基于ASTLSTM的地铁乘客流量短时预测

作者：田钊; 程钰婕; 张乾钟; 牛亚杰; 刘炜; 杨艳芳^*

来源：郑州大学学报(理学版）, 2023, 1-7.

DOI：10.13705/j.issn.1671-6841.2023040

• 地铁乘客流量预测
• 时空特征
• 注意力机制
• 图卷积神经网络

地铁乘客流量预测是智能交通系统的重要环节,当前大多数预测模型较少对地铁乘客流量进行时空相关性建模,且未考虑空气质量等天气因素带来的影响,存在地铁乘客流量预测准确度不高的问题。针对以上问题,提出基于注意力机制的时空长短期记忆(ASTLSTM)网络的地铁乘客流量短时预测模型。首先,对数据进行预处理;然后,利用注意力机制与图卷积网络(GCN)、卷积神经网络(CNN)相融合,挖掘地铁数据中的时空相关性,并通过长短期记忆网络(LSTM)来提取空气质量数据中的外部特征;最后,通过特征融合得到地铁乘客流量预测结果。实验结果表明,ASTLSTM模型与LSTM、Conv LSTM等典型模型相比,在短期的地铁乘客流量预测上都有较高的准确度。

• 单位
  交通运输部科学研究院; 郑州大学