BriefGPT - AI 论文速递
·
Spatio-temporal Prediction of Fine-Grained Origin-Destination Matrices and Its Applications in Ridesharing
💡
原文英文，约100词，阅读约需1分钟。
📝
内容提要
本研究提出了一种新颖的OD-CED预测模型，旨在满足共享出行平台的时空预测需求。该模型利用无监督空间粗化技术和编码-解码架构，有效捕捉语义和地理依赖性。实验结果显示，该模型在处理稀疏度超过90%的OD矩阵时，显著优于传统统计方法。
🎯
关键要点
- 本研究提出了一种新颖的OD-CED预测模型，旨在满足共享出行平台的时空预测需求。
- 该模型利用无监督空间粗化技术和编码-解码架构，有效捕捉语义和地理依赖性。
- 实验结果显示，该模型在处理稀疏度超过90%的OD矩阵时，根均方误差减少了45%。
- 加权平均绝对百分比误差减少了60%，显著优于传统统计方法。
🏷️
标签
➡️
