面向铁路的时空图卷积网络：铁路中心化的火车延误预测模型
机器学习
2025-10-03 v1 人工智能
摘要
准确预测火车延误对于高效铁路运营至关重要，能够实现更好的时刻表和调度决策。虽然早期方法主要聚焦于预测 individual 火车的具体延误，但近期研究开始探索站点层面的延误预测，以支持更高层次的交通管理。本文提出铁路中心化时空图卷积网络（Railway-centric Spatio-Temporal Graph Convolutional Network，RSTGCN），旨在预测铁路站点在特定时段内所有进站火车的平均到达延误。我们的方法包含若干架构创新和新颖特征集成，包括基于火车频率的空间注意力机制，显著提升了预测性能。为支持此工作，我们构建并公开了覆盖整个印度铁路网络（IRN）的综合数据集，涵盖 4,735 个车站和 17 个区划——目前为止规模最大、最具多样性的铁路网络研究数据。我们使用多个最先进的基线进行大规模实验，结果在标准指标上持续实现性能提升。我们的工作不仅推动了大规模铁路网络中平均延误预测的建模，也为该关键领域的进一步研究提供了开放数据集。
引用
@article{arxiv.2510.01262,
title = {RSTGCN: Railway-centric Spatio-Temporal Graph Convolutional Network for Train Delay Prediction},
author = {Koyena Chowdhury and Paramita Koley and Abhijnan Chakraborty and Saptarshi Ghosh},
journal= {arXiv preprint arXiv:2510.01262},
year = {2025}
}