Spatio-temporal Prediction of Fine-Grained Origin-Destination Matrices with Applications in Ridesharing

作者: Run Yang, Runpeng Dai, Siran Gao, Xiaocheng Tang, Fan Zhou, Hongtu Zhu

发布时间: 2025-04-02

来源: arxiv

研究方向: 交通预测与共享出行平台

主要内容

本文研究了在共享出行平台中，如何对细粒度的起止点矩阵进行时空预测，以优化政策设计和资源分配。针对数据稀疏、空间复杂度高和语义地理依赖性等问题，提出了一种名为OD-CED的新型预测模型。

1. 首次针对大规模细粒度起止点矩阵进行预测

2. 提出了一种将细粒度单元格合并为超单元格的方法，以减少起止点矩阵的大小并保持依赖关系

3. 设计了一种编码器-解码器模型，以有效地捕获全局依赖关系

4. 开发了一个排列不变模块，以学习超单元格级别的表示

1. 非参数空间细化技术

2. 编码器-解码器架构

3. 多头自注意力网络

4. 空间细化

5. 零膨胀负二项式分布

在City-C和City-S两个数据集上进行的实验表明，OD-CED在预测精度方面优于其他方法，尤其是在数据非常稀疏的情况下。OD-CED在RMSE和wMAPE方面分别实现了45%和60%的显著改进。

未来工作将包括探索更有效的空间细化技术，以及将OD-CED模型应用于其他类型的时空预测问题。