典型文献
基于混合深度学习模型的城轨短时客流预测
文献摘要：
准确预测短时客流对城市轨道交通管理者组织客流、有效分配运力资源具有重要意义.构建一种融合注意力机制和时空图卷积门控递归单元的轨道交通短时客流预测模型(STGGA).基于旅行时间及OD量构建邻接矩阵,采用图卷积神经网络(GCN)捕获客流空间关系.同时,将注意力机制融入门控递归单元(GRU),提取客流时间相关性.进一步引入外部因素,采用GRU进行特征提取,捕捉外部因素对客流的影响.选取北京地铁客流数据进行案例分析.研究结果表明:与自回归移动平均(ARIMA)、支持向量回归(SVR)以及GRU相比,提出的STGGA在总体预测、单站预测效果方面最优,其精度分别至少提高了22.3％,19.3％与8.0％;加入的外部因素能有效提高STGGA预测性能,使其均方根误差至少降低3.4％;引入的注意力机制能识别客流相关输入时间步,增强模型解释性,有效降低STGGA的均方根误差达16.4％;与基于地理连接关系的模型(STGGA_GC)相比,基于旅行时间与OD量的模型(STGGA_TT和STGGA_OD)在均方根误差方面分别降低了35.5％和24.1％;对不同时段预测效果进行分析:与STGGA_OD相比,STGGA_TT在晚高峰展现出了明显的预测优势.所提出的STGGA能够实现轨道交通短时客流的高精度预测,为管理者分析、控制客流提供一定的数据支撑.
文献关键词：
城市轨道交通;注意力机制;图卷积网络;门控递归单元;短时客流预测
中图分类号：
作者姓名：
王雪琴;许心越;伍元凯;刘军
作者机构：
北京交通大学 轨道交通控制与安全国家重点实验室,北京 100044;麦吉尔大学,魁北克省 蒙特利尔市 H3A 0G4
文献出处：
引用格式：
[1]王雪琴;许心越;伍元凯;刘军-.基于混合深度学习模型的城轨短时客流预测)[J].铁道科学与工程学报,2022(12):3557-3568
A类：
STGGA
B类：
混合深度学习模型,城轨,短时客流预测,准确预测,城市轨道交通,交通管理,运力,注意力机制,时空图卷积,门控递归单元,旅行时间,OD,邻接矩阵,图卷积神经网络,GCN,获客,流空间,空间关系,入门,GRU,流时,时间相关性,外部因素,北京地铁,地铁客流,流数据,自回归,移动平均,ARIMA,支持向量回归,SVR,单站,少提,预测性能,时间步,增强模型,模型解释,解释性,TT,不同时段,精度预测,图卷积网络
AB值：
0.259696
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
