轨道交通站点聚类及其对客流预测的影响分析

城市轨道交通站点受多层面因素交互作用而反映出异质性,为实现站点精细化分类,本文统筹考虑地铁刷卡数据、兴趣点数据和地铁网络数据,提取客流、土地利用和网络性质等特征,其中,客流层面考虑工作日、周末和节假日等不同日期类型下客流状态,土地利用层面考虑站点辐射区用地强度和均衡性,网络层面考虑节点自身特性和影响能力。构建基于主成分分析与K-means++算法的聚类模型,综合聚类评价指标确定簇数,辨析不同类型站点多维度特性,结合站区土地利用和站点网络特征探讨对出行活动的影响,并设计簇内联合预测和整体联合预测策略,采用3种多元时序预测方法探究站点聚类对预测性能的影响。研究结果表明:考虑全部客流特征时,划分为10簇,考虑工作日进站客流特征时,划分为5簇,充分挖掘客流时变特征能够获得更加精细化的聚类结果;各簇站点客流分布特征与其土地利用及网络特征间存在一定的反馈关系;相比于整体联合预测,通过聚类联合相关性强的站点进行预测,以间接捕获空间相关性的方式能有效提升预测性能,各模型均方根误差平均降低9.04%,平均绝对误差平均降低4.94%。研究结果为站点精细化管理和站区设施建设规划提供依据。

图神经网络在交通预测中的应用综述

为寻求提升交通预测时空计算任务性能的有效途径,探索图神经网络技术在交通预测中的应用前景和挑战,回顾了交通预测方法的发展,总结了模型驱动方法、统计模型、传统机器学习方法和深度学习方法的优势和局限性;阐述了图网络和交通网络的适配性,归纳了图的构造方法;将应用于交通预测的数据进行了分类,分析了不同交通预测任务的共性与差异;归纳了常用于交通预测任务的图神经网络模型,包括卷积图神经网络、图注意网络、图自编码器和图时空网络,分析了图神经网络模型应用于交通预测时主要考虑的因素和时空模块;对比了多种交通速度预测方法的性能,分析了图神经网络框架中不同组件对其预测性能的影响;从数据多源性、应用多样性、多模式、动态性、模型可解释性、不确定性和小样本学习等多个角度探讨了基于图神经网络的交通预测面临的挑战和机遇,并针对图神经网络发展趋势提出了相关建议。研究结果表明:与只考虑时间相关性的基准模型相比,基于图神经网络的预测方法性能显著提升;多模式时间相关性、时空注意力机制、边特征、外部数据均会显著影响预测性能;图神经网络为建模交通网络复杂动态的时空相关性提供了有力手段,目前针对交通状态预测问题开发了多样化的模型;未来研究可重点从设计高效的动态时空模块集成架构、设计有效整合外部数据的模块、拓展多样化的应用任务、实现多模式交通同步预测、开发高效可靠和易于解释的模型等方面进行突破,实现预测准确性和效率均衡提升,以期发展更高阶段的智慧交通。