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

所属专题：第39届CCF中国数据库学术会议(NDBC 2022)

• 第39届CCF中国数据库学术会议(NDBC 2022) • 上一篇下一篇

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]	秦璟, 秦志光, 李发礼, 彭悦恒. 基于概率稀疏自注意力神经网络的重性抑郁疾患诊断[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2970-2974.
[2]	李力铤, 华蓓, 贺若舟, 徐况. 基于解耦注意力机制的多变量时序预测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2732-2738.
[3]	庞川林, 唐睿, 张睿智, 刘川, 刘佳, 岳士博. D2D通信系统中基于图卷积网络的分布式功率控制算法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2855-2862.
[4]	赵志强, 马培红, 黑新宏. 基于双重注意力机制的人群计数方法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2886-2892.
[5]	薛桂香, 王辉, 周卫峰, 刘瑜, 李岩. 基于知识图谱和时空扩散图卷积网络的港口交通流量预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2952-2957.
[6]	薛凯鹏, 徐涛, 廖春节. 融合自监督和多层交叉注意力的多模态情感分析网络[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2387-2392.
[7]	汪雨晴, 朱广丽, 段文杰, 李书羽, 周若彤. 基于交互注意力机制的心理咨询文本情感分类模型[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2393-2399.
[8]	高鹏淇, 黄鹤鸣, 樊永红. 融合坐标与多头注意力机制的交互语音情感识别[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2400-2406.
[9]	刘禹含, 吉根林, 张红苹. 基于骨架图与混合注意力的视频行人异常检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2551-2557.
[10]	李钟华, 白云起, 王雪津, 黄雷雷, 林初俊, 廖诗宇. 基于图像增强的低照度人脸检测[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2588-2594.
[11]	莫尚斌, 王文君, 董凌, 高盛祥, 余正涛. 基于多路信息聚合协同解码的单通道语音增强[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2611-2617.
[12]	熊武, 曹从军, 宋雪芳, 邵云龙, 王旭升. 基于多尺度混合域注意力机制的笔迹鉴别方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2225-2232.
[13]	李欢欢, 黄添强, 丁雪梅, 罗海峰, 黄丽清. 基于多尺度时空图卷积网络的交通出行需求预测[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2065-2072.
[14]	毛典辉, 李学博, 刘峻岭, 张登辉, 颜文婧. 基于并行异构图和序列注意力机制的中文实体关系抽取模型[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2018-2025.
[15]	刘丽, 侯海金, 王安红, 张涛. 基于多尺度注意力的生成式信息隐藏算法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2102-2109.