基于高阶加权动态模式分解的地铁起讫矩阵实时预测
应用统计
2022-06-15 v2
摘要
预测地铁系统起讫点对（OD 矩阵）的短期客流对实时地铁运营至关重要。然而，由于 OD 矩阵具有高维、稀疏、含噪和偏斜的特性，该问题极其困难。本文提出一种高阶加权动态模式分解（HW-DMD）模型用于短期地铁 OD 矩阵预测。DMD 利用奇异值分解（SVD）从 OD 数据中提取低秩近似，并建立低秩高阶向量自回归模型进行预测。针对地铁 OD 矩阵无法实时观测的实际问题，我们使用进站需求替代不可得的 OD 矩阵。特别地，我们考虑地铁系统的时间演化特征，并通过以指数方式降低旧数据的权重来改进预测。此外，我们为 HW-DMD 开发了定制的在线更新算法，无需存储历史数据或重新训练即可每日更新模型系数。在一个大规模地铁系统数据上的实验表明，所提 HW-DMD 对含噪和稀疏数据具有鲁棒性，并在预测 OD 矩阵和进站客流方面显著优于基线模型。该在线更新算法在长期使用中以低成本维护 HW-DMD 模型时也表现出一致的精度。
引用
@article{arxiv.2101.00466,
title = {Real-time forecasting of metro origin-destination matrices with high-order weighted dynamic mode decomposition},
author = {Zhanhong Cheng and Martin Trepanier and Lijun Sun},
journal= {arXiv preprint arXiv:2101.00466},
year = {2022}
}
备注
Transportation Science (2022)