探究基于深度学习的公交/有轨电车到达时间预测中的过度平稳化：分析与非平稳效应恢复

公共交通车辆的到达时间预测（ATP）对于改善乘客体验和支持交通管理至关重要。由于深度学习能够建模非线性与时间动态特性，其在 ATP 中展现出卓越的性能。在多步 ATP 中，非平稳数据会因变量联合分布沿时间方向的变化而导致模型性能下降。以往的研究主要采用归一化方法来消除时间序列中的非平稳性，从而获得更好的可预测性。然而，归一化可能会掩盖非平稳性中固有的有用特征，这被称为过度平稳化。在本研究中，为了在可预测性与非平稳性之间取得权衡，提出了一种用于多步 ATP 的新方法，命名为非平稳 ATP（NSATP）。该方法包含两个阶段：序列平稳化和非平稳效应恢复。第一阶段旨在提高可预测性。对于后者，NSATP 将一种最先进的方法从一维扩展到二维基础模型，以捕捉时间序列中的隐藏周期性，并通过从原始数据中学习缩放和平移因子设计了过度平稳化补偿模块。收集了 Dresden 125 天的公共交通运营数据进行验证。实验结果表明，与基线方法相比，所提出的 NSATP 对于有轨电车的 RMSE、MAE 和 MAPE 分别降低了 2.37%、1.22% 和 2.26%，对于公交车分别降低了 1.72%、0.60% 和 1.17%。