基于時空融合圖的共享單車需求預測系統(tǒng)

馬云鶴，王玉玫，趙宇帆

(華北計算技術研究所，北京 100083)

關鍵字：共享單車系統(tǒng)；需求預測；時空融合圖；自注意力；圖卷積網(wǎng)絡

0 引言

隨著近年來共享經(jīng)濟的發(fā)展，共享單車因其便利和低碳環(huán)保的特性被廣泛應用于城市公共交通。其能夠有力地解決短途出行問題，被譽為解決大眾交通中“最后一公里”的好幫手，有效緩解了城市道路交通擁堵問題[1]。

共享單車系統(tǒng)可以分為無樁和有樁兩種。在無樁共享單車系統(tǒng)中，共享單車被分散在城市的各個街道，用戶可以在運營區(qū)域內(nèi)任意一點借用和歸還共享單車。相比之下，有樁系統(tǒng)可以更好地對共享單車進行管理與維護。此外，在包含共享電動單車的有樁系統(tǒng)中，站點可以作為共享電動單車的充電站。因此，有樁共享單車系統(tǒng)一直在市場中占有重要地位[2]。

有樁共享單車系統(tǒng)也有一些缺點，其中最主要的是每個站點的共享單車分布不均衡，進而導致用戶可能面臨無車可借和無樁可還兩個問題。這種共享單車分布不均的問題，主要是由用戶出行行為的相似性和集中性導致的[3]。用戶通常早上出門上班，這時位于居民區(qū)的共享單車需求量大，可能會導致無車可借;相反，位于工作區(qū)的共享單車在早上過剩，可能會造成無樁可還。晚上的情況則正好相反。這兩種情況都會導致共享單車在城市中不同時間、不同站點的分布不均衡。針對這種分布不均衡的問題，主要通過使用搬運車在站點之間人工搬運的方式解決。同時也需要一個精確的需求預測模型，來解決共享單車的調(diào)度問題。

共享單車的需求預測問題是一個典型的時空數(shù)據(jù)預測問題，其數(shù)據(jù)分布在連續(xù)空間上的固定時間點和空間點，具有時間相關性和空間相關性，以及兩個維度耦合在一起的時空動態(tài)相關性[4]。因此，挖掘非線性時空數(shù)據(jù)中復雜的時空特征是處理時空數(shù)據(jù)預測問題的關鍵點。

為此，本文提出了一種新的基于時空融合圖的注意力網(wǎng)絡模型。該模型使用圖1所示的時空融合連接方式，將不同時間片的相同車站節(jié)點進行連接，形成一張大的時空融合圖，在此基礎上采用Transformer[5]的網(wǎng)絡結構進行預測，并重新實現(xiàn)了其中的基本算子，主要有：為解決時空融合后節(jié)點數(shù)量倍增導致的計算量平方增長問題，我們將傳統(tǒng)的自注意力機制替換為基于概率稀疏[6]的自注意力機制；將全連接層替換為相鄰時間片的圖卷積層，以增強模型的圖結構表達能力；此外，為補充一些外部特征，在位置嵌入(position embedding)部分除傳統(tǒng)的相對時間關系嵌入外，還增加了空間位置、天氣、絕對時間等特征。

圖1 時空融合圖

1 共享單車系統(tǒng)時空需求預測概述

1.1 共享單車系統(tǒng)

作為共享經(jīng)濟的重要組成部分，共享單車系統(tǒng)因其低碳、環(huán)保、操作方便、健康等優(yōu)點在全球許多城市得到普及。共享單車系統(tǒng)的發(fā)展主要可以分為三代，分別是：1)免費共享單車系統(tǒng)，即早期歐洲的共享單車系統(tǒng)，其特點是小規(guī)模、非盈利，主要關注社會和環(huán)境問題；2)投幣押金式共享單車系統(tǒng)，即對單車增加硬幣存取鎖裝置，共享單車設有固定的存放地點，用戶在使用過后也需要在指定區(qū)域歸還；3)基于“互聯(lián)網(wǎng)+”的共享單車系統(tǒng)，即以互聯(lián)網(wǎng)、GPS等技術為基礎，由企業(yè)運營的線上支付的共享單車系統(tǒng)。

