深度学习识别高密度网络中列车延误的时空级联效应
机器学习
2025-10-13 v1
摘要
铁路网络的运营效率，作为现代经济的基石，持续受到列车延误级联效应的削弱。准确预测这种延误传播是实时交通管理的关键挑战。虽然近期研究利用图神经网络（GNNs）来建模铁路的网络结构，但在开发能够在网络规模上提供多步自回归预测，同时提供实时、可解释的解释以支持决策的框架方面，仍存在显著空白。本论文通过开发和评估一种用于实时、可解释的多步列车延误预测的新型XGeoAI框架来填补这一空白。该工作的核心是一个两阶段自回归图注意力网络（GAT）模型，在覆盖荷兰铁路网络超过40%的真实数据集上进行训练。该模型将系统表示为运营事件（到达和出发）的时空图，并通过包括站台和车站拥堵在内的细粒度特征加以丰富。为测试其在实时部署中的可行性，该模型通过顺序的k步前瞻预测协议进行严格评估，该协议模拟了预测误差可能累积的真实世界条件。结果表明，虽然所提出的GATv2模型在纯误差指标（MAE）上受到更简单的持续性基线的挑战，但在分类延误事件方面始终具有更高的精度——这对于可靠的决策支持工具而言是一个关键优势。
引用
@article{arxiv.2510.09350,
title = {Deep Learning to Identify the Spatio-Temporal Cascading Effects of Train Delays in a High-Density Network},
author = {Vu Duc Anh Nguyen and Ziyue Li},
journal= {arXiv preprint arXiv:2510.09350},
year = {2025}
}
备注
Accepted at SIGSPATIAL 2025 - GeoAI Workshop