一種基于時空動態(tài)圖注意力網(wǎng)絡(luò)的共享出行需求預(yù)測方法

駢緯國，吳映波，陳 蒙，蔡俊鵬

（1. 重慶大學(xué)汽車協(xié)同創(chuàng)新中心，重慶 400044；2. 重慶大學(xué)大數(shù)據(jù)與軟件學(xué)院，重慶 400044）

1 引言

隨著移動互聯(lián)網(wǎng)和共享經(jīng)濟在全球的迅速發(fā)展，共享出行在出行服務(wù)中開始扮演越來越重要的角色.滴滴出行、優(yōu)步、Grab 和長安出行等在線共享出行平臺，為人們的出行提供了一種更加便利的方式. 準(zhǔn)確的共享出行需求預(yù)測可有效協(xié)助平臺分配車輛、提高車輛利用率、減少用戶等待時間、緩解交通堵塞等［1］.

共享出行需求預(yù)測是一類基于歷史數(shù)據(jù)的空間和時間特征來預(yù)測未來需求的時空數(shù)據(jù)挖掘任務(wù). 在最新的相關(guān)研究工作中，學(xué)者們往往使用圖卷積網(wǎng)絡(luò)（Graph Convolutional Network，GCN）來提取城市中的非歐氏空間相關(guān)性特征［1～3］. 但傳統(tǒng)的GCN 模型在提取空間相關(guān)性特征時存在著為不同的鄰居節(jié)點（區(qū)域）分配相同的重要性系數(shù)或權(quán)重［4］的問題. 此外，現(xiàn)有的基于GCN 的時空預(yù)測方法在構(gòu)建城市結(jié)構(gòu)圖時，往往是基于區(qū)域地理近鄰關(guān)系來建立圖中節(jié)點（區(qū)域）之間邊的關(guān)系. 這種方式所構(gòu)建的城市結(jié)構(gòu)圖是一種在不同的時間間隔中保持一致的非時間特定性的靜態(tài)空間圖結(jié)構(gòu)，不利于針對不同的時間間隔來動態(tài)地提取空間相關(guān)性特征.

針對上述問題，本文提出一種基于時空動態(tài)圖注意力網(wǎng)絡(luò)（Spatial-Temporal Dynamic Graph Attention Networks，STDGAT）的共享出行需求預(yù)測方法. 在STDGAT 中，圖注意力網(wǎng)絡(luò)（Graph Attention Network，GAT）［4］被用來提取區(qū)域間的非歐氏空間相關(guān)性特征.基于注意力機制［5］，GAT可為城市結(jié)構(gòu)圖中節(jié)點的不同的鄰居節(jié)點自適應(yīng)分配不同的重要性系數(shù)，以實現(xiàn)對不同鄰居區(qū)域的自適應(yīng)重要性分配. 此外，該方法使用基于通勤關(guān)系的時間特定性動態(tài)空間圖結(jié)構(gòu)，以建立在不同時間間隔具有時間特定性的動態(tài)空間關(guān)聯(lián)性.具體而言，如圖1 所示，若在時間間隔t中存在從區(qū)域A到區(qū)域B的用車通勤，但不存在從區(qū)域B到區(qū)域A的用車通勤，則在時間間隔t中的城市空間圖中存在從節(jié)點A到節(jié)點B的有向邊，但不存在從節(jié)點B到節(jié)點A的有向邊，即對于節(jié)點A來說，節(jié)點B是其鄰居節(jié)點，但對于節(jié)點B來說，節(jié)點A不是其鄰居節(jié)點. 如果在時間間隔t中，區(qū)域A和區(qū)域B之間不存在用車通勤（雙向均不存在），則在時間間隔t中節(jié)點A和節(jié)點B之間不存在任何邊連接關(guān)系，即節(jié)點A和節(jié)點B互相不為鄰居節(jié)點. 通過這種方式，城市空間圖可由靜態(tài)的圖結(jié)構(gòu)變?yōu)榫哂袝r間特定性的動態(tài)圖結(jié)構(gòu)，以此來建立具有時間特定性的動態(tài)空間關(guān)聯(lián)性.

圖1 城市的不同區(qū)域

通過在一個大規(guī)模的共享出行數(shù)據(jù)集上對本文提出的基于STDGAT 的共享出行需求預(yù)測方法進行實驗驗證. 實驗結(jié)果表明，該方法在RMSE，MAPE 和MAE 3個評價指標(biāo)上均優(yōu)于相關(guān)基準(zhǔn)比較方法.

