Spatiotemporal Multi-Graph Convolution Network for Ride-hailing Demand Forecasting
AAAI 2019,滴滴的网约车需求预测,5个点预测1个点。空间依赖建模上:以图的形式表示数据,从空间地理关系、区域功能相似度、区域交通连通性三个角度构造了三个不同的图,提出了多图卷积,分别用 k 阶 ChebNet 对每个图做图卷积,然后将多个图的卷积结果进行聚合(sum, average 等)成一个图;时间依赖建模上:提出了融合背景信息的 Contextual Gated RNN (CGRNN),用 ChebNet 对每个结点卷积后,得到他们的邻居表示,即每个结点的背景信息表示,与原结点特征拼接,用一个两层全连接神经网络计算出 T 个权重,将权重乘到历史 T 个时刻的图上,对历史值进行缩放,然后用一个共享的 RNN,针对每个结点形成的长度为 T 的时间序列建模,得到每个结点新的时间表示。最后预测每个点的网约车需求。原文地址:Spatiotemporal Multi-Graph Convolution Network for Ride-hailing Demand Forecasting