基于多图归纳表示学习的大规模城市铁路需求预测：应对干扰情形
机器学习
2025-05-27 v2
摘要
随着城市发展，城市铁路（URT）网络也显著扩大。需求预测在支持规划、调度、车队管理及其他运营决策方面发挥着重要作用。本研究提出一种称为Multi-Graph Inductive Representation Learning（mGraphSAGE）的起点-终点（OD）需求预测模型，用于大规模URT网络下的运营不确定性情境。我们的主要贡献有两个：我们通过同时依赖于多个图来增强预测结果，同时确保大规模网络的可扩展性，其中每个OD配对是图中的一个节点，且不同OD关系（如时空相关性）得以体现；我们展示了在日常运营中将运营不确定性（如列车延误和取消）作为输入对于需求预测的重要性。该模型在丹麦哥本哈Registry的三个不同规模的URT网络上进行验证。实验结果表明，通过利用邻近OD的信息并通过抽样和聚合学习节点表示，mGraphSAGE特别适用于大规模URT网络中的OD需求预测，优于基准机器学习方法。此外，在列车取消和延误的时期，mGraphSAGE与其他方法之间的性能差距优于正常运行条件，显示其能够利用系统可靠性信息来预测不确定性情境下的OD需求。
引用
@article{arxiv.2408.15619,
title = {Multi-Graph Inductive Representation Learning for Large-Scale Urban Rail Demand Prediction under Disruptions},
author = {Dang Viet Anh Nguyen and J. Victor Flensburg and Fabrizio Cerreto and Bianca Pascariu and Paola Pellegrini and Carlos Lima Azevedo and Filipe Rodrigues},
journal= {arXiv preprint arXiv:2408.15619},
year = {2025}
}
备注
23 pages, 3 figures