内容字号:默认大号超大号

段落设置:段首缩进取消段首缩进

字体设置:切换到微软雅黑切换到宋体

图收集助力都市大脑:跨时空大标准网约车流量展望

2019-08-14 13:52 出处:互联网  人气:   评论( 0

偷景区钟乳石被抓

4月28日上午,沂水天谷·天然地下画廊景区解决人员到沂水县公安局院东头派出所报案称,景区内“比翼鸟”钟乳石经

-------------------------2019-08-13 17:00

图收集助力都市大脑:跨时空大标准网约车流量展望

集智俱乐部 关注

本文来自微信民众号:集智俱乐部(id:swarma_org),作者:王硕,编辑:张爽,题图:Photo by Marcelo Cidrack on Unsplash


据 Uber 统计,2018年,整年的网约车运用次数达180亿次,凌驾环球人口的两倍。正确的网约车定单展望,能够更好的调理车辆,进步车辆的利用率,削减等待时候,从而减缓交通拥堵,具有重要的经济和社会意义。近年来大火的图神经收集 GNN 相当于供应了一种新的建模和处置惩罚时空数据展望的手腕。


ST-MGCN 是滴滴出行 AI Lab 发表于 AAAI 2019 的一种基于时空多图卷积收集的网约车需求量展望模子。地区级需求展望是网约车效劳的关键技术。正确的网约车需求量展望能够指点车辆的调理,进步车辆的利用率,削减等待时候,以及减缓交通拥堵。地区之间所存在庞杂的时空依靠关联使得这个问题具有很大应战。已有要领重要关注于建模相邻地区在空间上的欧式相干性(Euclidean correlations),而作者发明间隔较远地区之间的非欧相干性也对展望至关重要。


论文问题:


Spatiotemporal Multi-Graph Convolution Networkfor Ride-hailing Demand Forecasting


论文地点:


http://www-scf.usc.edu/~yaguang/papers/


aaai19_multi_graph_convolution.pdf


本文提出了时空多图卷机收集 spatiotemporal multi-graph convolution network (ST-MGCN),一个新的用于网约车需求展望的深度进修模子。作者起首将地区间的非欧相干性建模到多个图,然后用多图卷积(multi-graph convolution)来建模其相干性。用全局上下文信息(global contextual information)来建模时序信息,并进一步提出了上下文门控轮回神经收集模子(contextual gated recurrent neural network),给汗青数据分派权重。在两个数据集上表现强于已有算法的 10% 以上。


论文背景


据 Uber 统计,2018年,整年的网约车运用次数达180亿次,凌驾环球人口的两倍。正确的网约车定单展望,能够更好的调理车辆,进步车辆的利用率,减缓交通拥堵,具有重要的经济和社会意义。

  • 共6页:
  • 上一页
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 下一页
  • 分享给小伙伴们:
    本文标签: 赤峰信息网

    相关文章

    Copyright © 2002-2019 四平新闻 版权所有 Power by DedeMao