One Model Fits All: Cross-Region Taxi-Demand Forecasting

要約

配車サービスの需要の高まりにより、正確なタクシー需要予測の必要性が高まっています。
既存のシステムは特定の地域に限定されており、目に見えない領域への汎用性が欠けています。
この論文では、グラフ ニューラル ネットワークを活用して都市環境の空間依存性とパターンを捕捉する、新しいタクシー需要予測システムを紹介します。
さらに、提案されたシステムは領域中立アプローチを採用しており、目に見えない領域を含む任意の領域に適用できるモデルをトレーニングできます。
これを実現するために、フレームワークには、入力特徴を領域固有のコンポーネントと領域中立のコンポーネントに分解する変分オートエンコーダーの機能が組み込まれています。
地域に依存しない機能により、地域を越えたタクシー需要の予測が容易になり、このモデルをさまざまな都市エリアにわたって適切に一般化できます。
実験結果は、これまで観察されていなかった地域であっても、タクシー需要を正確に予測する際の提案されたシステムの有効性を実証し、タクシーサービスを最適化し、より広範な規模で輸送効率を改善する可能性を示しています。

要約(オリジナル)

The growing demand for ride-hailing services has led to an increasing need for accurate taxi demand prediction. Existing systems are limited to specific regions, lacking generalizability to unseen areas. This paper presents a novel taxi demand forecasting system that leverages a graph neural network to capture spatial dependencies and patterns in urban environments. Additionally, the proposed system employs a region-neutral approach, enabling it to train a model that can be applied to any region, including unseen regions. To achieve this, the framework incorporates the power of Variational Autoencoder to disentangle the input features into region-specific and region-neutral components. The region-neutral features facilitate cross-region taxi demand predictions, allowing the model to generalize well across different urban areas. Experimental results demonstrate the effectiveness of the proposed system in accurately forecasting taxi demand, even in previously unobserved regions, thus showcasing its potential for optimizing taxi services and improving transportation efficiency on a broader scale.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google