Title： Towards Fine-grained Flow Forecasting: A Graph Attention Approach for Bike Sharing Systems
Paper： https://rtcl.eecs.umich.edu/rtclweb/assets/publications/2020/he-www-2020-gbikes.pdf
来源： WWW 20
机构： The University of Connecticut
作为现代化城市旅行的健康，高效和绿色替代品，自行车共享已越来越受欢迎，从而导致了自行车的广泛部署和使用。在各个站点进行准确的自行车流量预测对于自行车共享服务至关重要。由于交通网络的空间和时间复杂性，以及自行车站缺乏数据驱动的设计，现有方法无法预测进出每个站的细粒度自行车流量。
为了解决这个问题，我们提出了一种新的数据驱动的时空图注意力卷积神经网络，用于自行车站级流量预测（GBikes）。我们开发数据驱动和时空相关，并以图表的形式模拟自行车站（节点）和车站间自行车骑行（边缘）。特别是，我们设计了一种新颖的图注意力卷积神经网络（GACNN），其注意力机制可以捕获并区分站间相关性。为全面学习和准确预测每个站点的自行车流量，共同考虑了多级时间紧密度，空间距离和其他外部因素（例如，天气和兴趣点）。从纽约，芝加哥和洛杉矶的三个大型自行车共享系统进行的总计1100万次旅行的广泛实验，证实了GBikes在准确性，鲁棒性和有效性方面的显着提高。
<<< 左右滑动见更多 >>>
<<< 左右滑动见更多 >>>
(因图片过大，所以没法上传到公众号，压缩了就担心看不清了)