當前對共享單車系統(tǒng)的研究主要從4個方向展開，分別是：系統(tǒng)設計、系統(tǒng)預測、系統(tǒng)操作與系統(tǒng)建議。

系統(tǒng)設計包括站點數(shù)量、站點位置、站點容量、站點的共享單車數(shù)量等的設計。顯然，隨著站點數(shù)量及其容量的增加，對共享單車重新平衡的需求將減少。然而，這樣的增加會給共享單車系統(tǒng)運營商帶來成本。因此，在系統(tǒng)設計階段，需要對成本和需求進行合理的平衡。

系統(tǒng)預測主要包括數(shù)據(jù)收集以及預測共享單車在空間和時間維度的需求。共享單車的需求預測過程是相當復雜的，涉及用戶流動性建模和跨空間和時間域的交通預測。除了正常的時間和空間維度的行為預測之外，還需要對突發(fā)的社會事件或交通事故進行及時的反應和預測，這種影響也會在時空維度進行傳播。

系統(tǒng)操作指的是為了解決站點內(nèi)共享單車分布不均的問題，企業(yè)需要對共享單車分布失衡的站點內(nèi)的單車數(shù)量進行重新平衡。在再分配過程中，通常使用大型卡車運輸共享單車，根據(jù)站點內(nèi)單車的過多和不足情況，在不同的站點存取單車。系統(tǒng)預測的工作可以發(fā)現(xiàn)潛在的不平衡，很大程度上決定了再分配的效果。

系統(tǒng)建議是指運營系統(tǒng)可以向用戶提出一些出行建議，主要包括兩方面，一是附近可以租用或歸還的站點信息；二是可以在站點的選擇上給出建議，例如當兩個共享單車站點對用戶來說代價相等時，系統(tǒng)可以建議用戶將共享單車歸還到共享單車數(shù)量較少的站點，以增加整個系統(tǒng)的均衡性，提高長期服務水平。

在以上四個方向當中，系統(tǒng)預測是系統(tǒng)操作和系統(tǒng)建議的前提，是共享單車系統(tǒng)的關鍵點與難點，也是本文研究的重點。

1.2 時空數(shù)據(jù)預測

時空數(shù)據(jù)是對連續(xù)空間中多個研究對象的動態(tài)變化過程進行采樣獲得的信息，反映了連續(xù)空間中變量隨時間的變化趨勢。時空數(shù)據(jù)主要具有以下特點：一是時空動態(tài)性，這也是時空預測中最重要的一點。這意味著在預測時空序列時，既要考慮時間維度的依賴性，又要考慮空間維度的依賴性，且隨著時間的推進，空間維度的相關性也會動態(tài)變化[7]；二是高維性。時空數(shù)據(jù)除了具有時間和空間兩個維度，還有屬性維度等多維特征。因此在時空序列的預測中，可以利用時空維度以外的多維屬性特征來捕獲附加信息，例如天氣、是否工作日等；三是海量性，時空序列數(shù)據(jù)來源廣泛、積累時間長，對海量時空序列數(shù)據(jù)的有效處理是時空序列預測的重要目標。

傳統(tǒng)的時間序列預測問題常用的算法有自回歸移動平均模型(ARMA，autoregressive moving average model)、自回歸綜合移動平均模型(ARIMA，autoregressive integrated moving average mode)[8]以及季節(jié)性自回歸綜合移動平均模型(SARIMA，seasonal ARIMA)等。隨著機器學習方法的成熟，越來越多的研究者專注于建立基于大量歷史數(shù)據(jù)的非線性時間序列預測模型的研究，經(jīng)典的模型有基于核方法的支持向量回歸(SVR，support vector regression)[9]、隨機森林(RF，random forests)[10]和迭代決策樹(GBRT，gradient boosting regression tree)[11]等。

近年來，深度學習在很多領域取得了巨大突破，循環(huán)神經(jīng)網(wǎng)絡(RNN，recurrent neural network)被廣泛用于解決時間序列預測問題。然而對于較長的時間序列，梯度消失等問題限制了RNN的預測精度。為了解決這些問題，研究者提出了長短期記憶網(wǎng)絡(LSTM，long short-term memory)[12]及其變體門控循環(huán)單元(GRU，gate recurrent unit)[13]，通過在RNN的基礎上添加多個閾值門來平衡記憶和遺忘。受到自然語言處理領域中注意力機制的啟發(fā)，一些研究人員[14]將注意力機制引入基于LSTM的編解碼框架，在編碼器和解碼器之間，采用一個注意力層來轉換編碼的交通特征，以對過去和未來的時間步驟之間的直接相關性進行建模。

