用于地铁客流量预测的并行多图卷积网络
机器学习
2021-09-03 v1
摘要
准确预测地铁客流量（乘客数量）对于实现实时地铁系统管理具有重要价值，这是智能交通中一项关键且具有挑战性的任务。由于城市地铁乘客出行行为具有复杂的空间相关性和时间变化性，深度学习已被广泛用于捕捉非线性时空依赖关系。遗憾的是，当前的深度学习方法仅将图卷积网络作为建模空间关系的组件，未能充分利用站点间不同的空间相关模式。为了进一步提高地铁客流量预测的准确性，本文提出了一种由并行多图卷积和堆叠的双向单向门控循环单元（PB-GRU）组成的深度学习模型。并行多图卷积捕捉地铁站点间的起讫点（OD）分布和相似流模式，而双向门控循环单元考虑正向和反向的客流量序列并学习复杂的时间特征。在两个真实世界地铁客流数据集上的大量实验表明了该模型的有效性。令人惊讶的是，与现有方法相比，PB-GRU 实现了低得多的预测误差。
引用
@article{arxiv.2109.00924,
title = {Parallel Multi-Graph Convolution Network For Metro Passenger Volume Prediction},
author = {Fuchen Gao and Zhanquan Wang and Zhenguang Liu},
journal= {arXiv preprint arXiv:2109.00924},
year = {2021}
}