DST-TransitNet：面向可扩展高效站点级运输乘客量预测的动态时空深度学习模型
机器学习
2024-10-22 v1 人工智能
计算机与社会
社会与信息网络
摘要
准确预测公共交通乘客量对于高效规划和管理快速增长的城市交通系统至关重要。意外的乘客增加会导致车厢拥挤、boarding时间延长以及服务中断。传统时间序列模型如ARIMA和SARIMA在短期预测和空间与时间特征集成方面存在局限，尤其在处理乘客模式的动态特性时往往忽略相邻站点之间的空间相关性。深度学习（DL）模型作为一种有前景的替代方案，能够有效捕捉空间和时间特征，在短期预测任务中展现出优异性能。然而，动态空间特征提取、精度与计算效率之间的平衡以及可扩展性等挑战仍然存在。本文引入DST-TransitNet，一种用于站点级乘客量系统级预测的混合深度学习模型。该模型使用图神经网络（GNN）和循环神经网络（RNN）动态整合站点间变化的时空相关性。模型还采用精确的时间序列分解框架以提升精度和可解释性。在测试于波哥大BRT系统数据之外，针对三个不同社交情景，DST-TransitNet在精度、效率和鲁棒性方面均超越了当前最先进的模型。同时，该模型在长期预测间隔内保持稳定，证明其具有实际应用价值。
引用
@article{arxiv.2410.15013,
title = {DST-TransitNet: A Dynamic Spatio-Temporal Deep Learning Model for Scalable and Efficient Network-Wide Prediction of Station-Level Transit Ridership},
author = {Jiahao Wang and Amer Shalaby},
journal= {arXiv preprint arXiv:2410.15013},
year = {2024}
}
备注
16 pages, 22 figures. Accepted by TRB 2025