在空間維度上，常使用卷積神經(jīng)網(wǎng)絡(CNN，convolutional neural network)來捕獲非線性的空間相關性。ConvLSTM[15]模型是全連接LSTM的一個擴展，它使用CNN和LSTM分別對空間和時間的相關性進行建模。ST-ResNet[16]是一個基于CNN殘差網(wǎng)絡的城市人流預測模型，其利用深度殘差網(wǎng)絡在時空網(wǎng)格數(shù)據(jù)的建模能力來捕獲時空相關性。

但CNN只能捕獲網(wǎng)格結構數(shù)據(jù)上各位置的局部空間相關性。近年來，圖卷積網(wǎng)絡(GCN，graph convolutional network)逐漸興起，以共享單車站點為代表的典型空間數(shù)據(jù)源都具有天然的圖結構，通過設計基于圖的空間數(shù)據(jù)表示方法，可以提取網(wǎng)格結構無法描述的特征。DCRNN[17]將GCN引入到時空數(shù)據(jù)預測中，它采用擴散圖卷積網(wǎng)絡來對空間特征進行提取，采用RNN來提取時間相關性。STGCN[18]在使用圖卷積的同時加入了CNN來捕獲時間依賴性。ASTGCN[4]在時間和空間兩個維度都使用注意機制來捕捉動態(tài)的時間相關性和空間相關性。WaveNet[19]設計了一個自適應矩陣，以將節(jié)點及其鄰居之間的影響變化考慮在內(nèi)，其使用擴散卷積對時間相關性進行建模，使得感受野指數(shù)級增加。

雖然GCN能在一定程度上解決CNN存在的問題，但上述工作都是分別對時間和空間特征進行建模，忽略了時空動態(tài)相關性，即，一個區(qū)域的交通狀態(tài)除了與該區(qū)域的歷史狀態(tài)相關外，也可能與其他區(qū)域的歷史狀態(tài)相關。為此，ST-3DNet[20]將三維卷積引入時空預測領域，可以有效地從空間和時間兩個維度混合提取特征，其使用兩個組件來分布處理局部時間特征和長期時間特征。STSGCN[21]和STFGNN[22]均使用時空融合圖的方式，同時提取時間和空間的動態(tài)特征。這種在時空融合圖的基礎上進行特征提取的方式可以直接捕獲時空依賴關系，也是本文中模型的思想來源。

具體到共享單車的需求預測問題，文獻[23]以套索回歸、嶺回歸、隨機森林和迭代決策樹等機器學習模型，探討了共享單車短期需求預測的主要影響因素，并進行了比較分析。文獻[24]提出了新型基于站點聚類的共享單車需求預測算法，通過構建單車轉移網(wǎng)絡計算站點活躍度，將距離相近和用車模式相似的站點聚合到一個聚簇中，利用多特征LSTM對向量內(nèi)的特征信息進行學習和訓練。文獻[25]采用時空圖卷積神經(jīng)網(wǎng)絡作為預測模型，在頻譜域卷積中使用切比雪夫多項式來降低網(wǎng)絡的復雜度，在空間域卷積中以門控圖結構作為空間維度的信息傳遞模型。而在本文中，提出了一種新的基于時空融合圖的注意力網(wǎng)絡模型，可以更充分的捕獲共享單車系統(tǒng)的時空動態(tài)相關性，為系統(tǒng)預測提供算法支持。

2 符號與問題定義

3 基于時空融合圖的自注意力網(wǎng)絡

本文提出一種基于時空融合圖的自注意力網(wǎng)絡，以解決共享單車的需求預測問題，整體架構如圖2所示。其本質上仍是編解碼器架構(Encoder-Decoder)，其中編碼器由多個編碼層組成，解碼器也是由相同層數(shù)的解碼層組成。Transformer在時間序列預測領域的成功證明了這種網(wǎng)絡結構的時間特征提取能力。

圖2 基于時空融合圖的注意力網(wǎng)絡模型

在本文網(wǎng)絡模型中，編碼層由概率稀疏自注意力和相鄰時間片圖卷積兩個模塊組成，其中自注意力模塊主要計算每個節(jié)點與其他部分節(jié)點的相關性；圖卷積模塊主要為增強模型對復雜過程的表達能力，特別是在圖結構下的表達能力。解碼層在編碼層的兩個模塊的基礎上，增加了概率稀疏跨注意力模塊，用來將編碼器的信息傳遞給解碼器。此外，在每個模塊之后增加了殘差連接和層歸一化操作。殘差連接可以在一定程度上解決網(wǎng)絡層數(shù)過深帶來的梯度消失和權重矩陣退化的問題；層歸一化則可以規(guī)范優(yōu)化空間，保證數(shù)據(jù)特征分布的穩(wěn)定性，加速模型收斂。

