面向城市轨道交通系统节假日短时客流预测的空间-时间注意力融合网络
机器学习
2023-08-17 v4
摘要
城市轨道交通系统的短时客流预测对交通运营与管理具有重要意义。新兴的基于深度学习的模型为提升预测精度提供了有效方法。然而，现有多数模型主要预测一般工作日或周末的客流，极少有研究关注节假日客流预测，由于其突发性和不规则性，这对交通管理是一项极具挑战的任务。为此，我们提出一种基于深度学习的模型，称为空间-时间注意力融合网络（STAFN），其包含新颖的多图注意力网络、卷积-注意力模块和特征融合模块，用于节假日短时客流预测。多图注意力网络用于动态提取客流复杂的空间依赖关系，卷积-注意力模块用于从全局和局部视角提取客流的时间依赖关系。此外，除历史客流数据外，已被证明能有效反映事件下客流演化趋势的社交媒体数据也被融合进 STAFN 的特征融合模块。STAFN 在中国新年假期两个大规模城市轨道交通 AFC 数据集上进行了测试，并将模型预测性能与若干常规预测模型进行比较。结果表明其在基准方法中具有更好的鲁棒性和优势，可为节假日短时客流预测的实际应用提供有力支撑。
引用
@article{arxiv.2203.00007,
title = {Spatial-Temporal Attention Fusion Network for short-term passenger flow prediction on holidays in urban rail transit systems},
author = {Shuxin Zhang and Jinlei Zhang and Lixing Yang and Jiateng Yin and Ziyou Gao},
journal= {arXiv preprint arXiv:2203.00007},
year = {2023}
}
备注
There are some errors that might mislead readers for this version. There is no new version right now