随着城市化进程的发展和加快,城市轨道交通系统逐渐成长为一个大型网络,站点间的拓扑结构也变得越来越复杂,使得空间依赖性的捕捉变得越来越困难。多条线路的纵横交错使得站点间呈拓扑分布,传统的图卷积网络是基于先验知识生成的邻接矩阵实现的,无法反映站点之间的实际空间依赖性。为了解决这些问题,本文提出了一种自适应图卷积网络模型(Adapt-GCN),该模型将传统GCN中由先验知识获得的固定邻接矩阵替换为可训练的自适应邻接矩阵。这不仅可以有效地调整相邻站点之间的相关权重,而且可以自适应地捕获非相邻站点之间的空间依赖关系。本文使用上海地铁数据集验证了该模型在提高预测精度和减少训练时间方面的有效性。
介绍
研究意义
随着国内智能交通系统和地铁交通行业的快速发展,智能IC卡开始普及,由此产生了大量的卡数据。在此基础上,可以建立准确有效的客流预测模型,进一步感知客流变化趋势,为城市轨道交通管理者提供有力的决策依据,更好地规划更顺畅的出行路线,为乘客选择更合适的出行时间,从而避免或缓解城市轨道交通拥堵。因此,研究轨道交通客流预测问题具有重要的理论意义和实用价值。
研究综述
关于轨道交通客流预测模型的构建已有大量的研究工作,大致可分为三类。第一类是基于数理统计的模型,如自回归综合移动平均(ARIMA)模型,这类方法只预测了单个站点的客流,这使得唯一可以考虑的因素是时间因素,而不涉及站点之间的空间依赖性。第二类是基于非参数的智能预测模型,如长短期记忆模型(LSTM),这类方法仅对进站或出站的一个方向客流进行预测,并没有实现进站和出站客流的同时预测,这对城市轨道交通的管理部门进行有针对性的安全部署是非常不利的。第三类是基于多特征提取的混合模型,利用卷积神经网络(CNN)从地铁客流图像数据中学习空间特征