, 2023, 43(5): 1565-1570.