ترجمه فارسی مقاله یادگیری نمودار پویا برای پیش بینی رفتار مسافر

چکیده

Passenger behavior prediction aims to track passenger travel patterns through historical boarding and alighting data, enabling the analysis of urban station passenger flow and timely risk management. This is crucial for smart city development and public transportation planning. Existing research primarily relies on statistical methods and sequential models to learn from individual historical interactions, which ignores the correlations between passengers and stations. To address these issues, this paper proposes DyGPP, which leverages dynamic graphs to capture the intricate evolution of passenger behavior. First, we formalize passengers and stations as heterogeneous vertices in a dynamic graph, with connections between vertices representing interactions between passengers and stations. Then, we sample the historical interaction sequences for passengers and stations separately. We capture the temporal patterns from individual sequences and correlate the temporal behavior between the two sequences. Finally, we use an MLP-based encoder to learn the temporal patterns in the interactions and generate real-time representations of passengers and stations. Experiments on real-world datasets confirmed that DyGPP outperformed current models in the behavior prediction task, demonstrating the superiority of our model.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی رفتار مسافر با هدف ردیابی الگوهای مسافرتی مسافر از طریق داده های شبانه روزی تاریخی و داده های برجسته ، امکان تجزیه و تحلیل جریان مسافر ایستگاه شهری و مدیریت به موقع ریسک را فراهم می کند.این برای توسعه شهر هوشمند و برنامه ریزی حمل و نقل عمومی بسیار مهم است.تحقیقات موجود در درجه اول به روشهای آماری و مدلهای پی در پی متکی است تا از تعامل های تاریخی فردی بیاموزد ، که همبستگی بین مسافران و ایستگاه ها را نادیده می گیرد.برای پرداختن به این موضوعات ، این مقاله DYGPP را پیشنهاد می کند ، که از نمودارهای پویا برای گرفتن تکامل پیچیده رفتار مسافر استفاده می کند.اول ، ما مسافران و ایستگاه ها را به عنوان راس های ناهمگن در یک نمودار پویا ، با اتصالات بین رئوس که نشان دهنده تعامل بین مسافران و ایستگاه ها است ، رسمی می کنیم.سپس ، ما از توالی های تعامل تاریخی برای مسافران و ایستگاه ها به طور جداگانه نمونه می گیریم.ما الگوهای زمانی را از توالی های فردی ضبط می کنیم و رفتار زمانی بین دو دنباله را با هم ارتباط می دهیم.سرانجام ، ما از یک رمزگذار مبتنی بر MLP برای یادگیری الگوهای زمانی در تعامل و تولید بازنمایی در زمان واقعی مسافران و ایستگاه ها استفاده می کنیم.آزمایشات روی مجموعه داده های دنیای واقعی تأیید کرد که DYGPP از مدل های فعلی در کار پیش بینی رفتار بهتر عمل می کند و برتری مدل ما را نشان می دهد.