2 相關(guān)工作

傳統(tǒng)的時空預(yù)測方法主要依賴時間序列中的統(tǒng)計信息來回歸得到最終的預(yù)測結(jié)果. 自回歸移動平均模型（Autoregressive Integrated Moving Average，ARIMA）是其中的一個代表性方法，并在一些傳統(tǒng)的交通預(yù)測任務(wù)中得到了廣泛的應(yīng)用［6，7］. 胡文斌等人［8］提出了用于城市交通導(dǎo)航的多路口導(dǎo)航量搜索方法. 為了提高模型的預(yù)測準(zhǔn)確率，一些額外的信息也被研究人員加入模型中來輔助模型的預(yù)測，例如天氣狀況和節(jié)假日信息等［9～12］.

近年來，研究人員開始廣泛應(yīng)用深度學(xué)習(xí)方法來解決相關(guān)問題.Zhang 等人［9］提出了一個基于深度卷積神經(jīng)網(wǎng)絡(luò)的方法來預(yù)測城市人流量，在此之后，他們進一步將殘差連接［13］加入他們的模型中，并提出了用于城市人流量預(yù)測的ST-ResNet［10］. Wang 等人［14］提出了用于出租車供需預(yù)測的多層全連接神經(jīng)網(wǎng)絡(luò). Yu 等人［15］和Zhao 等人［16］分別提出了基于長短期記憶（Long Short-Term Memory，LSTM）和雙向長短期記憶（Bi-directional Long Short-Term Memory，BiLSTM）的時空預(yù)測方法. Yao 等人［17］使用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）來提取聯(lián)合時空特征，并在此基礎(chǔ)上使用了圖嵌入（Graph Embedding）方法來獲取遠距離區(qū)域之間的語義相關(guān)性特征.Qiu等人［18］提出了一個用于出租車起始點-終點需求預(yù)測的情景化時空網(wǎng)絡(luò).

為了捕獲不規(guī)則的非歐幾里得空間相關(guān)性，Li 等人［3］提出了用于交通預(yù)測的基于擴散卷積的循環(huán)神經(jīng)網(wǎng)絡(luò)；Yu 等人［2］提出了基于GCN 的STGCN 模型；在這之后，Geng 等人［1］構(gòu)建了基于鄰居關(guān)系、功能相似性和交通連通性的多圖結(jié)構(gòu)模型，以此來捕獲更加多樣性的非歐氏空間相關(guān)性.

3 基于時空動態(tài)圖注意力網(wǎng)絡(luò)的共享出行需求預(yù)測方法

3.1 共享出行需求預(yù)測問題定義

共享出行需求預(yù)測任務(wù)是一種基于歷史時空數(shù)據(jù)的時間序列預(yù)測任務(wù)，具體而言，是根據(jù)過去多個連續(xù)時間間隔中的需求序列數(shù)據(jù)來預(yù)測未來一個時間間隔中全局需求量的任務(wù). 其中給定的歷史需求序列是從時間間隔t-L+ 1到當(dāng)前時間間隔t.

本文首先根據(jù)真實的地理坐標(biāo)（經(jīng)度和緯度）對整個城市進行分割，因此每個區(qū)域的真實形狀是規(guī)則的矩形，并被抽象成一個點來進行建模. 因此，預(yù)測任務(wù)可以表示為

其中，Xt表示在t時刻所有區(qū)域的需求量的集合，F(xiàn)(·)表示預(yù)測模型.

3.2 模型整體結(jié)構(gòu)

圖2 展示了STDGAT 的整體框架結(jié)構(gòu).STDGAT 由空間模塊、時間模塊和輸出預(yù)測層3個部分組成.

圖2 模型整體框架結(jié)構(gòu)

3.2.1 空間模塊

空間模塊（Spatial Module）用于在每個時間間隔中，提取全局的空間特征. 空間模塊包含一個由多個圖注意力層（Graph Attention Layer，GAT）層組成的GAT Block. 其內(nèi)部結(jié)構(gòu)如圖3所示.

