时空数据挖掘五（城市计算）
Deep Fuzzy Cognitive Maps for Interpretable Multivariate Time Series Prediction
模糊认知图(FCM)是一种功能强大的系统状态预测和可解释知识表示模型。近年来，人们在提高基本FCM方面做出了巨大的努力，如引入时间因素、不确定性或模糊规则来改进解释，以及引入模糊神经网络或小波来改进时间序列预测。但如何在跨领域的实际应用中实现高精度、可解释的预测仍然是一个巨大的挑战。在本文中，我们提出了一种新的FCM扩展，称为深度FCM (DFCM)，用于多元时间序列预测，以同时利用FCM在解释方面的优势和深度神经网络在预测方面的优势。具体来说，为了提高预测能力，DFCM利用一个完全连接的神经网络来建模系统中概念之间的连接(关系)，以及一个循环神经网络来建模影响系统动力学的未知外生因素。此外，为了培养被嵌入的深层结构阻碍的模型可解释性，提出了一种基于偏导数的方法来衡量DFCM中概念之间的联系强度。提出了一种交替函数梯度下降算法进行参数推断。DFCM的有效性在4个公开的数据集上得到了验证，有7个基线。DFCM确实为为现实应用程序构建可解释的预测器提供了重要的线索
ROD-Revenue: Seeking Strategies Analysis and Revenue Prediction in Ride-on-Demand Service Using Multi-Source Urban Data
近年来，Uber、Lyft和滴滴等按需出行(RoD)服务业务快速增长。与出租车服务不同，这些新兴的交通服务使用动态定价来操纵供应和需求，并提高服务响应能力和质量。尽管如此，