基于时空关联的时空图卷积神经网络城市轨道交通进站客流预测

[目的]准确的短时客流预测对于提高超大规模城市轨道交通线网的运营和管理效率具有重要意义,而目前现有研究对于深度挖掘时空关联性仍不够充分,为此基于短时客流的时空规律提出了基于客流时空关联特征的STGCN(时空图卷积神经网络)模型。[方法]首先,通过切比雪夫图卷积网络捕捉超大规模城市轨道交通网络的空间相关性,借助门控循环单元挖掘多时空关联特征下客流的时间相关性;然后,分析待预测车站历史客流数据相关性及OD(起讫点)客流数据相关性,以深入提取时空相关性;最后,结合客流时空关联特征建立STGCN模型。[结果及结论]以上海地铁江苏路站为例,进行短时进站客流预测,结果表明采用时空关联特征参数的预测结果较未加入特征参数的预测精度提高了16%,预测效果较优。

基于深度集成神经网络的城市轨道交通短时进站客流预测

准确、可靠的城市轨道交通短时客流预测是智慧地铁的重要组成部分。现有的短时客流预测模型大多是在常态条件下提出的,在异常条件下难以获得满意的预测精度。为此,提出一种基于深度集成神经网络(deep ensemble neural network,DENN)的短时进站客流预测模型。该模型建模并整合了天气、时间和特殊事件等外部环境因素,最近时段进站客流的时间依赖性,以及出站客流的相关性,具有高度的灵活性和可扩展性。具体地,在DENN中,首先,嵌入一个门控循环单元(gated recurrent unit,GRU)网络,用于提取最近时段进站客流数据的时间依赖性;其次,引入Transformer网络,用于自适应地捕获出站客流数据中对进站客流影响最大的时段,以提取出站客流的相关性;最后,应用全连接网络编码外部环境因素和实现特征融合及预测。在上海地铁徐泾东站和上海体育场站的数值实验表明,提出方法在普遍条件下都能取得较高的预测精度。

基于EMD-LSTM模型的城市轨道交通进站客流量预测

城市轨道交通进站旅客的流量存在非线性、随机性、周期性等特点,导致长短时记忆神经网络(LSTM, Long Short-Term Memory)在有效处理上述数据特性时,其算法性能上对预置参数具有很大的时间依赖性,导致预测性能的下降。为了进一步提高模型的预测精度,研究中使用EMD经验模态分解,将客流时间信息的各个尺度分解为若干个固有模态分量(IMF),从而去除一些噪声影响;再使用LSTM神经网络对各固有模态分量进行学习和预测。预测结果显示,EMD-LSTM的组合模型相对于LSTM模型,其客流量的预测结果具有更高的精度,为城市轨道交通进站客流量的预测起到重要的参考作用。