【论文笔记】Deep Multi-View Spatial-Temporal Network for Taxi Demand Prediction

https://arxiv.org/pdf/1802.08714
本文的目的是出租车需求预测，特点在于结合了时间、空间、语义三方面的信息，深度学习模型

前言

简单来说，本文综合了时间、空间、语义三个方面预测需求量。

空间：local CNN，强调了邻近空间相似，较远的位置参与训练之间会有负作用
时间：使用比较传统LSTM来做
语义：使用“区域图”的边来表达区域对间需求模式的相似性，用graph embedding的方法作为环境特征参与训练

本文贡献

1. 提出了一种综合多视角的模型，综合考虑空间、时间、语义关系
2. 提出局部CNN模型，用于捕捉邻近区域间的局部特征
3. 使用基于需求相似性的区域图结果建模相似但不相邻的区域
4. 用滴滴出行的大数据做实验

参数定义

不重叠的区域：$L=\{l_1,l_2,...,l_i,,l_N\}$
时间间隔：$\mathcal{L}=\{I_0,I_1,...,I_t,...,I_T\}$，每段30min
出租车请求：一个请求为$o，(o.t,o.l,o.u)$，分别表示时间、位置、用户id，并用用户id过滤重复请求
需求：定义为在一个位置、每个时间点对出租车的需求量。$y_t^i=|\{o:o.t\in I_t \wedge o.l \in l_i\}|</scrip$