城市轨道交通系统节假日短期客流预测的时空关注融合网络
摘要：城市轨道交通系统短期客流预测对交通运营和管理具有重要意义。新兴的基于深度学习的模型提供了改进预测准确性的有效方法。然而，大多数现有模型主要预测普通工作日或周末的客流。只有很少有研究关注节假日客流的预测，这是对交通管理来说具有挑战性的任务，因为其突发性和不规律性。为此，我们提出了一种基于深度学习的模型，名为空间时间注意力融合网络（Spatial Temporal Attention Fusion Network，STAFN），用于节假日短期客流预测。该模型包括一个新颖的多图注意力网络（Multi-Graph Attention Network），一个卷积-注意力模块（Conv-Attention Block）和特征融合模块（Feature Fusion Block）。多图注意力网络用于动态提取客流的复杂空间依赖关系，卷积-注意力模块用于从全局和局部视角提取客流的时间依赖关系。此外，除了历史客流数据外，已经证明社交媒体数据可以有效反映事件下客流演变趋势，因此也将其融合到STAFN的特征融合模块中。STAFN在中国两个大规模城市轨道交通自动售票数据集上进行了元旦节的测试，将其预测性能与几种常规预测模型进行了比较。结果表明，与基准方法相比，其具有更好的稳健性和优势，可以为假日短期客流预测的实际应用提供强有力的支持。
作者：Shuxin Zhang, Jinlei Zhang, Lixing Yang, Jiateng Yin, Ziyou Gao
论文ID：2203.00007
分类：Machine Learning
分类简称：cs.LG
提交时间：2023-08-17