在編解碼器之外，我們還將天氣特征、空間位置特征、相對時間特征、絕對時間特征等多個外部特征通過嵌入的方式與模型內(nèi)部的維度統(tǒng)一，并與輸入數(shù)據(jù)相加，以補充輸入數(shù)據(jù)的時空位置信息以及外部特征。模型的輸入由τ個時間片內(nèi)所有節(jié)點的全部特征構成，輸出為τ+1時刻的空間圖結果，然后遞歸地執(zhí)行τp次即可得到待預測的全部結果。

3.1 時空融合圖的構建

以圖3所示的時空圖為例，其中存在三種不同的相關性?？臻g相關性指的是時空圖中的每個節(jié)點可以直接影響同時刻的鄰居節(jié)點，這種影響來源于實際的空間依賴關系；同時，由于時間序列中的相關性，每個節(jié)點也可以直接影響下一時刻的同位置節(jié)點，這表現(xiàn)為時空融合圖中的時間相關性。此外，由于某站點的借車數(shù)據(jù)可以影響到其相鄰站點的還車數(shù)據(jù)，即每個節(jié)點可以直接影響下一時刻的鄰居節(jié)點，故時空圖中還存在直接的時空相關性。這三種不同相關性的存在是因為時空圖中的信息傳播同時在空間和時間兩個維度上發(fā)生。

圖3 時間相關性、空間相關性與時空相關性

由于騎行的空間距離和時間范圍的局限性，這些復雜的時空關聯(lián)通常被局部化，稱為局部的時空相關性。此外，由于某一屬性的區(qū)域內(nèi)的節(jié)點具有一些共性，以及時間的周期性規(guī)律，時空數(shù)據(jù)整體上也表現(xiàn)會出全局的時空相關性，如住宅區(qū)上午上班時的借用情況可能與工作區(qū)晚上下班時的借用情況類似。

因此，本文通過建立時空融合圖的方式對原始數(shù)據(jù)進行建模，時空融合圖把相鄰時刻的相同節(jié)點進行連接。如圖1所示，時空融合圖使得原先τ個時間片的包括N個節(jié)點的空間圖變?yōu)橐粋€包含τ×N個節(jié)點的時空融合圖。圖4為時空融合圖的鄰接矩陣，其中A為空間圖的鄰接矩陣，I為單位矩陣。在此時空融合圖上使用圖卷積操作，即可同時提取每個節(jié)點的時間和空間兩個維度的特征；使用自注意力機制，即可計算任意兩個不同時空位置的節(jié)點的相關性，這就使得我們的模型具有強大的時空動態(tài)特征提取能力。

但與此同時，節(jié)點倍增也帶來了時間復雜度和空間復雜度的平方級增長，這就需要我們采取一些優(yōu)化策略，具體而言，我們的模型通過采用概率稀疏注意力機制和相鄰時間片的圖卷積操作，來降低時空復雜度。

圖4 時空融合圖的鄰接矩陣

3.2 概率稀疏自注意力機制

注意力機制[26]是自然語言處理中基于編解碼器的翻譯系統(tǒng)的改進，被廣泛用于包括計算機視覺、語音處理等其他領域。隨著Transformer的提出，自注意力機制逐漸成為了研究熱點，其通過計算序列中不同位置的相關性，來提取序列的時間特征。然而，其在計算自注意力時的時間復雜度和空間復雜度均為O(n2)，其中n為節(jié)點個數(shù)，在處理大量節(jié)點問題時具有一定的局限性。

為此，Informer[6]提出了一種新的概率稀疏自注意力機制，其時間和空間復雜度均為O(nlog(n))，以解決長序列時序預測(LSTF，long sequence time-series forecasting)問題。具體而言，在傳統(tǒng)的自注意力機制中，每一對輸入都會進行注意力的計算，導致在處理長時間序列時計算量過大。研究中發(fā)現(xiàn)注意力映射圖(attention map)的高激活值較為稀疏，且激活值服從長尾分布(long-term distribution)，即序列中的某個元素一般只會和少數(shù)幾個元素具有較高的關聯(lián)性。概率稀疏自注意力的核心思想就是找到這些重要的Q向量，從而只計算這些Q向量的注意力值，來提高計算效率。

