基于时空图卷积网络的机场地铁短时客流预测

机场地铁短时客流预测是实现机场旅客快速疏解、航站楼现场运力资源指挥调度的关键。考虑到机场复杂的空间结构与航班波动的影响,建立基于图卷积神经网络(GCN)和组合门控卷积(GLU)的机场地铁短时客流预测模型。通过图卷积神经网络融合机场空间路径点与地铁口的空间结构关系,同时,设计一种组合门控卷积模块挖掘航班波动下地铁客流的时变特征,有效地捕捉地铁客流的波动性。基于首都机场T3航站楼真实客流数据对模型的有效性进行检验,经多次实验结果表明,提出的时空图卷积短时客流预测模型在均方根误差、平均绝对误差和平均绝对百分比误差均小于传统ARIMA预测模型与深度学习中LSTM、STGCN模型,该模型能捕捉地铁客流与航班客流的波动变化关系,具有较高的预测精度,提高了模型预测的鲁棒性。

基于小波神经网络模型的短时交通流低频数据的预测

交通流量的短时预测问题是交通控制、交通诱导中不可回避的基础性问题。由于短时交通流表现出强烈的非线性、时变性、不确定性,单一的预测方法对短时交通流预测的精度很难得到提高。在多分辨分析思想的指导下,小波分解与重构的Mallat塔式算法可以将交通流数据进行无信息丢失的分解与重构。介绍了利用小波神经网络模型代替传统的BP神经网络模型对分解后的低频信号进行预测,改进了BP神经网络难以科学的确定网络结构、算法收敛速度慢,容易陷入局部极小的固有缺陷,收到了良好的预测效果,预测精度有所提高。