STG-GAN：一种用于城市轨道交通系统短期客流预测的时空图生成对抗网络
机器学习
2023-08-17 v3 系统与控制
系统与控制
摘要
短期客流预测是更好地管理城市轨道交通（URT）系统的一项重要但具有挑战性的任务。一些新兴的深度学习模型为提升短期预测精度提供了良好思路。然而，URT系统中存在许多复杂的时空依赖关系。以往多数方法仅将真实值与预测值之间的绝对误差作为优化目标，未能考虑对预测的空间与时间约束。此外，大量现有预测模型引入复杂的神经网络层以提升精度，却忽视了训练效率与内存占用，降低了其应用于实际世界的可能性。为克服这些局限，我们提出了一种新颖的基于深度学习的时空图生成对抗网络（STG-GAN）模型，具有更高预测精度、更高效率与更低内存占用，用于预测URT网络的短期客流。我们的模型由两部分组成，以对抗学习方式优化：（1）生成器网络，包含门控时间卷积网络（TCN）与权值共享图卷积网络（GCN），以捕获结构化时空依赖并以较小计算负担生成预测；（2）判别器网络，包含空间判别器与时间判别器，以增强预测的空间与时间约束。STG-GAN在来自北京地铁的两个大规模真实数据集上进行了评估。与若干最先进（SOTA）模型的对比显示了其优越性与鲁棒性。本研究可为开展短期客流预测提供关键经验，尤其从实际应用视角而言。
引用
@article{arxiv.2202.06727,
title = {STG-GAN: A spatiotemporal graph generative adversarial networks for short-term passenger flow prediction in urban rail transit systems},
author = {Jinlei Zhang and Hua Li and Lixing Yang and Guangyin Jin and Jianguo Qi and Ziyou Gao},
journal= {arXiv preprint arXiv:2202.06727},
year = {2023}
}
备注
There are some errors that might mislead readers for this version. There is no new version right now