面向交通枢纽的多模式乘客流预测方法：基于时空动态图建模的 MM-STFlowNet
机器学习
2025-04-10 v1 人工智能
摘要
准确、细粒度的乘客流预测对于优化大型交通枢纽中多种收集与分配模式的协同管理至关重要。传统方法通常仅关注整体乘客量，忽略了枢纽内不同模式之间的相互依赖。为此，我们提出了MM-STFlowNet，这是一个基于时空动态图建模的综合性多模式预测框架。首先，采用信号分解和卷积技术实现集成化的时序特征处理策略，以解决数据尖峰和高波动问题。随后，引入时空动态图卷积循环网络（STDGCRN）以捕捉跨多种交通方式的细粒度时空依赖关系，并通过自适应通道注意力机制进行增强。最后，应用自注意力机制以整合各种外部因素，进一步提升预测准确度。在中国广州南铁路站的真实数据集实验中表明，MM-STFlowNet实现了最先进的性能，尤其在高峰时段，为交通枢纽管理提供了宝贵的洞察。
引用
@article{arxiv.2504.06325,
title = {MM-STFlowNet: A Transportation Hub-Oriented Multi-Mode Passenger Flow Prediction Method via Spatial-Temporal Dynamic Graph Modeling},
author = {Ronghui Zhang and Wenbin Xing and Mengran Li and Zihan Wang and Junzhou Chen and Xiaolei Ma and Zhiyuan Liu and Zhengbing He},
journal= {arXiv preprint arXiv:2504.06325},
year = {2025}
}