圖3 GAT Block內(nèi)部結(jié)構(gòu)

GAT 層通過學(xué)習(xí)節(jié)點間的注意力因子來更新每個節(jié)點的隱藏特征. 通過使用GAT 層來提取空間相關(guān)性特征，模型為城市結(jié)構(gòu)圖中節(jié)點的不同鄰居節(jié)點分配了不同的重要性系數(shù)，從而實現(xiàn)了自適應(yīng)的空間相關(guān)性特征提取. 具體的操作過程如下所述.

被GAT 層操作的圖被定義為G =（V，E），其中，V和E分別表示圖G中的節(jié)點和邊的集合. 在節(jié)點集合V中vi表示節(jié)點集合V中的第i個節(jié)點. 基于上述定義，節(jié)點vi在第l層的特征向量表示為hi∈Rd(l)，其中，d(l)表示節(jié)點vi在第l層的特征向量的長度. 為了在不同的時間間隔中提取具有時間特定性的動態(tài)空間相關(guān)性特征，STDGAT 基于區(qū)域間通勤關(guān)系構(gòu)建了具有時間特定性的動態(tài)空間圖結(jié)構(gòu)，并在空間模塊中使用GAT 層來自適應(yīng)地提取具有時間特定性的動態(tài)空間關(guān)聯(lián)性特征. 因此，上述概念被進一步定義為，Gt= (V，Et)和∈Rd(l)，分別表示在時間間隔t中的節(jié)點、圖和特征向量.

圖4 圖注意力層

其中，W∈Rd(l+1)×d(l)是第l層的可訓(xùn)練參數(shù)，a(·，·)是用于計算節(jié)點和節(jié)點之間關(guān)聯(lián)性的函數(shù). 需要注意的是，，其中表示節(jié)點在時間間隔t中的鄰居節(jié)點的集合. 關(guān)于函數(shù)a(·，·)的選擇，學(xué)者們通常使用一個可訓(xùn)練的前饋神經(jīng)網(wǎng)絡(luò)［4］. 因此，在t時刻，節(jié)點vti與其鄰居節(jié)點之間的注意力因子可以被表示為

其中，(·)T和||分別表示矩陣的轉(zhuǎn)置操作和拼接操作. 在進行完上述操作之后，softmax 函數(shù)被用來對注意力因子進行歸一化操作.

最后，通過使用上述歸一化注意力因子來加權(quán)求和得到節(jié)點vti新的特征向量，具體過程為

在GAT Block中，每個GAT層的操作被表示為

其中，Xt l∈RN×d(l)表示在時間間隔t中第l個GAT 層的輸入，fl(·)表示第l個圖注意力層的操作，N和d(l)分別表示城市的區(qū)域總數(shù)和第l層中每個節(jié)點的特征向量長度. 因此，時間間隔t中的需求Xt在經(jīng)過GAT Block之后變?yōu)?/p>

其中，Xt′ ∈RN×d表示在時間間隔t中從GAT Block輸出的空間特征，d表示在經(jīng)過了GAT Block 之后每個節(jié)點的特征向量長度. 在經(jīng)過了圖注意力操作之后，在時間間隔t中從GAT Block 輸出的特征矩陣Xt′被展開為一個特征向量θt∈RNd. 最后，長度為L的需求序列經(jīng)過空間模塊后，輸出的空間特征序列St+1∈RL×Nd表示為

3.2.2 時間模塊

在時間依賴性建模中，循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Networks，RNN）已被證明可以取得良好的效果［19］，長短期記憶（LSTM）的引入克服了傳統(tǒng)的RNN 難以學(xué)習(xí)長期依賴性關(guān)系的缺點［20］. 此外，已有的關(guān)于時空預(yù)測的文獻表明，LSTM 在處理這種時序數(shù)據(jù)時具有優(yōu)異的表現(xiàn)［1，17，18］. 因此，本文在STDGAT 的時間模塊（Temporal Module）中，使用了LSTM 來對需求序列的時間依賴性進行建模.

LSTM 引入了一個記憶單元ct來累積序列中之前時刻的信息. 具體而言，在t時刻，給定輸入xt，LSTM 使用一個輸入門it和一個遺忘門ft來更新記憶單元ct，并且使用一個輸出門ot來控制隱藏狀態(tài)ht. 其表達式為

其中，°表示Hadamard 乘積，σ表示sigmoid 激活函數(shù)，Wpq和bpq(p∈(i，h)，q∈(i，f，g，o))為LSTM 的可訓(xùn)練參數(shù)，ct和ht分別表示在t時刻記憶單元狀態(tài)和隱藏狀態(tài).關(guān)于更多LSTM的細節(jié)，請參考文獻［20～22］.

