Page 184 - 《软件学报》2021年第12期

3848 Journal of Software 软件学报 Vol.32, No.12, December 2021

此外,本文还对 DCSN 模型中所使用的损失函数进行消融实验,以找出最优的损失函数.所作对比如下.
• LMSE:仅使用最常用的均方误差(MSE)作为模型的损失函数;
• LMAPE:仅使用 MAPE 作为模型的损失函数;
• L:模型最终使用的损失函数,结合了均方误差和平均绝对百分误差,其中,γ取 0.01.具体形式已在第 2.4
节中详细说明.
各方案性能对比如图 5 所示.

Fig.5 Improved program performance comparison chart
图 5 改进方案性能对比图

DLN 模型在 CLN 模型的基础上将卷积神经网络改进为可变形卷积神经网络,从结果来看,模型整体效果有
所提升.所以可以证明:可变形卷积神经网络在此场景下提取空间特征信息,可以取得很好的效果.CLMN 模型
与 DLMN 模型在 DLN 模型与 CLN 模型的基础上加入了仅考虑区域需求差异化指数的需求关联模型,使得模
型的准确性得到显著提升.最后两个模型则在前两个模型的基础上加入了完整的 POI 需求关联模型,从图中可
以看出,预测误差大大减小,证明了在 POI 需求关联模型中 POI 差异化指数的必要性.POI 需求关联模型既将 POI
对乘车需求的影响因素加入到模型中,又弥补了局部 DCN 模型在空间上的距离局限性.同时可以看出,本文所
使用的损失函数 L 效果最好.所以综上所述,当前 DCSN 模型效果最佳.
本文还在实验过程中对 DCN 模型中输入特征图尺寸 s 的大小以及滤波器的大小做了调优实验.特征图的
尺寸对局部 DCN 模型很重要,这决定模型将提取目标区域周围多大范围内的空间特征信息.同样,滤波器的大
小本身也是 DCN 模型的重要属性,所以在 CD2Data 数据集下对其进行调优实验.卷积层数都设为 3,具体实验结
果如图 6 所示.

Fig.6 Tuning experiment results comparison chart
图 6 调优实验结果对比图
由实验结果可以得出,DCN 模型中输入特征图尺寸 s 取 11 并且滤波器尺寸为 3×3 时模型性能最佳,故模型