基于异构数据特征的城市轨道交通OD客流短时预测方法

城市轨道交通起讫点(origin-destination,OD)客流短时预测在智能交通系统中意义重大,它为交通管控策略实施以及出行者出行选择提供了重要的决策依据。卷积神经网络被广泛用于交通数据空间相关性提取,但其平移不变性与局部敏感性导致该方法更重视局部特征而忽视全局特征。本研究构建了基于注意力机制的异构数据特征提取机模型(heterogeneous data feature extraction machine,HDFEM)以实现OD矩阵空间相关性的全局感知。该模型从时空特征和用地属性特征出发,构造异构数据OD时空张量与地理信息张量,依托模型张量编码层对异构数据张量进行分割与编码,通过注意力机制连接各张量块特征,提取OD矩阵中各个部分间的空间相关性。该方法不仅实现了异构数据与OD客流数据的融合,还兼顾了卷积神经网络模型未能处理的OD矩阵远距离特征,进而帮助模型更全面地学习OD客流的空间特征。对于OD时序特性,该模型使用了长短时记忆网络来处理。在杭州地铁自动售检票系统(auto fare collection,AFC)数据集上的实验结果表明:HDFEM模型相对于基于卷积神经网络的预测模型,其均方误差、平均绝对误差与标准均方根误差分别下降了4.1%,2.5%,2%,验证了全局OD特征感知对于城市轨道交通OD客流预测的重要性。

融合路段传输模型和深度学习的城市路网短时交通流状态预测

城市路网短时交通流预测是实现智慧城市的关键技术,随着人工智能的发展,越来越多的深度学习算法被应用于城市道路交通状态估计和预测研究。但是深度学习因缺少对交通流演化机理的刻画导致其可解释性不强,而交通流解析模型常因预测精度问题导致其应用效果受到限制。为了取长补短,首先对路段传输模型(Link Transmission Model, LTM)进行改进,提出了可以利用真实数据实时校准仿真网络从而提高预测精度的数据驱动型路段传输模型(Data-driven Link Transmission Model, D;LTM),并在此基础上引入时空深度张量神经网络模型(Spatial-temporal Deep Tensor Neural Networks, ST-DTNN)来捕获网络交通流数据中的时间维、空间维和深度维特征信息,形成融合路段传输模型和深度学习的城市路网短时交通流预测模型D;LTM-STDTNN。该混合模型一方面通过D;LTM机理模型来揭示交通流演化的基本规律,发挥其对城市路网交通流状态时空演化过程的精细刻画能力,增强混合模型机理的可解释性;另一方面利用ST-DTNN模型强大的高维数据挖掘能力和动态特征学习能力,提高城市级路网交通流的短时预测精度。该模型还考虑了交叉口不同转向的短时预测问题,具有更细的空间粒度和时间粒度,因此也具有更大的预测难度。实测结果表明:D;LTM-STDTNN混合模型相对于基准模型预测精度更高,且具备模拟演化机理方面的优势,提升了城市路网短时交通流状态预测能力,揭示了路段间的交通流动态演化规律,可为网络交通流模拟推演和主动管控提供了技术支撑。