Réseau Spatial-Temporel Multi-Vue Profond pour la Prévision de la Demande de Taxi

La prévision de la demande de taxi est un élément essentiel pour permettre des systèmes de transport intelligents dans une ville intelligente. Un modèle de prévision précis peut aider la ville à pré-allouer des ressources pour répondre à la demande de déplacement et à réduire le nombre de taxis vides dans les rues, ce qui gaspille de l'énergie et aggrave la congestion du trafic. Avec la popularité croissante des services de demande de taxi tels qu'Uber et Didi Chuxing (en Chine), nous sommes en mesure de collecter en continu des données de demande de taxi à grande échelle. Comment utiliser ces grandes données pour améliorer la prévision de la demande est un problème réel intéressant et critique. Les méthodes traditionnelles de prévision de la demande reposent surtout sur des techniques de prévision de séries temporelles, qui échouent à modéliser les relations spatiales et temporelles complexes et non linéaires. Les récentes avancées dans l'apprentissage profond ont montré des performances supérieures sur des tâches traditionnellement difficiles telles que la classification d'images en apprenant les caractéristiques et corrélations complexes à partir de données à grande échelle. Cette percée a incité les chercheurs à explorer les techniques d'apprentissage profond pour les problèmes de prévision de trafic. Cependant, les méthodes existantes sur la prévision de trafic n'ont considéré que la relation spatiale (par exemple, en utilisant CNN) ou la relation temporelle (par exemple, en utilisant LSTM) de manière indépendante. Nous proposons un cadre de Réseau Spatial-Temporel Multi-Vue Profond (DMVST-Net) pour modéliser à la fois les relations spatiales et temporelles. Plus précisément, notre modèle proposé se compose de trois vues : vue temporelle (modélisation des corrélations entre les valeurs de demande futures avec des points temporels proches via LSTM), vue spatiale (modélisation de la corrélation spatiale locale via CNN local), et vue sémantique (modélisation des corrélations entre les régions partageant des modèles temporels similaires). Des expériences sur des données réelles de demande de taxi à grande échelle démontrent l'efficacité de notre approche par rapport aux méthodes de pointe.