IPF-HMGNN：一种新颖的地铁客流集成预测框架
计算机与社会
2024-09-24 v1
摘要
城市地铁系统的运营与管理依赖于对未来客流的准确预测。尽管利用所有可用信息有可能提升客流预测的准确性，但鲜有研究关注乘客进出站所采集的票种与其产生的客流之间的层级关系。为此，我们提出了一种新颖的具层级消息传递图神经网络的集成预测框架（IPF-HMGNN）。该框架由三个部分组成：初始预测、任务判定与层级协调模块。以中国无锡地铁网络为例，我们研究了两种预测方法：(i) 传统预测方法，即模型直接预测站点客流；以及 (ii) 层级预测方法，即在考虑层级约束（即每种票型预测客流之和等于预测的站点聚合客流）的情况下，同时进行票型与站点客流的预测。实验结果表明，在传统预测方法中，我们的 IPF-HMGNN 能够将 GNN 预测模型的平均绝对误差（MAE）与均方根误差（RMSE）分别显著降低 49.56% 与 53.88%。在层级预测方法中，IPF-HMGNN 在满足层级约束的同时，MAE 最多可降低 35.32%，RMSE 最多可降低 36.18%。
引用
@article{arxiv.2409.14104,
title = {IPF-HMGNN: A novel integrative prediction framework for metro passenger flow},
author = {Wenbo Lu and Yong Zhang and Hai L. Vu and Jinhua Xu and Peikun Li},
journal= {arXiv preprint arXiv:2409.14104},
year = {2024}
}