首页|共享单车出行OD的时空注意力残差网络预测模型

共享单车出行OD的时空注意力残差网络预测模型

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
为探究共享单车出行的复杂时空规律与特性,揭示城市因素对共享单车出行OD的影响,提高OD预测精度,开展本研究.结合城市计算,考虑疫情、天气、温度、风速与节假日因素,构建共享单车出行OD的时空注意力残差网络预测模型(USTARN).USTARN先将共享单车OD数据通过时空特征切分捕捉单车流的时空依赖性,再结合注意力机制进行深度残差学习,最后根据城市因素学习结果调整预测结果.利用从政府数据开放平台获取的深圳市共享单车订单大数据及城市因素数据集,分析共享单车出行时空分布规律及其影响因素.将OD数据集按7∶1∶2划分为训练集、验证集与测试集,分别进行训练预测、模型参数自适应调整及模型验证对比实验.研究表明,USTARN模型的共享单车出行OD预测平均误差为7.68％,与不含城市计算的STARN模型及传统的CNN,BiLSTM模型相比,误差分别降低了5.93％、7.55％、6.07％,预测精度显著提高.USTARN模型充分反映了时间、空间、疫情、天气、温度、风速等因素对共享单车出行OD的影响.研究成果对共享单车出行OD的精准预测具有理论指导意义,对该出行模式的推广并解决居民出行"最后一公里"问题具有实际应用价值.
Spatiotemporal Attention Residual Network Prediction Model for OD of Bicycle Sharing Trips

residual networktransportation data miningurban computingspatial and temporal characteristicsdeep learningsharing bicyclesOD predictionattention mechanism

曹弋、白涵文、王艺筱

展开 >

大连交通大学交通运输工程学院,大连116028

残差网络 交通数据挖掘 城市计算 时空特征 深度学习 共享单车 OD预测 注意力机制

辽宁省社会科学规划基金

L22BSH003

2024

10.12082/dqxxkx.2024.230407

地球信息科学学报
中国科学院地理科学与资源研究所

地球信息科学学报

CSTPCD北大核心
影响因子：1.004
ISSN：1560-8999
年,卷(期)：2024.26(3)
  • 19