基于深度集成神经网络的城市轨道交通短时进站客流预测

作者：禹倩; 张亚东^*; 郭进; 赖培; 马亮

来源：铁道学报, 2023, 45(12): 37-46.

• 城市轨道交通
• 短时进站客流预测
• 多源数据
• Transformer
• GRU

准确、可靠的城市轨道交通短时客流预测是智慧地铁的重要组成部分。现有的短时客流预测模型大多是在常态条件下提出的，在异常条件下难以获得满意的预测精度。为此，提出一种基于深度集成神经网络(deep ensemble neural network, DENN)的短时进站客流预测模型。该模型建模并整合了天气、时间和特殊事件等外部环境因素，最近时段进站客流的时间依赖性，以及出站客流的相关性，具有高度的灵活性和可扩展性。具体地，在DENN中，首先，嵌入一个门控循环单元(gated recurrent unit, GRU)网络，用于提取最近时段进站客流数据的时间依赖性；其次，引入Transformer网络，用于自适应地捕获出站客流数据中对进站客流影响最大的时段，以提取出站客流的相关性；最后，应用全连接网络编码外部环境因素和实现特征融合及预测。在上海地铁徐泾东站和上海体育场站的数值实验表明，提出方法在普遍条件下都能取得较高的预测精度。

• 单位
  中国铁道科学研究院; 西南交通大学