Joint predictions of multi-modal ride-hailing demands: A deep multi-task multi-graph learning-based approach
Ke Jintao et al. — 2021
Résumé (FR)
Cet article propose une approche d’apprentissage profond multi-tâches et multi-graphes pour la prédiction conjointe des demandes de plusieurs modes de covoiturage. Le modèle établit des réseaux de convolution multi-graphes (MGC) distincts pour chaque mode de service, reliés par des techniques d’apprentissage RCT et MLR. Les demandes pour différents modes sont supposées corrélées, et la prédiction conjointe permet une meilleure allocation des véhicules. Des expériences sur des données réelles de plateformes de covoiturage chinoises valident la supériorité du modèle proposé. Le cadre capture les dépendances spatiales inter-zones ainsi que les corrélations temporelles entre modes. Ce travail ouvre la voie à une gestion intégrée de la demande pour les opérateurs de mobilité multimodale.
Summary (EN)
This paper proposes a deep multi-task multi-graph learning approach for the joint prediction of passenger demands across multiple ride-hailing service modes. The model establishes separate multi-graph convolutional (MGC) networks for different service modes, connected via RCT and MLR learning techniques. Demands for different modes are assumed correlated, and joint prediction enables better vehicle resource allocation. Experiments on real data from Chinese ride-hailing platforms validate the superiority of the proposed model. The framework captures inter-zone spatial dependencies and temporal correlations between service modes. This work paves the way for integrated demand management for multimodal mobility operators.
Points clés
| Aspect | Détail |
|---|---|
| Architecture | Réseaux de convolution multi-graphes (MGC) distincts par mode, connectés via apprentissage multi-tâches (RCT et MLR) |
| Données | Données réelles de plateformes de covoiturage chinoises (multi-modes) |
| Apport principal | Prédiction conjointe et corrélée de la demande multi-modale, supérieure aux prédictions indépendantes par mode |
| Dépendances capturées | Dépendances spatiales inter-zones et corrélations temporelles entre modes de service |
| Application | Meilleure allocation des ressources véhicules pour les opérateurs de mobilité multimodale |
Lien avec mes recherches
Ce travail est directement pertinent pour modéliser la demande dans un système de mobilité partagée multi-agents, où les interactions entre modes génèrent des propriétés émergentes au niveau du système. La modélisation conjointe des corrélations spatiales et temporelles entre modes rejoint la question de savoir comment des comportements locaux d’agents (passagers, véhicules) produisent des structures globales de demande. Le cadre multi-graphes offre également une piste méthodologique pour représenter les interdépendances de réseau dans une simulation multi-agents de covoiturage.