論文アドレス: https://www.aaai.org/ocs/index.php/AAAI/AAAI18/paper/download/16069/15978
論文のタイトル: タクシー需要予測のためのディープ マルチビュー時空間ネットワーク
まとめ
1. モデルは時空間データと意味論的関係を統合します
2. ローカル CNN モデルは空間的近接関係をキャプチャします
3. 遠く離れているが同様のセマンティクスを持つ POI は、グラフの埋め込みによってベクトル化されます。
4. LSTM は、CNN の特徴や現在の時刻のその他の特徴 (天気など) を含む時系列をモデル化します。
モデル
a: 空間ビュー. まず、地図全体をラスタライズして 7*7 ピクセルに分割し、k 層の畳み込みの後、平坦化し、全結合層に接続して各瞬間の空間特性を取得します。
b: 時間ビュー。空間特徴と空間ビューのその他の特徴を lstm モデルに入力して、時空間特徴を取得します。
c: セマンティック ビュー. セマンティック特徴はグラフ埋め込みを通じて取得されます. 類似性の定義には動的タイム ワーピングが使用されます. 埋め込み方法は Tang Jian の 15 年間の論文「Line: 大規模情報ネットワーク埋め込み」を採用しています.
論文紹介: https://blog.csdn.net/guoyuhaoaaa/article/details/78743023
ペーパーコード: https://github.com/snowkylin/line または https://github.com/VahidooX/LINE
d: 時空間特徴と意味特徴の融合の後に全結合層が続き、予測結果が得られます。損失関数には平均二乗誤差と平均二乗パーセント誤差が含まれます。
モデル効果
