融合長(zhǎng)短期記憶網(wǎng)絡(luò)和圖卷積網(wǎng)絡(luò)的軌道交通短時(shí)客流起訖點(diǎn)預(yù)測(cè)

唐繼強(qiáng)，楊璐琦，楊 武

(1. 重慶理工大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院，重慶 400054；2. 重慶市軌道交通(集團(tuán))有限公司，重慶 401120)

近年來(lái)，在數(shù)字城市的推進(jìn)下，中國(guó)的城市軌道交通行業(yè)高速發(fā)展。為了制定有效的管制措施、合理配置地鐵運(yùn)力、提高運(yùn)營(yíng)服務(wù)質(zhì)量，需要準(zhǔn)確、高效地對(duì)短時(shí)間內(nèi)軌道交通客流量的變化進(jìn)行預(yù)估，因此一個(gè)對(duì)短時(shí)間內(nèi)客流的準(zhǔn)確預(yù)測(cè)方法對(duì)于實(shí)現(xiàn)上述措施至關(guān)重要。

目前，對(duì)于城市軌道交通短時(shí)客流起訖點(diǎn)(origin-destination,OD)預(yù)測(cè)的研究仍在起步階段[1]。已有的軌道交通短時(shí)客流預(yù)測(cè)方法一般分為參數(shù)模型和非參數(shù)模型。典型的參數(shù)模型中包括歷史平均模型、回歸分析方法[2]、貝葉斯方法[3]、時(shí)間序列模型和卡爾曼濾波模型[4-5]等。典型的非參數(shù)模型包括K最近鄰算法[6-7]、支持向量機(jī)(support vector machine, SVM)模型[8]和神經(jīng)網(wǎng)絡(luò)[9]等。上述方法中，客流OD的短時(shí)預(yù)測(cè)通常被看作是時(shí)間序列預(yù)測(cè)的問(wèn)題，神經(jīng)網(wǎng)絡(luò)具有識(shí)別復(fù)雜非線性系統(tǒng)的特性，因此比較適合用于短期交通流預(yù)測(cè)[10]。

軌道交通客流OD預(yù)測(cè)與交通流OD預(yù)測(cè)原理十分相似，因此很多交通流預(yù)測(cè)模型如車(chē)流量預(yù)測(cè)等都被用于軌道交通客流預(yù)測(cè)。Smith等[11]首次在短時(shí)交通流的預(yù)測(cè)研究中應(yīng)用神經(jīng)網(wǎng)絡(luò)模型，通過(guò)與其他模型的比較證明了神經(jīng)網(wǎng)絡(luò)的良好效果。趙顗等[12]結(jié)合小波函數(shù)和BP神經(jīng)網(wǎng)絡(luò)模型對(duì)交通小區(qū)的生成交通進(jìn)行分解后再預(yù)測(cè)，提高了交通小區(qū)生成交通短時(shí)預(yù)測(cè)精度。李潔等[13]提出了客流時(shí)間序列的分析和預(yù)測(cè)方法，構(gòu)建了基于LSTM的客流預(yù)測(cè)模型，通過(guò)實(shí)驗(yàn)證明了該模型的預(yù)測(cè)性能較優(yōu)。……