Page 179 - 《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 3843

2 算法设计

图 3 展示了本文所提出的 DCSN 模型总体框架图,其主要由两部分组成,分别为可变形卷积时空模型与 POI
需求关联模型.其中,可变形卷积时空模型包括 DCN 与 LSTM,使用 DCN 卷积对不同时间片同一块区域做空间
特征提取.输出的特征向量与当前时间片的天气、温度等上下文特征相连接作为 LSTM 中一个时间单元的输入,
可变形卷积时空模型最终的输出为时空特征向量.POI 需求关联模型首先构建区域的加权图(POI 差异指数和
历史需求差异指数为权重影响因子);将所要预测的区域节点编码为向量,将两个模型输出的向量相连接,再使
用全连接网络进行联合训练;最后,得出区域需求预测结果.

Fig.3 DCSN model overall architecture diagram
图 3 DCSN 模型整体架构图
2.1 问题定义

本小节将对出租车需求预测问题进行定义.将地图进行网格化处理.L={l 1 ,l 2 ,…,l n }为城市地图中的所划分
的区域集合,其中,n 为将地图划分的网格数量;T={t 1 ,t 2 ,…,t m }为按相等时间间隔划分的时间片集合,其中,m 为时
间片数量总和.解决区域出租车需求预测问题的实质,即为使用前 h 个时间片的乘车需求来预测第 h+1 个时间
节点该区域的需求数量.结合本文提出的模型,其主要问题具体可表达为
L
d t+ i 1 = F (D t h ,...,t ,E t h ,...,t ,P L ) (1)
−
−
其中,
L
L
• D 为所有区域单个时间片出租车需求数据集合.公式中, d i t+ 1 与 D th− L ,...,t 都为 D 的子集: d t+ i 1 意为 t+1 时
T
T
刻区域 i 的需求数据, D th− L ,...,t 意为 t−h 到 t 时刻所有区域需求数据的集合.其中,i∈L;
L
L
• E 为不同时间片的外部情况(天气信息等),E t−h,…,t 为 E 的子集,意为 t−h 到 t 时刻的外部信息集合;
T
T
• P L 为区域的 POI 信息.
公式中,h 为时间步长.公式整体意为:将前 h 个时间片的乘车需求信息、天气信息以及区域 POI 信息输入
到本模型中,最终得出当前区域下一时间片的出租车需求数量.
2.2 可变形卷积时空模型
可变形卷积时空模型由时间和空间两部分组成,如图 3 所示.本文使用 DCN 对地图区域中的需求进行空间
特征提取,进而将其结果应用于 LSTM 模型中模拟出租车需求的时间依赖性.接下来,本小节将着重对这两个部