面向数据驱动的城市轨道交通短时客流预测模型

发布时间：2025-04-18 01:18

　　 考虑城市轨道交通客流的时空交互关系,提出一种融合循环门控单元和图卷积神经网络的城市轨道交通客流预测模型(GCGRU)。首先,分析短时客流在城市轨道交通网络中的空间关系,建立图卷积神经网络提取不同车站客流的空间交互关系;其次,分析路网各车站客流的时间演化关系,并利用循环门控单元刻画各车站客流数据的时间特征,进而形成面向数据驱动的城市轨道交通路网短时客流预测模型。与传统方法相比,该模型能较好地刻画路网各车站客流的时空相关性,可以深度挖掘路网各车站客流变化的内在机理;同时与既有的图卷积神经网络相比,该模型提出了面向旅行时间的邻接矩阵,能够挖掘客流数据与运行图数据的内在关系,具有较高的精度和可解释性。最后,以广州地铁典型车站的出站量预测为例,验证该模型的有效性。结果表明:该模型在整体预测性能和各车站的预测性能上都优于现有模型,能较好地处理城市轨道交通客流的时空关系,精准地预测路网各车站客流变化。此外,通过邻接矩阵对预测精度影响的分析,进一步验证该模型的性能。

【文章页数】：10 页

【部分图文】：

图1 模型框架

本节提出面向数据驱动的短时客流预测方法分为2部分：(1)用来提取序列空间特征的图卷积神经网络GCN(GraphConvolutionalNetworks）神经网络；(2)用来提取时间特征的门控递归单元神经网络GRU(GateRecurrentUnit）神经网络。第1部分的....

图2 GRU的计算图

GRU用以捕捉预测数据间的时间信息，它有2个门：更新门（表示为zt）和重置门（表示为rt），如图2所示。更新门决定了客流预测保留多少以前的状态，重置门决定了新输入与前一状态融合的程度。更新门的值越大，则前一个时间步长内的信息被带入的就越多。重置门的值越小，则前一时间步长内的信息越....

图3 典型的广州地铁车站示意图

(2）描述每个车站进站和出站客流随时间变化的特征矩阵和标签矩阵。矩阵的行表示一个时间步长内各站点的客流量，列表示在不同时间段内各站点的客流量。其中：客流量是根据AFC数据进行15min粒度统计后的量。进一步利用最小-最大规范化技术，将矩阵内的数值规范化到[0,1]范围内。3.2....

图4 不同隐藏单元数下评价指标的变化

由于隐藏单元数对深度学习模型的5个评价指标有很大的影响[14]，因此本文对不同数量隐藏单元下的GCGRU模型进行了实验（分别设定8,16,24,32），以获取最优的隐藏单元数。实验结果如图4所示。随着隐藏单元数的增加，SRMSE和SMAE先减少后增加，SACC,R2和SVar的值....

本文编号：4040293