如圖2 所示，LSTM 將空間模塊輸出的空間特征序列St+1作為輸入，然后輸出時空聯(lián)合特征向量βt+ 1∈Rk.

3.2.3 輸出預(yù)測層

輸出預(yù)測層（Prediction Layer）旨在將聯(lián)合特征向量βt+1映射為需求向量，以此作為最終的預(yù)測結(jié)果. 本文使用了一個具有N個神經(jīng)元的全連接層作為最后的輸出預(yù)測層（N代表城市中的區(qū)域總數(shù)）. 輸出預(yù)測層的公式可表示為

其中，+1表示最終的預(yù)測結(jié)果，WFC和bFC分別表示輸出預(yù)測層的權(quán)重和偏置，f(·)為激活函數(shù).

4 實驗與分析

4.1 實驗數(shù)據(jù)集與參數(shù)設(shè)置

本文實驗使用來自滴滴出行的共享出行數(shù)據(jù)集（https：//gaia.didichuxing.com）. 該數(shù)據(jù)集包含海口市從2017 年5 月1 日到2017 年10 月31 日的共享出行訂單數(shù)據(jù)，數(shù)據(jù)集包含有121 個區(qū)域，每個區(qū)域的大小約為1 km × 1 km. 在本文實驗中，時間間隔設(shè)置為1 h，數(shù)據(jù)集中的總訂單數(shù)為12 185 427，總時間間隔數(shù)為4 416.

并將2017 年5 月1 日至2017 年9 月30 日的數(shù)據(jù)作為訓(xùn)練集，剩余數(shù)據(jù)（2017年10月1日至2017年10月31日）作為測試集. 在訓(xùn)練集中，80%的數(shù)據(jù)用來訓(xùn)練模型，剩余20%用作驗證集.

在STDGAT中，輸入序列長度L被設(shè)置為5. 在空間模塊中，GAT Block 包含3 個GAT 層，每一層均包含32個隱藏單元. 在時間模塊中，LSTM 的隱藏層數(shù)量為1，并包含512個神經(jīng)元.GAT層中的激活函數(shù)為LeakyRe-LU，在輸出預(yù)測層中的激活函數(shù)為ReLU. 本文通過Adam［23］優(yōu)化器來對網(wǎng)絡(luò)進行優(yōu)化. 在訓(xùn)練過程中，學(xué)習(xí)率和權(quán)重衰減值分別為1e-3 和5e-5. 模型的代碼基于深度學(xué)習(xí)庫Pytorch［24］編寫，并在兩塊NVIDIA 1080Ti GPU上進行訓(xùn)練，最大訓(xùn)練輪數(shù)為200.

4.2 損失函數(shù)

在訓(xùn)練階段，STDGAT 使用均方誤差（Mean Square Error，MSE）作為損失函數(shù)，并通過使其最小化的方式來訓(xùn)練模型.MSE的公式可表示為

其中，Θ 表示模型的所有可訓(xùn)練參數(shù)，yi和分別表示真實值和預(yù)測值，z表示訓(xùn)練樣本的總數(shù).

4.3 評價指標(biāo)

本文采用了3 種適用于共享出行需求預(yù)測任務(wù)的評價指標(biāo)，分別為均方根誤差（Rooted Mean Square Error，RMSE），平均百分比誤差（Mean Average Percentage Error，MAPE）和平均絕對誤差（Mean Absolute Error，MAE），計算式為

其中，yi和分別表示真實值和預(yù)測值，z表示測試樣本的總數(shù).

