基于元学习的城市轨道交通新运营站点短期客流预测
机器学习
2022-10-14 v1 系统与控制
系统与控制
摘要
准确的城市轨道交通站点短期客流预测对合理配置资源、缓解拥堵和降低运营风险大有裨益。然而，与数据丰富的站点相比，新运营站点的客流预测受限于客流数据量，这会降低预测精度并增加站点管理与运营难度。因此，如何以有限数据准确预测新运营站点客流是一个亟待解决的问题。现有客流预测方法通常依赖充足数据，可能不适用于新运营站点。为此，我们提出一种名为元长短期记忆网络（Meta-LSTM）的元学习方法来预测新运营站点客流。Meta-LSTM 旨在构建一个框架，通过从多个数据丰富站点学习客流特征，再以参数初始化将所学参数应用于数据稀缺站点，从而提升长短期记忆网络（LSTM）对各种客流特征的泛化能力。Meta-LSTM 应用于中国南宁、杭州和北京的地铁网络。在三个真实地铁网络上的实验证明了我们所提 Meta-LSTM 优于若干具有竞争力的基线模型。结果还表明，我们所提 Meta-LSTM 对各种客流特征具有良好的泛化能力，可为有限数据站点的客流预测提供参考。
引用
@article{arxiv.2210.07098,
title = {Meta-learning Based Short-Term Passenger Flow Prediction for Newly-Operated Urban Rail Transit Stations},
author = {Kuo Han and Jinlei Zhang and Chunqi Zhu and Lixing Yang and Xiaoyu Huang and Songsong Li},
journal= {arXiv preprint arXiv:2210.07098},
year = {2022}
}
备注
37 pages, 13 figures, 3 tables