Transportation demand forecasting is a topic of large practical value. However, the model that fits the demand of one transportation by only considering the historical data of its own could be vulnerable since random fluctuations could easily impact the modeling. On the other hand, common factors like time and region attribute, drive the evolution demand of different transportation, leading to a co-evolving intrinsic property between different kinds of transportation. In this work, we focus on exploring the co-evolution between different modes of transport, e.g., taxi demand and shared-bike demand. Two significant challenges impede the discovery of the co-evolving pattern: (1) diversity of the co-evolving correlation, which varies from region to region and time to time. (2) Multi-modal data fusion. Taxi demand and shared-bike demand are time-series data, which have different representations with the external factors. Moreover, the distribution of taxi demand and bike demand are not identical. To overcome these challenges, we propose a novel method, known as co-evolving spatial temporal neural network (CEST). CEST learns a multi-view demand representation for each mode of transport, extracts the co-evolving pattern, then predicts the demand for the target transportation based on multi-scale representation, which includes fine-scale demand information and coarse-scale pattern information. We conduct extensive experiments to validate the superiority of our model over the state-of-art models.

中文翻译：

---

城市交通的脉搏：探索时空预测的共同演化模式

交通需求预测是一个具有很大实用价值的课题。但是，仅考虑其自身历史数据来满足一种运输需求的模型可能会很脆弱，因为随机波动很容易影响建模。另一方面，时间、地域属性等共同因素驱动不同交通方式的演化需求，导致不同交通方式之间具有共同演化的内在属性。在这项工作中，我们专注于探索不同交通方式之间的共同进化，例如出租车需求和共享单车需求。两个重大挑战阻碍了协同演化模式的发现：（1）协同演化相关性的多样性，其因地区和时间而异。(2) 多模态数据融合。出租车需求和共享单车需求是时间序列数据，与外部因素有不同的表示。此外，出租车需求和自行车需求的分布并不完全相同。为了克服这些挑战，我们提出了一种新方法，称为协同进化时空神经网络 (CEST)。CEST 学习每种交通方式的多视图需求表示，提取协同演化模式，然后基于多尺度表示预测目标交通的需求，包括细尺度需求信息和粗尺度模式信息。我们进行了广泛的实验，以验证我们的模型优于最先进的模型。为了克服这些挑战，我们提出了一种新方法，称为协同进化时空神经网络 (CEST)。CEST 学习每种交通方式的多视图需求表示，提取协同演化模式，然后基于多尺度表示预测目标交通的需求，包括细尺度需求信息和粗尺度模式信息。我们进行了广泛的实验，以验证我们的模型优于最先进的模型。为了克服这些挑战，我们提出了一种新方法，称为协同进化时空神经网络 (CEST)。CEST 学习每种交通方式的多视图需求表示，提取协同演化模式，然后基于多尺度表示预测目标交通的需求，包括细尺度需求信息和粗尺度模式信息。我们进行了广泛的实验，以验证我们的模型优于最先进的模型。其中包括细尺度需求信息和粗尺度模式信息。我们进行了广泛的实验，以验证我们的模型优于最先进的模型。其中包括细尺度需求信息和粗尺度模式信息。我们进行了广泛的实验，以验证我们的模型优于最先进的模型。