Urban ride-hailing demand prediction is a long-term but challenging task for online car-hailing system decision, taxi scheduling and intelligent transportation construction. Accurate urban ride-hailing demand prediction can improve vehicle utilization and scheduling, reduce waiting time and traffic congestion. Existing traffic flow prediction approaches mainly utilize region-based situation awareness image or station-based graph representation to capture traffic spatial dynamic while we observe that combination of situation awareness image and graph representation are also critical for accurate forecasting. In this paper, we propose the Multiple Spatio-Temporal Information Fusion Networks (MSTIF-Net), a novel deep learning approach to better fuse multiple situation awareness information and graphs representation. MSTIF-Net model integrates structures of Graph Convolutional Neural Networks (GCN), Variational Auto-Encoders (VAE) and Sequence to Sequence Learning (Seq2seq) model to obtain the joint latent representation of urban ride-hailing situation that contain both Euclidean spatial features and non-Euclidean structural features, and capture the spatio-temporal dynamics. We evaluate the proposed model on two real-world large scale urban traffic datasets and the experimental studies demonstrate MSTIF-Net has achieved superior performance of urban ride-Hailing demand prediction compared with some traditional state-of-art baseline models.

对于在线乘车系统决策，出租车调度和智能交通建设，城市乘车需求预测是一项长期但具有挑战性的任务。准确的城市乘车需求预测可以提高车辆利用率和调度，减少等待时间和交通拥堵。现有的交通流量预测方法主要利用基于区域的态势感知图像或基于站的图表示来捕获交通空间动态，同时我们观察到，将态势感知图像和图表示结合起来对于准确预测也至关重要。在本文中，我们提出了多时空信息融合网络（MSTIF-Net），这是一种新颖的深度学习方法，可以更好地融合多态势感知信息和图形表示。MSTIF-Net模型集成了图卷积神经网络（GCN），变分自动编码器（VAE）和序列到序列学习（Seq2seq）模型的结构，以获得城市乘车情况的联合潜在表示，其中既包含欧几里得空间特征，又包含非欧几里得的结构特征，并捕获时空动力学。我们在两个现实世界的大规模城市交通数据集上评估了提出的模型，实验研究表明，MSTIF-Net与某些传统的现有基准模型相比，在城市乘车需求预测方面表现出色。变分自动编码器（VAE）和序列到序列学习（Seq2seq）模型可获取城市乘车情况的联合潜在表示，其中既包含欧几里得空间特征又包含非欧几里得结构特征，并捕获时空动态。我们在两个现实世界的大规模城市交通数据集上评估了提出的模型，实验研究表明，MSTIF-Net与某些传统的现有基准模型相比，在城市乘车需求预测方面表现出色。变分自动编码器（VAE）和序列到序列学习（Seq2seq）模型可获取城市乘车情况的联合潜在表示，其中既包含欧几里得空间特征又包含非欧几里得结构特征，并捕获时空动态。我们在两个现实世界的大规模城市交通数据集上评估了提出的模型，实验研究表明，MSTIF-Net与某些传统的现有基准模型相比，在城市乘车需求预测方面表现出色。