黄官伟，郭 巍

（同济大学 经济与管理学院，上海 201804）

0 引 言

目前，许多国家正大力发展以数据为驱动的智能交通系统［1］，预测区域内乘客打车需求是系统中的一个重要组成部分［2］。随着信息技术在交通领域的广泛应用，网约车的出现解决了传统出租车市场“打车难”的问题，成为城市居民出行的主要方式之一。精准的网约车需求预测，可以更合理地指导车辆调度、减少乘客等待时间、提高车辆利用率，进而缓解交通拥堵和节约能源。该任务的主要挑战在于同时捕获复杂的时空依赖关系，受到交通拓扑结构和时间动态性的影响，使得网约车的需求量具有复杂的时空关联。

随着机器学习和深度学习的发展，已有学者将其应用在交通预测领域。K 近邻算法（KNN）［3］、支持向量回归（SVM）［4－6］等基于机器学习的算法比较依赖于特征工程，同时难以计算高维交通数据的时空相关性。由于深度学习技术在语音识别、图像识别、自然语言处理等领域表现出具有构建复杂模型和捕获非线性关系的优势，使得越来越多学者借助深度学习技术捕捉交通数据的动态特征。Zhang 等人［7］根据邻近时间、周期时间和趋势时间的交通数据，使用堆叠的残差单元序列，构建基于卷积的残差神经网络（ST－ResNet）。文献［8－10］融合卷积神经网络（CNN）和长短时记忆网络（LSTM）构建模型，提取交通流的时空特征。在此基础上，Yao 等人［11］引入基于门控机制的局部卷积神经网络，学习空间不同位置上的动态相似性；Zheng 等人［12］加入注意力机制，为不同时间的交通流数据分配不同的权重；……