1

Region-level demand forecasting is an essential task in ride-hailing services. Accurate ride-hailing demand forecasting can guide …

Modeling multivariate time series has long been a subject that has attracted researchers from a diverse range of fields including …

预测交通流是交通领域的研究人员和从业人员的一个关键问题。然而，由于交通流通常表现出高度的非线性和复杂的模式，因此它是非常具有挑战性的。大多数现有的交通流预测方法，由于缺乏对交通数据动态时空关联的建模能力，因此不能产生令人满意的预测结果。在本文中，我们提出了一种新的基于注意力的时空图网络（ASTGCN）模型来解决交通流量预测问题。ASTGCN主要由三个独立的组件组成，分别模拟交通流的三个时间属性，即近期、日周期性和周周期性的依赖关系。更具体地说，每个组件包含两个主要部分：1）空间-时间注意力机制，以有效捕捉交通数据中的动态空间-时间相关性；2）空间-时间卷积，同时采用图卷积来捕捉空间模式和普通标准卷积来描述时间特征。这三个部分的输出被加权融合以产生最终的预测结果。在加州交通局性能测量系统（PeMS）的两个真实世界数据集上的实验表明，提出的ASTGCN模型优于最先进的基线

由于大规模交通数据的不断增加及其在现实世界中的重要性，交通预测在人工智能研究领域引起了越来越多的关注。例如，准确的出租车需求预测可以帮助出租车公司进行出租车的预分配。交通预测的关键挑战在于如何对复杂的空间依赖性和时间动态进行建模。虽然在建模中已经考虑了这两个因素，但现有的工作对空间依赖性和时间动态性做了很强的假设，即空间依赖性在时间上是静止的，而时间动态性是严格的周期性。然而，在实际工作中，空间依赖性可能是动态的(即在不同时期发生变化)，而时间依赖则可能从一个时期到另一个时期有一定的扰动。在本文中，我们提出了两个重要的观点。(1)地点之间的空间依赖性是动态的;(2)时间依赖性遵循日、周规律，但其动态时空变换并非严格的周期性。针对这两个问题，我们提出了一种新型的空间-时间动态网络(STDN)，其中引入了流门机制来学习位置之间的动态相似性，并设计了周期性转移注意力机制来处理长期周期性的时间转移。据我们所知，这是第一个在统一框架下解决这两个问题的工作。我们在真实世界的交通数据集上的实验结果验证了所提出的方法的有效性。

在相关的时间序列数据中建立复杂的空间和时间相关性的模型，对于理解交通动态和预测一个不断发展的交通系统的未来状态是不可或缺的。最近的工作主要集中在设计复杂的图神经网络架构，借助于预先定义的图来捕捉共享模式。在本文中，我们认为学习节点特定的模式对于交通预测是必不可少的，而预先定义的图是可以避免的。为此，我们提出了两个自适应模块，以增强图形卷积网络（GCN）的新功能。1)节点自适应参数学习(NAPL)模块，用于捕捉节点的特定模式；2)数据自适应图形生成(DAGG)模块，用于自动推断不同流量序列之间的相互依赖关系。我们进一步提出了自适应图卷积循环网络（AGCRN），基于这两个模块和循环网络自动捕捉交通序列中细粒度的空间和时间相关性。我们在两个真实世界的交通数据集上的实验表明，AGCRN在没有预先定义的空间连接图的情况下，以显著的优势优于最先进的技术。

在规划路线时，司机通常会考虑到多种不同的旅行成本，如距离、旅行时间和燃料消耗。不同的司机可能会在同一源头和目的地之间选择不同的路线，因为他们可能有不同的驾驶偏好（例如，时间效率驾驶与燃料效率驾驶）。然而，现有的路线服务在模拟多种出行成本和个性化方面的支持很少–它们通常向所有司机提供相同的路线，以最小化单一的出行成本（例如，最短的路线或最快的路线）。我们研究如何利用大轨迹数据向单个司机推荐个性化路线的问题。首先，我们提供了能够从司机的轨迹中模拟和更新不同司机的驾驶偏好，同时考虑多种出行成本的技术。为了推荐个性化路线，我们提供了能够根据司机的偏好和司机指定的源地、目的地和出发时间，从所有轨迹中高效选择一个轨迹子集的技术。接下来，我们提供的技术能够构建一个小图，该小图具有适当的边缘权重，反映了司机根据所选轨迹使用边缘的方式。最后，我们将小图中最短的路线作为个性化路线推荐给司机。通过对北京52211辆出租车的大量真实轨迹数据集的实证研究，深入了解了所提出的技术的设计特性，并表明这些技术是高效的。

Spatiotemporal forecasting has various applications in neuroscience, climate and transportation domain. Traffic forecasting is one …

及时准确的交通预测对城市交通控制和引导至关重要。由于交通流的高度非线性和复杂性，传统方法无法满足中长期预测任务的要求，而且往往忽略了空间和时间上的依赖性。本文提出了一种新型的深度学习框架–时空图卷积网络(STGCN)来解决交通领域的时间序列预测问题。我们没有应用常规的卷积和递归单元，而是将问题制定在图上，并建立具有完整卷积结构的模型，这样可以用较少的参数实现更快的训练速度。实验表明，我们的模型STGCN通过对多尺度交通网络的建模，有效地捕捉了全面的时空相关性，并在各种真实世界的交通数据集上持续优于最先进的基线。

由于交通系统的复杂性和诸多影响因素的不断变化，长期的交通预测具有很大的挑战性。本文主要针对时空因素，提出了一种图多注意力网络(GMAN)，用于预测路网图上不同位置前方时间步的交通状况。GMAN采用编码器-解码器架构，编码器和解码器均由多个时空注意力块组成，以模拟时空因素对交通状况的影响。编码器对输入的交通特征进行编码，解码器对输出序列进行预测。在编码器和解码器之间，应用转换注意力层对编码后的交通特征进行转换，生成未来时间步长的序列表示，作为解码器的输入。转换注意力机制模拟了历史时间步和未来时间步之间的直接关系，有助于缓解预测时间步之间的错误传播问题。在两个实际交通预测任务（即交通量预测和交通速度预测）上的实验结果证明了GMAN的优越性。特别是在1小时前的预测中，GMAN比最先进的方法在MAE测量方面的改进高达4%。源代码可在此https网址上获取。

根据基础设施和土地使用信息预测通勤流量对于城市规划和公共政治发展至关重要。然而，由于通勤流的复杂模式，这是一项具有挑战性的任务。传统的模型，如重力模型，主要是从物理学原理中得出的，在现实世界中需要考虑很多因素的情况下，其预测能力有限。同时，现有大多数机器学习的方法忽略了空间相关性，没有对区域间的依赖关系进行建模。为了解决这些问题，我们提出了Geo-contextual Multitask Embedding Learner(GMEL)，一个从地理上下文信息中捕捉空间相关性的模型，用于通勤流量预测。具体来说，我们首先构建了一个包含地理上下文信息的地理适应性网络。然后，提出了一种基于图注意力网络（GAT）框架的注意力机制，以捕捉空间相关性，并将地理环境信息编码到嵌入空间。两种不同的GAT分别用来模拟供给和需求的特征。 为了提高嵌入表示的有效性，多任务学习框架用于引入更强的限制，迫使嵌入向量封装了对于流量预测的有效表示。最后，基于学习到的Embeddings训练梯度提升机来预测换乘流量。我们使用纽约市的真实世界数据集来评估我们的模型，实验结果表明了我们所提出的方法与现有技术的有效性。