用于城市轨道交通短期客流预测的多图卷积网络
物理与社会
2020-08-12 v3
摘要
短期客流预测是城市轨道交通运营中的关键任务。新兴的深度学习技术已成为克服该问题的有效方法。本研究提出一种称为 Conv-GCN 的深度学习架构，结合图卷积网络（GCN）与三维（3D）卷积神经网络（3D CNN）。首先，他们引入多图 GCN 分别处理三种流入与流出模式（近期、每日与每周）。多图 GCN 网络可捕获整个网络内的时空相关性与拓扑信息。随后应用 3D CNN 深度整合流入与流出信息。3D CNN 可提取不同流入与流出模式之间以及邻近与远距离车站之间的高级时空特征。最后，使用全连接层输出结果。Conv-GCN 模型在时间间隔为 10、15 与 30 分钟的北京地铁智能卡数据上评估。结果表明，与另外七个模型相比，该模型性能最佳。在均方根误差方面，三个时间间隔下的性能分别提升了 9.402%、7.756% 与 9.256%。本研究可为地铁运营方优化城市轨道交通运营提供关键见解。
引用
@article{arxiv.2001.07512,
title = {Multi-graph convolutional network for short-term passenger flow forecasting in urban rail transit},
author = {Jinlei Zhang and Feng Chen and Yinan Guo and Xiaohong Li},
journal= {arXiv preprint arXiv:2001.07512},
year = {2020}
}
备注
This paper has been published in IET Intelligent Transport Systems, 2020