科研之友
微信
新浪微博
Facebook
分享链接
摘要
准确、可靠的短时客流预测可为城市轨道交通提供运营决策支持。本研究以基于Transformer机制的LSTM网络、深度注意力模块和CNN网络为基础，提出了城市轨道交通网络级多步短时客流预测模型（STIPM）。该预测模型由3个分支组成，分支一以时间序列进站客流为输入，提出了基于Transformer机制的LSTM网络提取该数据中的时间相关性；分支二以基于时间步的OD数据为输入，提出了深度注意力模块挖掘数据中大量的时间、空间相关性，利用基于时间步的OD数据能够更好地展现站间联系紧密程度和全局信息，从而完成了拓扑网络信息提取；分支三的输入为POI数据，使用CNN网络获取其时空相关性，并作为时间与空间特征之间的纽带。为了保证在预测精度足够高的条件下，获得更长的预测时间和更详细的预测信息，本文采用“神经网络多输出”策略，完成了多步预测任务。本文在2个大规模城市轨道交通真实数据集中对该模型进行测试，并将预测结果与10个基准模型和4个消融实验模型进行对比，在RMSE、MAE与WMAPE评估指标中，STIPM模型均得到最高的预测精度，结果表明该模型具有一定的优越性与鲁棒性。
- 单位