4.4 與基準(zhǔn)模型的對比

將STDGAT 分別與歷史平均（Historical Average，HA）、自回歸移動平均（Autoregressive Integrated Moving Average，ARIMA）、Lasso 回歸（Lasso regression，Lasso）、嶺回歸（Ridge regression，Ridge）、XGBoost［25］、多層感知機（Multiple Layer Perception，MLP）、DMVST-Net［17］、DCRNN［3］、STGCN［2］、ST-MGCN［1］基準(zhǔn)預(yù)測方法進行實驗對比分析. 表1展示了基準(zhǔn)模型和STDGAT的實驗結(jié)果. 從表中可以看出，STDGAT 在3 個評價指標(biāo)上均達到了最佳效果.HA 和ARIMA 的預(yù)測誤差最大，這是由于這2個模型只能依靠歷史真實的數(shù)據(jù)值來進行預(yù)測，并沒有考慮任何相關(guān)特征的提取. 由于考慮了序列中更多的上下文信息，線性回歸模型（Lasso和Ridge）的表現(xiàn)要優(yōu)于HA 和ARIMA. 但是，線性回歸模型同樣無法提取更多的特征來進行預(yù)測，因此線性回歸方法的預(yù)測誤差依然較大. XGBoost 和MLP 進一步對輸入序列進行了變換，并提取了序列中的隱藏特征，因此，它們的表現(xiàn)相比于上述4 種方法，得到了進一步的提升. 但是，XGBoost和MLP依然沒能在空間維度或時間維度上對數(shù)據(jù)進行建模.

表1 與基準(zhǔn)模型的對比

4 個深度學(xué)習(xí)方法（DMVST-Net，DCRNN，STGCN，ST-MGCN）進一步考慮了時空依賴，因此它們達到了較為理想的效果. 與這3 種方法相比，由于考慮了不同鄰居區(qū)域間的自適應(yīng)空間相關(guān)性和具有時間特定性的動態(tài)空間圖結(jié)構(gòu)，STDGAT 的表現(xiàn)更加優(yōu)異. 具體而言，DMVST-Net 在提取全局空間特征時，僅僅將一個固定的靜態(tài)圖嵌入到一個向量中，這種方式對于提取自適應(yīng)和動態(tài)空間相關(guān)性具有局限性. DCRNN，STGCN 和ST-MGCN 對區(qū)域間的非歐氏空間相關(guān)性進行了建模.但是，由于這兩種方法在對非歐氏空間相關(guān)性進行建模時，使用的是傳統(tǒng)的GCN 模型，因此這兩種方法只能使每個區(qū)域為其不同的鄰居區(qū)域分配相同的重要性系數(shù). 此外，DCRNN，STGCN 與ST-MGCN 并沒有考慮具有時間特定性的動態(tài)空間圖結(jié)構(gòu)，因此，它們的效果相比于STDGAT要略顯遜色.

4.5 在不同時間的實驗結(jié)果

為探討在不同時間段上預(yù)測效果的差異，本文分別在不同時間段中進行了實驗.

圖5 展示了在一周7 天中，STDGAT 和所有基準(zhǔn)模型的表現(xiàn). 圖6展示了在一周7天中，STDGAT 與4個深度學(xué)習(xí)基準(zhǔn)模型的表現(xiàn). 如圖中所示，STDGAT 在各個時間段上都取得了最佳的表現(xiàn)，這證明了STDGAT具有很好的魯棒性. 表2展示了STDGAT和基準(zhǔn)模型分別在工作日和周末的實驗結(jié)果. 如表中所示，STDGAT 無論是在工作日還是周末都具有最佳的效果.

圖5 模型在不同天的表現(xiàn)

圖6 深度學(xué)習(xí)模型在不同天的表現(xiàn)

但實驗結(jié)果中所有方法在工作日的表現(xiàn)均優(yōu)于在周末的表現(xiàn). 其中的原因在Yao 等人［17］的工作中得到了相關(guān)解釋，即相比于工作日的需求模式，周末的需求模式要更加不規(guī)則. 由于規(guī)則的需求模式更加有利于模型去學(xué)習(xí)，因此在工作日中，模型的表現(xiàn)要更加優(yōu)于在周末的表現(xiàn).

4.6 STDGAT的變體模型

STDGAT 有2 個不同的特征提取模塊：空間模塊和時間模塊. 為了探索這2 個模塊對預(yù)測結(jié)果的影響，本文構(gòu)建如下變體模型.（1）Spatial module + Prediction layer. 該網(wǎng)絡(luò)由STDGAT 的空間模塊和輸出預(yù)測層組成. 該網(wǎng)絡(luò)僅提取空間特征來進行預(yù)測，以此來探討在缺乏時間特征提取時模型的性能.（2）Temporal module+ Prediction layer. 該網(wǎng)絡(luò)由STDGAT 的時間模塊和輸出預(yù)測層組成. 該網(wǎng)絡(luò)僅提取時間特征來進行預(yù)測，以此來探討在缺乏空間特征提取時模型的性能.

