文献类型：期刊文章

作　　者：梁强升[1] 许心越[2] 刘利强[2]

LIANG Qiangsheng;XU Xinyue;LIU Liqiang(Operations Division,Guangzhou Metro Group Co.,Ltd.,Guangzhou Guangdong 510330,China;State Key Lab of Rail Traffic Control&Safety,Beijing Jiaotong University,Beijing 100044,China)

机构地区：[1]广州地铁集团有限公司运营事业总部,广东广州510330 [2]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

出　　处：《中国铁道科学》

基　　金：国家自然科学基金资助项目(71871012)。

年　　份：2020

卷　　号：41

期　　号：4

起止页码：153-162

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：考虑城市轨道交通客流的时空交互关系,提出一种融合循环门控单元和图卷积神经网络的城市轨道交通客流预测模型(GCGRU)。首先,分析短时客流在城市轨道交通网络中的空间关系,建立图卷积神经网络提取不同车站客流的空间交互关系;其次,分析路网各车站客流的时间演化关系,并利用循环门控单元刻画各车站客流数据的时间特征,进而形成面向数据驱动的城市轨道交通路网短时客流预测模型。与传统方法相比,该模型能较好地刻画路网各车站客流的时空相关性,可以深度挖掘路网各车站客流变化的内在机理;同时与既有的图卷积神经网络相比,该模型提出了面向旅行时间的邻接矩阵,能够挖掘客流数据与运行图数据的内在关系,具有较高的精度和可解释性。最后,以广州地铁典型车站的出站量预测为例,验证该模型的有效性。结果表明:该模型在整体预测性能和各车站的预测性能上都优于现有模型,能较好地处理城市轨道交通客流的时空关系,精准地预测路网各车站客流变化。此外,通过邻接矩阵对预测精度影响的分析,进一步验证该模型的性能。

关 键 词：城市轨道交通系统 数据驱动 图卷积神经网络  循环门控单元  短时客流预测  

分 类 号：U239.5] U293.13