基于时序知识图谱嵌入的短期地铁客流量预测
短期地铁客流量预测任务是城市智能地铁运营工作的重要组成部分,旨在预测未来短时间内地铁站点的客流量.针对现有方法未能充分利用站点的流入流出客流量信息的问题,提出了 一种基于时序知识图谱嵌入(Temporal Knowledge Graph Embedding)结合残差网络(ResNet)和长短期记忆网络(LSTM)的短期地铁客流量预测方法,简称TKG-ResLSTM.首先,基于地铁客流量数据构建地铁客流量时序知识图谱,并使用时序知识图谱嵌入技术从中获取地铁站点的动态客流量模式.然后,将抽取出的动态客流量模式转换成动态相似矩阵,应用到基于深度学习的地铁客流量预测框架中完成地铁客流量预测任务.最后,利用北京地铁和A市地铁客流量数据集,分别在10 min,15 min和30 min的时间间隔下进行实验评估.结果表明TKG-ResLSTM能够有效地抽取出地铁站点的动态客流量模式,在不使用外部信息的情况下,相比ResLSTM,TKG-ResLSTM在北京地铁数据集10min时间间隔下的预测均方根误差降低了 0.41.
深度学习、时序知识图谱、时空预测、动态嵌入、城市地铁网络
50
TP391(计算技术、计算机技术)
国家重点研发计划2019YFB2101801
2023-07-18（万方平台首次上网日期，不代表论文的发表时间）
共8页
213-220
