面向地铁站内与站间客流预测的物–虚协同建模
机器学习
2020-11-04 v3
摘要
由于在实际场景中的广泛应用，地铁客流预测是智能交通系统中一项关键但具有挑战性的任务。然而，传统方法要么忽略地铁系统的拓扑信息，要么直接在物理拓扑上学习，无法充分挖掘客流演化的模式。为解决该问题，我们将地铁系统建模为具有多种拓扑的图，并提出统一的物理–虚拟协同图网络（PVCGN），其能从专门设计的图中有效学习复杂的客流模式。具体而言，物理图基于所研究地铁系统的真实拓扑直接构建，而相似度图和相关图则在站间客流相似度与相关性引导下以虚拟拓扑构建。这些互补的图被纳入图卷积门控循环单元（GC-GRU）中以进行时空表示学习。此外，还应用全连接门控循环单元（FC-GRU）来捕捉全局演化趋势。最后，我们开发了带有 GC-GRU 和 FC-GRU 的 Seq2Seq 模型以顺序预测未来地铁客流。在两个大规模基准（如上海地铁和杭州地铁）上的大量实验充分证明了我们的 PVCGN 在站点级地铁客流预测上的优越性。此外，我们将所提 PVCGN 应用于解决在线起讫点（OD）客流预测，实验结果展示了方法的通用性。我们的代码与基准已发布于 https://github.com/HCPLab-SYSU/PVCGN。
引用
@article{arxiv.2001.04889,
title = {Physical-Virtual Collaboration Modeling for Intra-and Inter-Station Metro Ridership Prediction},
author = {Lingbo Liu and Jingwen Chen and Hefeng Wu and Jiajie Zhen and Guanbin Li and Liang Lin},
journal= {arXiv preprint arXiv:2001.04889},
year = {2020}
}
备注
This paper has been accepted by IEEE Transactions on Intelligent Transportation Systems (TITS). Our code and benchmarks are available at https://github.com/HCPLab-SYSU/PVCGN