基于深度网络的出租车Pick-up需求预测

在智慧城市建设中，区域的出租车需求预测是一个十分重要的模块。为了预测指定区域未来时刻的出租车需求，本文通过拓展已有序列模型，提出一个多时间分辨率的基于层次注意力机制的循环高速网络（Multi-Time Resolution Hierarchical Attention-Based Recurrent Highway Networks， MTR-HRHN）。MTR-HRHN将对外生数据时空特征的提取和目标数据的时空建模整合到单个框架中，并且通过多分辨率（例如每个小时或者每天）对序列数据不同的时间属性建模，从而捕获更全面的时间模式。最后，在纽约市出租车数据集上评估MTR-HRHN的预测性能。实验结果表明,与其他经典时间序列预测方法相比，MTR-HRHN在多个高需求区域的短期需求预测上表现出更好的预测性能。

Taxi Pick-up Demand Prediction Based on Deep Networks for