上海科技大学张海鹏课题组提出了一种新的交通运输需求时空建模方法

对交通运输需求的准确预测有助于提高城市的交通运输效率，降低能源浪费，是一项重要的基础工作。然而该任务的难点在于区域之间复杂的时空关系，具体表现为：1）区域之间存在由多种关系构成的复合关系；2）空间关系具有异质性；3）时间关系和空间关系的同时性。

图1 STHAN框架图

针对以上难点，上海科技大学信息学院张海鹏课题组提出了一个基于时空异构图的运输需求预测模型 (Spatio-Temporal Heterogeneous graph Attention Network, STHAN)。研究团队采用具有多种边类型与元路径的时空异构图来刻画区域之间的多种空间关系和复合关系，设计了一种包括节点层次和元路径层次的层次注意力机制以捕捉空间关系的异质性，并在时空异构图中加入时间类型的边，以期连接过去和现在的区域节点，帮助描摹时间关系和空间关系的同时性。实验证明，研究团队提出的模型在4个真实场景的数据集上均超越了当前最优方法。

相关成果以题为STHAN: Transportation Demand Forecasting with Compound Spatio-Temporal Relationships发表在ACM Transactions on Knowledge Discovery from Data。该期刊是数据挖掘领域的国际知名期刊。

上海科技大学是该成果的第一完成单位，上海科技大学信息学院2020级研究生凌帅为论文的第一作者，张海鹏教授为共同通讯作者。该工作与滴滴出行於喆、曹绍升，浙江大学胡隽教授合作完成。张海鹏课题组（https://faculty.sist.shanghaitech.edu.cn/zhanghp/）致力于挖掘大规模人类行为数据，以探索人类的金融投资、出行、交流与创新行为机制。

论文链接：https://dl.acm.org/doi/full/10.1145/3565578