前言

在智慧城市的建设中，出租车需求预测是一个及其重要的问题。准确的预测需求能够帮助城市预分配交通资源，提前避免交通拥堵，从而缓解交通压力，同时降低出租车空载率，提高出租车司机收入。传统的出租车需求预测往往基于时序预测技术，无法对复杂的非线性时空关系进行建模。深度学习技术的突破为交通预测问题带来了曙光，但是现存的深度学习网络架构，往往只单一考虑了时间关系或者空间关系，没有把两者结合起来进行建模。

本文提出了 DMVST-Net，同时对时间关系和空间更新进行建模。更具体地，该模型同时从三个角度出发（分别是 temporal view, spatial view,semantic view），综合考虑了出租车需求在路网上分布的时空关系，并利用语义信息，对相似区域的时空模式进行了建模。

值得一提的是，本文运用图网络 和 Local CNN 的方法，对由数万路段组成的大型道路交通网，进行了特征提取，这一举措，将图网络的运用拓宽到一个新的层次，使得大型交通网的建模有了新的解决思路。

本文贡献

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：使用传统LSTM
语义：使用“区域图”的边来表达区域对之间需求模式的相似性，用图嵌入的方法作为环境特征参与训练

模型架构

这是DMVST-Net的架构图。 (a).空间组件使用一个局部CNN来捕获附近区域之间的空间依赖性。局部CNN包括几个卷积层。最后使用全连接层来得到低维表示。 (b).时间视图采用了一个LSTM模型，该模型从空间视图中获取表示形式，并在相应的时间将它们与上下文特征连接起来。 ©.语义视图首先构造一个加权的区域图（其权重表示功能相似度）。节点被编码到向量中。最后使用一个全连接的层来进行联合训练。最后，利用一个全连接的神经网络进行预测。

空间视图：Local CNN

Local CNN: 如要对 （a）提取特征，最常见的一种方式是把（a）这整张图像送入到CNN中，进行卷积运算；而另一种方式就是把（a）分块，把划分后的每一小块分别送入到CNN中，也就是每次只对（b）进行卷积运算，最后把每个部分的结果进行综合，这就是 Local CNN。提出该方法的动机是地理学第一定律——近邻比远邻重要。
作者在这里把待预测城市分成了20 x 20个区域，每个区域是0.7km x 0.7km，用7 x 7的二维图像来表示每一个区域，图像中每个像素点的灰度值代表出租车的需求量。每张图像可以用$Y_t^i\in {\mathbb{R}}^{S\times S\times 1}$表示，其中$S=7$。经过K层卷积层后得到$Y_t^{i,k}\in {\mathbb{R}}^{S\times S\times 1}$，经过flatten操作后得到$s_t^i\in {\mathbb{R}}^{S^2\lambda }$，最后进行降维得到$\widehat{s_t^i}\in {\mathbb{R}}^d$，具体公示为：
$Y_t^{i,k}=f(Y_t^{i,k-1}\ast W_t^k+b_t^k)$
${\hat{s}}_t^i=f(W_t^{fc}{s}_t^i+b_t^{f}c)$
最终空间视图的输出为${\hat{s}}_t^i$。

时间视图：LSTM

在该部分，作者直接利用了传统的时序预测网络LSTM
这里的输入是$g_t^i=\widehat{s_t^i}\oplus e_t^i$，其中$s_t^i$为空间视图的输出，$e_t^i$表示天气、节假日等元数据特征，$\oplus$表示联合操作，最终本模块的输出为$h_t^i$。

语义视图：结构嵌入

本模块是主要的创新点，主要解决的问题是如何利用图网络的方法，构建城市各个区域的关系网络，从而给深度学习任务提供更高层次的特征。

首先，作者提出了一个直觉（观察）：具有相同功能的地点应该具有相似的出租车需求模式，然而具有相同功能的地点在空间上不一定相邻。基于这个直觉，构建了区域和区域之间的全连接网络$G=(V,E,D)$，其中$V$表示节点，即区域，总数为20X20，$E=V\times V$表示两个区域之间的边，$D$表示相似性矩阵，$w_{ij}$表示区域$i$和区域$j$之间的相似性。

主要问题：相似性基于什么特征进行衡量？用什么方法进行衡量？
作者使用平均每周需求时间序列作为需求模式。这个平均值是根据实验中的训练数据计算出来的。因为这个图是完全连接的，所以每两个区域都可以到达。然后采用DTW的方法来衡量节点之间的相似性。
$w_{ij}=exp(-\alpha DTW(i,j))$
其中$\alpha$是控制距离衰减率的参数（在本文中，α=1),DTW是两区域的需求模式之间的动态时间滑动距离。
为了将每个节点的特征进行压缩，并同时维持网络的结构信息，作者又采用了图嵌入的方法，将每个节点的特征压缩到更低的维度。为了构建一个端到端的神经网络模型，又将压缩后的特征送入到一个全连接层
${\hat{m}}^i=f(W_{fe}{m}^i+b_{fe})$
其中生成嵌入的方式为LINE

需要注意的是，${\hat{m}}^i$代表的是节点$i$ 的语义特征，也就是说，语义视图提取整个网络的特征，但是只把单个节点所学习到的特征送到主体模型中。

模型综合

• 三个部分特征的综合：$q_t^i=h_t^i\oplus {\hat{m}}^i$
• 输出函数的设计：${\hat{y}}_{t+1}^i=\sigma (W_{ff}{q}_t^i+bff)$

损失函数

$\mathcal{L}(\theta )={\sum }_{i=1}^N((y_{t+1}^i-{\hat{y}}_{t+1}^i{)}^2+\gamma (\frac{y_{t+1}^i-{\hat{y}}_{t+1}^i}{y_{t+1}^i}{)}^2)$
该公式由两部分组成，第一部分为均方误差MSE，第二部分为平均绝对百分误差MAPE。MSE多和大值相关，MAPE对大值和小值一视同仁，引入MAPE能够避免训练过程被大值的样本所主导。

实验

对比试验方法

Historical average，ARIMA，Ordinary least square regression，Ridge regression，Lasso，Multiple layer perceptron，XGBoost，ST-ResNet

数据集

评价标准

实验结果

此处为计算各模型从工作日到休息日，相关误差的增长（RIE），RIE越小，证明模型鲁棒性越高

参考文献

【1】交通图网络太大太复杂，没法处理？DMVST-Net巧妙处理
【2】【论文笔记】Deep Multi-View Spatial-Temporal Network for Taxi Demand Prediction
【3】本论文pdf