面向城市轨道交通短时客流预测的深度学习架构
信号处理
2021-08-09 v4
摘要
短时客流预测是城市轨道交通运营的重要组成部分。新兴的深度学习模型为提升预测精度提供了良好思路。因此，我们提出一种结合残差网络（ResNet）、图卷积网络（GCN）和长短期记忆（LSTM）（称为“ResLSTM”）的深度学习架构，用于在路网尺度上预测城市轨道交通短时客流。首先，给出了 ResNet、GCN 和注意力 LSTM 模型的改进方法。然后，提出模型架构，其中 ResNet 用于捕捉地铁站点间深层的抽象空间相关性，GCN 用于提取路网拓扑信息，注意力 LSTM 用于提取时间相关性。该模型架构包含四个分支，分别用于 inflow、outflow、图网络拓扑以及天气状况与空气质量。据我们所知，这是首次考虑空气质量指标并量化其对预测精度的影响。最后，将 ResLSTM 应用于北京地铁，采用三种时间粒度（10、15 和 30 分钟）进行短时客流预测。ResLSTM 与多种当前最优（SOTA）模型的预测性能对比说明了 ResLSTM 的优势与鲁棒性。此外，对 10、15 和 30 分钟时间粒度下预测精度的对比表明，预测精度随时间粒度增大而提高。本研究可为地铁运营者利用深度学习模型进行短时客流预测提供思路。
引用
@article{arxiv.1912.12563,
title = {Deep-learning Architecture for Short-term Passenger Flow Forecasting in Urban Rail Transit},
author = {Jinlei Zhang and Feng Chen and Zhiyong Cui and Yinan Guo and Yadi Zhu},
journal= {arXiv preprint arXiv:1912.12563},
year = {2021}
}
备注
in IEEE Transactions on Intelligent Transportation Systems