CSP-AIT-Net：基于对比学习增强的时空图注意框架用于异步 inflow 跟踪的短期地铁OD流预测
机器学习
2025-02-11 v2 人工智能
计算工程、金融与科学
摘要
准确的起点-终点（OD）乘客流量预测对于提高地铁系统效率、优化调度和改善乘客体验至关重要。然而，当前模型往往未能有效捕捉OD流的异步离站特征，同时 underutilize（未能充分利用）进站和离站数据，这限制了其预测精度。为此，我们提出CSP-AIT-Net，一种新型时空图注意框架，旨在通过整合异步 inflow 跟踪和先进的车站语义表示来增强OD流量预测。我们的框架通过首先预测离站量，然后利用时空图注意机制分解OD流，重新构筑OD流预测范式。为提高计算效率，我们引入掩码机制，提出集成进站和OD流并满足守恒约束的异步乘客流图。此外，我们采用对比学习从地铁车站中提取高维土地利用语义，丰富了对乘客 mobility 模式的上下文理解。基于上海地铁系统的验证表明，CSP-AIT-Net在状态方法之外的短期OD流预测精度得到提升。本工作促进了地铁运营效率、调度精度和整体系统安全性。
引用
@article{arxiv.2412.01419,
title = {CSP-AIT-Net: A contrastive learning-enhanced spatiotemporal graph attention framework for short-term metro OD flow prediction with asynchronous inflow tracking},
author = {Yichen Wang and Chengcheng Yu},
journal= {arXiv preprint arXiv:2412.01419},
year = {2025}
}
备注
Due to unresolved disagreements among the authorship team regarding the interpretation of the findings and attribution of contributions