基于混合深度學習的地鐵站進出客流量短時預測

趙建立，石敬詩，孫秋霞，任 玲，劉彩紅

(1.山東科技大學a.計算機科學與工程學院，b.數學與系統科學學院，山東青島266590；2.青島地鐵集團有限公司，山東青島266000)

0 引 言

隨著數字城市的飛速發展，以及IC 卡的大量普及，公共出行的數據挖掘與預測成為新的研究熱點.本文分析地鐵站的歷史刷卡數據，對多站點的進出客流量進行短時預測.不僅可以幫助出行者合理地選擇出行路線，規避交通擁堵；也可幫助地鐵運管部門提前安排車次調度，部署站點安保措施，具有重要的研究價值.

軌道交通流量預測模型主要分為3類.第1類是基于時間序列的統計模型，白麗[1]利用ARIMA模型分析地鐵站每日客流量的歷史數據，實現常態的日客流量預測，但其局限于單變量預測與時間分析，沒有考慮空間因素.第2 類是基于非參數的預測模型，郇寧等[2]基于改進的K 最近鄰算法，實現軌道交通中進站客流的短時預測；Tang等[3]構建時空長短期記憶(ST-LSTM)網絡，用于多個站點的出站客流量預測.這兩類模型都實現了多站點的同步預測，但沒能實現進出客流量的同步預測.

第3類是基于多特征提取的混合模型.Ma等[4]將地鐵客流數據先轉換為客流圖像與時間序列，再運用卷積神經網絡(CNN)和雙向LSTM 分別提取空間與時間特征；該方法需要對研究區域進行網格劃分，大量無用網格會增加計算負擔.Liu等[5]利用LSTM 挖掘時間特征，基于嵌入層與全連接層融合空間特征、外部環境及地鐵運營等多源信息.Zhang 等[6]結……