关键词:
智能交通
地铁客流预测
自适应扩散图卷积
因果卷积
多头注意力
摘要:
准确的地铁客流预测是智能交通系统应对交通挑战、协调运营调度、规划未来建设的重要战略需求。然而,先前将图卷积网络与深度学习模型(如循环神经网络、长短期记忆网络和门控循环神经网络等)相结合的相关研究只能提取基于路网图结构的时间和空间相关性,而忽略了地铁站点之间隐藏的空间相关性和随时间变化的动态时间和动态空间相关性。为了挖掘交通数据中复杂的时空相关性以实现精确的地铁客流预测,提出一种基于自适应扩散图卷积注意力(Adaptive Diffusion Graph Convolution Attention, ADGCA)网络的客流预测方法。此方法的创新点主要包括2个方面:首先,通过构建多图和自适应矩阵,并结合多头注意力机制,能够挖掘地铁站点之间隐藏的空间相关性。这种方法优化了现有方法在提取地铁系统空间信息特征方面的不足,使得ADGCA模型能够更全面地提取地铁系统中的空间信息特征。其次,构建了一种结合因果卷积、自适应扩散图卷积和多头注意力机制的深度学习模型组件。该组件能够在局部和全局层面捕捉地铁客流数据中的动态时空相关性,相比于先前的方法,能够更有效地提取复杂的地铁客流数据特征。在根据上海和杭州地铁自动检票系统的乘客刷卡记录所构建的2个真实数据集上,对模型有效性进行评估。研究结果表明,相较于现有的基线模型,ADGCA模型能够提取更加真实的动态时空相关性,从而有效地降低了预测误差。在所有预测时间步长上,ADGCA模型预测准确度指标均优于基线模型。研究结果为进一步优化城市地铁运营计划和保障地铁安全营运提供了更加精确的数据支持。