[论文解读] Predicting origin-destination ride-sourcing demand with a spatio-temporal encoder-decoder residual multi-graph convolutional network

Jintao Ke, Xiaoran Qin+4 more|arXiv (Cornell University)|Oct 17, 2019

Transportation and Mobility Innovations参考文献 43被引用 208

一句话总结

本文提出 ST-ED-RMGC，一种深度学习模型，通过结合时空编码器-解码器框架与残差多图卷积网络，预测出行平台的起讫点（OD）需求。通过构建多个捕捉地理、功能及需求相关性的OD图，并结合LSTM进行时间建模，该模型在曼哈顿数据上相较先前方法将MAPE降低22%，达到最先进性能。

ABSTRACT

With the rapid development of mobile-internet technologies, on-demand ride-sourcing services have become increasingly popular and largely reshaped the way people travel. Demand prediction is one of the most fundamental components in supply-demand management systems of ride-sourcing platforms. With accurate short-term prediction for origin-destination (OD) demand, the platforms make precise and timely decisions on real-time matching, idle vehicle reallocations and ride-sharing vehicle routing, etc. Compared to zone-based demand prediction that has been examined by many previous studies, OD-based demand prediction is more challenging. This is mainly due to the complicated spatial and temporal dependencies among demand of different OD pairs. To overcome this challenge, we propose the Spatio-Temporal Encoder-Decoder Residual Multi-Graph Convolutional network (ST-ED-RMGC), a novel deep learning model for predicting ride-sourcing demand of various OD pairs. Firstly, the model constructs OD graphs, which utilize adjacent matrices to characterize the non-Euclidean pair-wise geographical and semantic correlations among different OD pairs. Secondly, based on the constructed graphs, a residual multi-graph convolutional (RMGC) network is designed to encode the contextual-aware spatial dependencies, and a long-short term memory (LSTM) network is used to encode the temporal dependencies, into a dense vector space. Finally, we reuse the RMGC networks to decode the compressed vector back to OD graphs and predict the future OD demand. Through extensive experiments on the for-hire-vehicles datasets in Manhattan, New York City, we show that our proposed deep learning framework outperforms the state-of-arts by a significant margin.

研究动机与目标

• 解决预测起讫点（OD）出行平台需求的挑战，该任务比基于区域的需求预测更复杂，因其具有复杂的时空依赖性。
• 基于邻近性、功能相似性、距离及历史需求模式，利用多个图结构对OD对之间的非欧几里得空间相关性进行建模。
• 构建端到端的编码器-解码器框架，联合捕捉OD对之间的空间依赖性以及每个OD对内部的时间动态。
• 通过提供准确的短期OD需求预测，提升出行平台在车辆重分配、调度及共享出行优化中的实时决策能力。

提出的方法

• 构建多个OD图，其中每个OD对作为节点，邻接矩阵编码地理邻近性、功能相似性、距离及历史需求相关性等关系。
• 设计残差多图卷积（RMGC）网络，从构建的OD图中提取上下文感知的空间依赖性。
• 集成长短期记忆（LSTM）网络，对单个OD对的时间动态进行建模。
• 实施编码器-解码器架构：RMGC与LSTM网络将空间与时间特征编码为密集的潜在向量空间，随后通过相同的RMGC层将潜在表示解码回OD图，以实现未来需求预测。
• 使用曼哈顿地区真实网约车数据训练端到端模型，以RMSE、MAE与MAPE为优化目标，重点关注非零需求的OD对。
• 对所有基线模型（如XGBoost、LSTM、GCNs）的超参数进行微调，确保公平比较，使用相同的训练/测试数据划分与评估指标。

实验结果

研究问题

• RQ1 与单一结构或非图基方法相比，建模多方面空间相关性（地理、功能与需求）是否能显著提升OD需求预测的准确性？
• RQ2 与独立的编码器或解码器相比，所提出的共享RMGC层的编码器-解码器结构在多大程度上提升了特征学习与预测性能？
• RQ3 残差连接与多图卷积的结合如何改善对OD需求中复杂非欧几里得空间依赖性的建模？
• RQ4 ST-ED-RMGC模型是否在城市出行多样化的时间与空间模式下，显著优于现有最先进方法，实现短期OD需求预测？

主要发现

• ST-ED-RMGC在非零OD对上的MAPE为0.38，相较第二佳基线模型（Spatial LSTM，MAPE = 0.42）实现22%的相对性能提升。
• 图基模型（MGC、RMGC、ST-ED-RMGC）显著优于传统机器学习与标准深度学习模型（如XGBoost、MLP与LSTM），证明了空间相关性建模的重要性。
• RMGC网络中的残差模块相较于标准MGC带来微小但稳定的性能增益，表明其改善了梯度流动与特征学习的稳定性。
• 编码器-解码器结构相较RMGC基线模型（MAPE 0.40 vs. 0.38）进一步提升了性能，表明联合编码与解码空间与时间特征可增强预测泛化能力。
• 可视化分析表明，该模型能准确捕捉复杂的人类移动模式，如早高峰前往商业区通勤与晚高峰返程，且在空间OD矩阵中各区域的相对误差较低。
• 该模型能有效应对时间上的波动性，包括不同日期的多峰与非规则需求模式，其表现优于基线模型，后者在波动中常出现过度或不足反应。