用于公交客流短期预测的多图卷积-循环神经网络（MGC-RNN）
机器学习
2022-05-23 v2
摘要
客流短期预测对公交管理与人群调控至关重要。空间依赖、时间依赖、由其他潜在因素驱动的站间关联以及外生因素，给城市轨道交通网络客流的短期预测带来挑战。提出一种创新深度学习方法——多图卷积-循环神经网络（MGC-RNN），以融合这些复杂因素来预测城市轨道交通系统客流。我们提议使用多图来编码空间及其他异构站间关联。所提出的多图卷积-循环神经网络结构还对站间关联的时间动态进行建模。借助序列到序列（seq2seq）架构，可集体预测所有站点多步提前的流入与流出。该方法应用于中国深圳地铁的客流短期预测。实验结果表明，MGC-RNN 在预测精度上优于基准算法。此外，发现由网络距离、网络结构与近期流型驱动的站间关联是客流预测的重要因素。而且，LSTM-encoder-decoder 架构能良好捕捉时间依赖。总体而言，所提框架可为精细预测提供客流动力学的多视角，并展现时空预测任务中多源异构数据融合的可能性。
引用
@article{arxiv.2107.13226,
title = {Multi-Graph Convolutional-Recurrent Neural Network (MGC-RNN) for Short-Term Forecasting of Transit Passenger Flow},
author = {Yuxin He and Lishuai Li and Xinting Zhu and Kwok Leung Tsui},
journal= {arXiv preprint arXiv:2107.13226},
year = {2022}
}
备注
21 pages,15 figures