《表4 灾害等级与灾度：面向出租车需求预测的多因素时空图卷积网络》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《面向出租车需求预测的多因素时空图卷积网络》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

将本文提出的MFSTGCN模型和五种基准模型应用于三个不同的数据集，预测出租车需求，其实验结果如表4所示。从表中可知，时间序列模型（HA，ARIMA）的预测表现较差（表4并未展示曼哈顿数据下HA模型，海口市数据集下HA、ARIMA模型的预测结果，这是因为其实验结果不好）。OLSR和SVR等机器学习模型从多种特征中学习，能够捕捉未来出租车需求与四种因素间的依赖关系，因此，与时间序列模型相比，OLSR和SVR的预测表现有所提升。然而，此类机器学习模型缺乏挖掘高度非线性时空依赖性的能力，故其预测误差普遍高于下列深度学习模型STGCN和MFSTGCN。STGCN模型通过时空卷积块结构有效捕捉出租车需求预测中复杂的时空依赖关系，因此，STGCN模型的预测结果优于上述时间序列模型和机器学习模型。然而，STGCN模型忽略了区域间潜在空间依赖关系以及区域历史流入量等因素的影响。MFSTGCN模型设计多个组件分别捕捉这些因素，故MFSTGCN模型在实验中预测误差最小。基于RMSE、MAE、MAPE三个评估指标下，在布鲁克林区数据集MFSTGCN模型的预测精度相较于STGCN模型有5.0%、4.6%、3.9%。类似地，在曼哈顿区数据集有9.0%、7.6%、7.5%的提升而在海口市数据集有13.4%、13.9%、10.2%的提升。