多交通模式短时客流预测：一种基于 Transformer 与残差网络的多任务学习方法
机器学习
2022-05-10 v2
摘要
随着出行即服务（MaaS）的普及，同时协同管理多种交通模式变得日益重要。作为 MaaS 的重要组成部分，多交通模式的短时客流预测因此受到关注。这是一个具有挑战性的问题，因为多交通模式的时空特征极其复杂。此外，不同交通模式的客流量差异显著且波动剧烈。为解决这些问题，本文提出了一种基于多任务学习的模型，称为 Res-Transformer，用于多交通模式（地铁、出租车和公交）的短时进站量预测。模型中每种交通模式被视为一个单独的任务。Res-Transformer 由两部分组成：(1) 若干改进的 Transformer 层，包含卷积 Transformer 层和多头注意力机制，有助于提取多交通模式的时空特征；(2) 利用残差网络结构获取不同交通模式间的相关性，并防止梯度消失、梯度爆炸和过拟合。Res-Transformer 模型在中国北京的两个大规模真实世界数据集上进行了评估。一个是交通枢纽区域，另一个是居民区区域。实验对比了所提模型与多个基线模型的性能。结果证明了所提方法的有效性和鲁棒性。本文可为多交通模式短时进站量预测提供重要见解。
引用
@article{arxiv.2203.00422,
title = {Short-term passenger flow prediction for multi-traffic modes: A Transformer and residual network based multi-task learning method},
author = {Yongjie Yang and Jinlei Zhang and Lixing Yang and Xiaohong Li and Ziyou Gao},
journal= {arXiv preprint arXiv:2203.00422},
year = {2022}
}
备注
26 pages, 15 figures, 4 tables