多头图注意机制的深度学习地铁客流预测方法

挖掘地铁站点间的客流时空关联性是实现高精度地铁实时客流预测的关键。由于地铁网络中站点间客流的空间关联强弱性较为复杂且难以量化,从而导致客流预测过分依赖时间关联性。为克服该缺陷,提出一种多头图注意机制的深度学习地铁客流预测方法,通过构建面向地铁网络的多头图注意机制对多个关联站点间的客流空间关联性进行学习,得出差异化权重值,量化目标站点与关联站点群之间的客流空间关联强弱性;同时,将多头图注意机制融入长短时记忆学习模型,以量化后的空间关联性数据为输入,结合地铁客流量的时间关联性实现客流预测。实验结果表明,所提出的方法可行、有效,能够提升地铁客流预测精度且预测结果优于经典预测方法。

基于时空超图卷积模型的城市轨道站点客流预测

城市轨道客流预测是智能交通系统的重要环节,准确的短时客流量预测有助于缓解城市轨道运营压力并提升地铁系统的服务质量。为挖掘交通系统中的时空交互特性并实现客流的精确预测,提出一种基于时空超图卷积模型(Spatio-Temporal Hypergraph Convolutional,ST-HConv)的短时进站客流预测方法。门控卷积层用于提取客流的时间特征,双层超图卷积用于获取站点间的近邻性和路网中的全局性,实现空间特征的提取;时空交互模块由时间门控卷积和空间超图卷积组成,将时空特征融合进而获取时空交互信息。以杭州地铁自动检票系统(AFC)采集的乘客刷卡数据为例,对模型的有效性进行检验。研究结果表明,与传统机器学习模型、传统深度学习模型和图网络模型相比,ST-HConv模型同时考虑时间特征和空间特征,并实现了时空特征的有效融合,使得ST-HConv模型的平均绝对误差和均方根误差都低于其他模型。在图结构性能方面,与时空图卷积模型(Spatio-Temporal Graph Convolutional,ST-GConv)相比,ST-HConv模型中的超图卷积层获得了路网中的局部特征和全局特征,有效地降低了预测误差。在不同的时间间隔(15 min/30 min/45 min/60 min)下,ST-HConv相较于ST-GConv,平均绝对误差分别降低了1.3,1.05,1.51和2.29,均方根误差分别降低了2,1.44,2.48和2.89。由此可见,ST-HConv模型综合考虑了时空交互信息,能够提高客流预测的准确性。