面向城市轨道交通系统 COVID-19 期间短时客流预测的 ST-former
机器学习
2023-08-17 v2 人工智能
摘要
准确的城市轨道交通客流预测对于提升智能交通系统的性能至关重要，尤其在疫情期间。如何动态建模客流复杂的时空依赖关系是疫情期间实现准确客流预测的主要问题。为解决该问题，本文在编码器-解码器框架下提出了一种专为 COVID-19 设计的基于 transformer 的全新架构，称为 ST-former。具体而言，我们开发了名为因果卷积概率稀疏自注意力（CPSA）的改进自注意力机制，以较低计算成本建模客流的多重时间依赖关系。为捕捉复杂且动态的空间依赖关系，我们通过自适应利用多个图，引入了新颖的自适应多图卷积网络（AMGCN）。此外，多源数据融合模块融合客流数据、COVID-19 确诊病例数据和相关社交媒体数据，以研究 COVID-19 对客流的影响。在真实世界客流数据集上的实验证明了 ST-former 相对于其他十一种最先进方法的优越性。我们进行了若干消融研究以验证模型结构的有效性与可靠性。结果可为城市轨道交通系统的运营提供关键见解。
引用
@article{arxiv.2210.09043,
title = {ST-former for short-term passenger flow prediction during COVID-19 in urban rail transit system},
author = {Shuxin Zhang and Jinlei Zhang and Lixing Yang and Chengcheng Wang and Ziyou Gao},
journal= {arXiv preprint arXiv:2210.09043},
year = {2023}
}
备注
There are some errors that might mislead readers for this version. There is no new version right now