Page 177 - 《软件学报》2021年第12期

于瑞云 等:基于可变形卷积时空网络的乘车需求预测模型 3841

Fig.1 Comparison of demand in different regions
图 1 不同区域需求对比

文献[23−25]将算计视觉领域的图卷积网络(GCN) [26] 应用到交通流量预测领域,以尝试解决上述问题.实验
表明,其在空间特征提取上有了很大的改善.但 GCN 在交通流量预测领域的应用还不完善,例如无法很好地获
取各个时间片图之间的时间特征,并且部分该类模型也没有考虑到城市中兴趣点(POI)对乘车需求的影响.大量
的调研 [27] 结果也证实了 POI 对交通流量存在不可忽视的影响.
为解决以上问题,本文提出了可变形卷积时空网络(deformable convolution spatial-temporal network,简称
DCSN)模型.其使用可变形卷积网络(DCN) [28] 与 LSTM 共同捕捉空间和时间的复杂非线性关系,并使用图结构
来模拟各区域间 POI 和出租车需求的相似关系.如图 2 所示:之所以使用 DCN 来对城市交通空间特征进行提取,
因为 DCN 可以改变卷积核映射在目标图像上感受野的形状,使得不相邻且相对较远的两块区域的空间特征也
能保留下来,进而解决传统 CNN 模型提取城市交通流量空间特征信息时误差较大的问题.但如果将整个城市的
出租车需求视为图像并在此图像上应用 DCN 模型,是无法取得最佳效果的.因为通过研究发现,在预测目标区
域中包含相关性较弱的区域实际上会损害模型性能、降低预测准确度.所以,本文借鉴了 Yao 等人 [22] 论文中仅
对局部区域做特征提取的方法,仅对要预测目标附近区域使用 DCN 模型.然而所选区域的大小对模型至关重
要,本文对其大小进行对比实验,既保证 DCN 在 CNN 的基础上提取到更多不相邻的空间特征,也保证 DCN 模
型不被相关性较弱的区域影响.只对目标附近区域做特征提取显然是不够全面的,通过研究 [6,22] 发现:POI 整体
差异较小且乘车需求波动相似的两块区域,在需求预测问题上可以为彼此提供助力.所以,本文对距预测目标较
远区域基于 POI 差异进行需求建模,通过图结构来捕捉两个区域需求的潜在关系,并使用嵌入算法将区域信息
以向量形式嵌入到模型中.本文使用滴滴出行的真实订单数据进行大量实验,实验结果表明,本文提出的方法优
于其他现有车辆需求预测方法.

Fig.2 Comparison of convolution patterns between CNN and DCN
图 2 CNN 与 DCN 的卷积模式对比