考虑多时间尺度特征的城市轨道交通短时客流量预测模型

摘要：

针对目前城市轨道交通短时客流量预测模型在构建特征时容易忽略客流变化周期依赖性的不足,提出一种考虑多时间尺度特征的混合深度学习模型(GRU-Transformer),该模型由添加注意力机制的GRU(Gate Recurrent Unit)神经网络(Attention-GRU)和改进的Transformer(Conv-Transformer)两模块并行构成.首先,对周周期、日周期及相邻时段这3种时间尺度下的客流数据分别进行建模,并合并各周期数据作为模型输入.其次,搭建Attention-GRU和Conv-Transformer模块分别挖掘数据连续性与周期性特征,融合特征后输出预测值.最后,采集上海市地铁2号线两站点AFC(Automatic Fare Collection)客流数据,预测5 min时间粒度下的进出站客流量.为分析各模型参数对预测结果的影响,开展模型精细化调参实验,基于所得最优参数组合验证和评估模型.结果表明,相较于5个基线模型(BPNN(Back Propagation Neural Network)、CNN(Convolutional Neural Network)、GRU、CNN-GRU及Transformer)和4个GRU-Transformer消融模型,本文提出的GRU-Transformer模型预测精度最高,具有较好的实用性.

关键词：智能交通、短时客流量预测、深度学习、城市轨道交通、GRU、Transformer模型

所属期刊栏目：22

分类号：U495(交通工程与公路运输技术管理)

在线出版日期：2023-01-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：212-223