MG-ASTN: Multigraph-Framework mit aufmerksamen räumlich-zeitlichen Netzwerken zur Vorhersage von Menschenmengenmobilität

Die Vorhersage urbaner Menschenmuster/-ströme ist eine herausfordernde Aufgabe aufgrund komplexer räumlich-zeitlicher (ST) Abhängigkeiten. In diesem Artikel zielen wir darauf ab, die Fähigkeiten und die Effektivität der derzeit am weitesten verbreiteten graphenkonvolutionalen Netzwerke (GCNs) bei der Analyse mobiler Daten in ST-Netzwerken zur Vorhersage von Menschenfluss zu untersuchen und zu berichten. Konkret schlagen wir ein neuartiges Dual-Stream-Framework vor, das Multigraph mit aufmerksamen ST-Netzwerken (MG-ASTN) nutzt, um gleichzeitig den Ein- und Ausfluss von Menschen sowie den Ursprung-Ziel (OD) Fluss basierend auf den durch On-Board-Geräte (z.B. GPS) gesammelten Trajektoriendaten vorherzusagen. MG-ASTN verwendet mehrere GCNs zur Kodierung nicht-euklidischer Korrelationen, um paarweise Beziehungen zwischen Regionen zu erkunden. Darüber hinaus wenden wir einen Cross-Channel-Attention-Mechanismus mit einem 3D-temporalen konvolutionalen Netzwerk an, um die Heterogenität der ST-Features zu adressieren und bedeutungsvollere Datenrepräsentationen für das Multitasking-Lernen zu erfassen. Bei der Evaluation führen wir Experimente basierend auf zwei realen Datensätzen durch und überprüfen die bekanntesten modernen Methoden zur Vorhersage von Menschenströmen. Die Ergebnisse zeigen, dass MG-ASTN andere Lösungen übertreffen könnte – Ein- und Ausflussvorhersage mit dem niedrigsten RMSE und MAE sowie OD-Flussvorhersage in den meisten Fällen über andere, was somit ein großes Potenzial zur Modellierung der komplexen Korrelationen zwischen Regionen in ST-Netzwerken und zur Ermöglichung genauer Vorhersagen in der urbanen Informatik hat.