表3展示了上述變體模型與完整版STDGAT的實驗結(jié)果對比. 在缺少了空間模塊或時間模塊時，STDGAT的效果會得到大幅度下降. 由此可見，空間模塊和時間模塊在STDGAT中均具有重要的作用，兩者缺一不可.

表3 不同模塊的表現(xiàn)對比

實驗也表明了STDGAT 在共享出行需求預(yù)測任務(wù)中達到了優(yōu)異的效果，也驗證了不同特征提取模塊的合理性和有效性.

針對基于通勤關(guān)系的時間特定性空間圖結(jié)構(gòu)，本文構(gòu)建了STDGAT-fixed 變體模型進行實驗對比，以此來驗證其有效性.

STDGAT-fixed是STDGAT的變體，在提取空間特征時，該模型使用了一種在不同時間間隔中保持固定的靜態(tài)空間圖結(jié)構(gòu)，這種圖結(jié)構(gòu)是基于真實的區(qū)域地理鄰接關(guān)系構(gòu)建的，以此來代替STDGAT中基于通勤關(guān)系的時間特定性空間圖結(jié)構(gòu).

STDGAT-fixed 與STDGAT 的實驗結(jié)果對比如表4所示. 其中，STDGAT 的3 個評價指標(biāo)上的表現(xiàn)均優(yōu)于STDGAT-fixed，這意味著本文所提出的基于通勤關(guān)系的時間特定性空間圖結(jié)構(gòu)在共享出行需求預(yù)測任務(wù)中，具有比傳統(tǒng)的基于區(qū)域真實地理鄰接關(guān)系的圖結(jié)構(gòu)更加優(yōu)異的表現(xiàn). 這也證明了在圖學(xué)習(xí)中，相比于靜態(tài)的空間圖結(jié)構(gòu)，動態(tài)空間圖結(jié)構(gòu)是一種更加可行有效的圖表示學(xué)習(xí)方式.

表4 STDGAT與變體模型STDGAT-fixed的對比

4.7 序列長度與GAT層數(shù)對實驗結(jié)果的影響

實驗分別探討了輸入到模型中的序列長度與GAT層數(shù)對預(yù)測結(jié)果的影響.

圖7 展示了輸入序列長度對預(yù)測結(jié)果的影響. 如圖中所示，當(dāng)輸入序列長度為5時，模型達到最佳性能.當(dāng)輸入序列長度小于5時，預(yù)測誤差隨著序列長度的增加而減小，這表示隨著序列長度的增加，模型可以學(xué)習(xí)到更長的時間依賴性信息，這些信息有助于對結(jié)果的預(yù)測. 但是當(dāng)輸入序列長度大于5 時，模型的效果會有略微下降，并伴隨著一些波動. 造成這種現(xiàn)象的一個潛在原因是，隨著輸入序列長度的增加，輸入到模型中的信息量呈線性增長，因此模型需要將更多的信息與梯度計算過程聯(lián)系起來，并會造成一定程度上的信息丟失，因此訓(xùn)練過程會變得更加困難.

圖7 不同輸入序列長度的實驗結(jié)果（RMSE）

圖8 展示了空間模塊中GAT Block 中的GAT 層數(shù)對實驗結(jié)果的影響. 從圖中可以看出，隨著GAT 層數(shù)由0 增加到5，RMSE 值逐漸降低. 這意味著，隨著GAT層數(shù)的增加，模型的效果變得更好. 造成這種現(xiàn)象的原因可解釋為，隨著層數(shù)的加深，原始的特征將進一步和其鄰居中的特征進行聚合，這將使較深的層具有更大的感受野. 由于更大的感受野可以捕獲更多的空間關(guān)聯(lián)性，因此，隨著層數(shù)的加深，模型可以學(xué)習(xí)更多的空間信息來提高其性能.

圖8 不同GAT層數(shù)的實驗結(jié)果（RMSE）

5 結(jié)論

本文提出了一種用于共享出行需求預(yù)測的時空動態(tài)圖注意力網(wǎng)絡(luò). 針對共享出行需求預(yù)測在空間特征提取時存在的非自適應(yīng)鄰居區(qū)域重要性分配和靜態(tài)空間相關(guān)性建模的問題，本文基于圖注意力網(wǎng)絡(luò)和時間特定性動態(tài)空間圖結(jié)構(gòu)有效地解決了這2個問題，并通過大量的實驗驗證了模型的有效性和合理性，為未來的相關(guān)研究工作提供了參考.