LSTF與時空融合圖面臨的都是大量節(jié)點場景，因此，我們在時空融合圖上采用概率稀疏自注意力機制，以降低時空節(jié)點相關性計算時的復雜度。

3.3 相鄰時間片圖卷積

GCN可以分為空域和頻域兩種類型，頻域中的一種簡化形式[27]為:

(1)

(2)

其中：N(u)為節(jié)點u的一階鄰居。

可以看出，對于此GCN而言，某個節(jié)點的特征值僅與其一階鄰居有關。因此，在對時空融合圖的節(jié)點進行一次圖卷積操作時，只需要考慮其空間圖中的一階鄰居和其前后兩個時間點，此時可以捕獲圖3中的空間相關性和時間相關性；在對時空融合圖進行兩次圖卷積操作時，即可捕獲時空相關性。

此外，由于兩次圖卷積只涉及到二階鄰居節(jié)點的消息傳遞，采用相鄰五個時間片的時空融合圖的圖卷積結果與采用全部時間片的時空圖的圖卷積結果相同。因此，在實際進行時空融合圖卷積時，我們將時空融合圖重新劃分為多個具有五個時間片的小型時空融合圖，在此基礎上進行圖卷積操作，以進一步降低計算量和內(nèi)存占用。

3.4 多特征嵌入

自注意力機制只能計算節(jié)點之間數(shù)據(jù)的相關性，而忽略了節(jié)點在時空圖中的位置相關特征。因此，Transformer中采用位置嵌入的方式，補充提供每個數(shù)據(jù)的相對時間信息。而在本文中，除了傳統(tǒng)的時間特征需要嵌入外，還需要對空間圖中的節(jié)點位置關系進行嵌入操作，對包括絕對時間特征、天氣特征在內(nèi)的外部特征進行嵌入操作。具體而言如下：

相對時間嵌入采用Transformer中的位置嵌入函數(shù)。對于τ時刻的任意節(jié)點:

PEpos,2i=sin·(pos/100002i/dmodel)

(3)

PEpos,2i+1=cos·(pos/100002i/dmodel)

(4)

其中:pos為相對時間位置，dmodel為輸入到嵌入層的維度，i∈[0,dmodel)表示嵌入層的第i個維度。

空間嵌入即為空間圖嵌入，目的是得到網(wǎng)絡中節(jié)點的低維向量表示。具體而言，對空間圖中的每個節(jié)點v∈V，計算一個dmodel?|V|維度的向量。在本文模型中使用Node2vec[28]算法來計算圖嵌入，相比于Deepwalk中圖的隨機游走策略，Node2Vec通過調(diào)整隨機游走的概率，使得圖嵌入的結果在“同質性”和“結構性”中進行權衡。

對于天氣與絕對時間特征，采用一個簡單的全連接網(wǎng)絡，將每個時間點的天氣與時間特征計算出一個dmodel維度的向量。

通過對以上多種特征進行融合，得到一個綜合嵌入，然后將其與原始數(shù)據(jù)相加，作為編解碼器的輸入。

4 實驗

4.1 數(shù)據(jù)集與數(shù)據(jù)處理

本文使用2019年芝加哥市Divvy共享單車系統(tǒng)數(shù)據(jù)集(https://divvy-tripdata.s3.amazonaws.com/index.html)，以及對應時間的芝加哥天氣數(shù)據(jù)(https://mesowest.utah.edu/cgi-bin/droman/download_api2.cgi?stn=KMDW)進行實驗，使用過去24小時的數(shù)據(jù)預測未來24小時的數(shù)據(jù)。數(shù)據(jù)集按季度分為四組，每組的前60%作為訓練集，中間20%作為測試集，最后20%作為驗證集。

共享單車站點流量數(shù)據(jù)每30分鐘統(tǒng)計一次，因此每個站點每天包含48組數(shù)據(jù)，此外，使用滑動窗口的方式生成連續(xù)時間序列段。例如Q1共有90天，即4 320個時間點，使用滑動窗口得到4 225個長度為96的連續(xù)時間序列段；進一步將前面的2 535個序列段作為訓練集，中間845個序列段作為測試集，最后845個序列段作為驗證集。

