基于多图卷积神经网络的车站级共享单车小时客流量预测（附下载链接）
说一说大家经常询问的哪里有数据集的问题，其实如果真的想做研究，仔细找找，国外真的开源了好多很好很好的数据集，现在很多科研人员用这些数据集发顶刊part C， TITS，顶会AAAI，IJCAI等的很多很多。真正需要数据集的静下心来好好研究下这些开源数据吧，看看哪一个更适合你！晚安，小伙伴们~1
1、文章信息
《Predicting station-level hourly demand in a large-scale bikesharing network: A graph convolutional neural network approach》。
美国普渡大学2018年发在Transportation Research Part C上的一篇文章。
1
2、摘要
提出了一种基于数据驱动的图滤波Data-driven Graph Filter（DDGF）的图卷积神经网络(GCNN-DDGF)模型，该模型可以学习隐藏的不同类型的站间两两相关关系，从而预测大规模共享单车网络中的车站级小时需求量。探讨了GCNN-DDGF模型的两种体系结构; GCNNreg-DDGF是一个常规的包含卷积和前馈块的GCNN-DDGF模型，GCNNrecr-DDGF还包含一个来自LSTM 结构的递归块，用于捕获共享单车需求系列中的时间依赖关系。在此基础上，提出了四种基于共享单车系统数据的邻接矩阵的GCNN模型，including Spatial Distance matrix (SD), Demand matrix (DE), Average Trip Duration matrix (ATD), and Demand Correlation matrix (DC)。这六种类型的GCNN模型和其他七种基准模型是在花旗的纽约市自行车数据集上Citi Bike dataset from New York City建立和比较的，该数据集包括272个站点和2013年至2016年的2800多万条交易记录。结果表明，GCNNreg-DDGF在均方根误差、平均绝对误差和判定系数(R2)方面表现最好，其次是GCNNrecr-DDGF。他们的表现优于其他模型。通过对所学习的DDGF进行更详细的图网络分析，对GCNN-DDGF模型的“黑箱”进行了深入的了解。它可以捕获一些类似于嵌入在SD、DE和DC矩阵中的细节的信息。更重要的是，它还揭示了那些矩阵没有揭示的车站之间隐藏的异构两两相关关系。
1
数据获取
公众号后台回复“纽约”获取下载地址。
1
Attention
如果你和我一样是轨道交通、道路交通、城市规划相关领域的，可以加微信：Dr_JinleiZhang，备注“进群”，加入交通大数据交流群！希望我们共同进步！
【基于多图卷积神经网络的车站级共享单车小时客流量预测（附下载链接）】
文章图片
推荐阅读
- 大数据|基于图卷积堆叠的双向单向LSTM神经网络的地铁客流预测
- 资讯|Snowflake8亿美元收购Streamlit，联手构建基于数据的应用程序
- [N32G457] 基于RT-Thread和N32G457的简易便捷式可调电压源
- 语音顶会 ICASSP 2022 成果分享（基于时频感知域模型的单通道语音增强算法）
- 如何处理大体积 XLSX/CSV/TXT 文件（）
- 如何处理大体积|如何处理大体积 XLSX/CSV/TXT 文件（）
- 深入浅出特征工程|深入浅出特征工程 -- 基于 OpenMLDB 的实践指南（下）
- SpringBoot|第四十章（基于SpringBoot & Quartz完成定时任务分布式多节点负载持久化）
- 日常配置|基于虚拟机下的win7系统安装简记
- stm32|基于STM32的智能门禁卡片（开题报告)