在構建空間圖時，如果共享單車站點之間的距離超過10 km[29]，則認為共享單車站點之間不存在連接；反之，則認為存在連接。

Divvy數(shù)據(jù)集共有691個共享單車站點，我們將其中分布較為集中的137個站點產(chǎn)生的數(shù)據(jù)集記為Divvy(S)，將完整數(shù)據(jù)集記為Divvy(L)，以驗證本文的模型具有較好的全局時空相關性的捕獲能力。

4.2 基準方法與評價指標

在本節(jié)中，我們將本文的模型與以下六種現(xiàn)有的時空預測方法進行對比，以驗證我們模型的有效性。

SVR[9]：一種監(jiān)督學習算法，利用線性支持向量機進行回歸。

LSTM[12]：RNN的一種變體，用于時間序列預測的長短期記憶網(wǎng)絡。

ConvLSTM[15]：全連接LSTM的一個擴展，它使用CNN和LSTM分別對空間和時間的相關性進行建模。

DCRNN[17]：采用擴散圖卷積網(wǎng)絡和基于seq2seq的GRU對交通圖序列數(shù)據(jù)進行預測。

ASTGCN[4]：通過空間注意機制和時間注意機制來模擬空間和時間的動態(tài)相關性。

STSGCN[21]：提出了一種新的卷積運算，可以同時捕獲時空相關性。

我們采用平均絕對誤差(MAE，mean absolute error)作為模型的損失函數(shù)，采用均方誤差(RMSE，root mean square error)和MAE作為評價指標，具體公式如下：

(5)

(6)

4.3 實驗結果與分析

將我們的模型與以上基準模型在Divvy(S)和Divvy(L)的四組數(shù)據(jù)集上進行對比，實驗結果如表1和表2所示。

表1 不同模型在Divvy(S)上的預測結果對比(Q1-Q4)

表2 不同模型在Divvy(L)上的預測結果對比(Q1-Q4)

從中可以看出，我們的模型在所有數(shù)據(jù)集上的兩個指標都達到了最佳。其中，適用于時間序列預測的LSTM與SVR由于缺少對空間相關性的捕獲能力，結果較差。ConvLSTM是應用于空間網(wǎng)格數(shù)據(jù)的模型，在輸入時將原始數(shù)據(jù)重構為網(wǎng)格格式的數(shù)據(jù)；其余模型則是基于空間圖數(shù)據(jù)的模型，采用的是鄰接矩陣作為輸入?；诰W(wǎng)格的模型由于無法捕獲圖結構中更加豐富的空間信息，其效果差于采用基于圖的模型。而在幾個基于圖的模型之中，DCRNN沒有考慮時空中的動態(tài)相關性，ASTGCN考慮到了時間動態(tài)相關性和空間動態(tài)相關性，STSGCN在ASTGCN的基礎上，進一步考慮局部時空動態(tài)相關性，而我們的模型更進一步，通過在時空融合圖上使用自注意力機制，可以捕獲全局時空動態(tài)相關性，實驗結果也驗證了我們的特征提取能力。

圖5 模型在兩個測試用例上的預測情況

通過兩張表的對比可知，我們的模型在Divvy(L)上較Divvy(S)有最為明顯的提升，這是由于區(qū)域內(nèi)節(jié)點具有某些共性以及時間的周期性規(guī)律，導致時空數(shù)據(jù)整體上表現(xiàn)出的全局時空相關性。這也顯示了在較大空間圖上，這種全局時空動態(tài)相關性的重要性。

圖5為我們的模型在Divvy(L)數(shù)據(jù)集的第173號站點和482號站點的兩個測試用例上的預測情況，從中可以看出，我們的預測結果與真實數(shù)據(jù)有較強的一致性。

5 結束語

共享單車作為一種新的公共交通形式，極大地豐富了人們的出行方式。然而，在實際應用中，由于用戶出行習慣的相似性和集中性，常常會導致各個站點的共享單車分布不均衡，使得用戶面臨無車可借及無樁可還的問題。為此，本文提出了一種新的基于時空融合圖的注意力網(wǎng)絡模型，采用Transformer網(wǎng)絡結構進行預測，并重新實現(xiàn)了其中的基本算子，以捕獲站點之間的時空動態(tài)相關性。實驗表明，我們的模型在Divvy真實數(shù)據(jù)集上的表現(xiàn)優(yōu)于以往的模型。在未來的研究中，我們將對時空融合圖進行更細化的設計，考慮時間邊和空間邊的異質性，更加針對性地設計時空融合圖的嵌入方式。