基于GCN的城市轨道交通站点短时客流预测

作     者：郭娅婷 

作者单位：兰州理工大学 

学位级别：硕士

导师姓名：马栋林

授予年度：2021年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 082303[工学-交通运输规划与管理] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 0823[工学-交通运输工程] 

主      题：短时客流预测 图卷积神经网络 时空同步图卷积 双向长短时记忆网络 AFC数据 

摘      要：随着我国国民经济的飞速发展,人们生活水平的不断提高,使得我国机动车保有数量持续增长,并对道路交通造成“过饱和现象,特别是对于一线城市,每年因城市交通拥堵问题对环境、经济、安全等带来了很多负面影响。而基于地铁的城市轨道交通以其安全性、准时性、高速性、舒适性和环保性受到乘客的青睐,已逐渐成为衡量一个城市幸福指数的因素之一。因此,实时、准确预测客流量有助于提高地铁系统服务质量并给予乘客更为高效和安全的出行方式。本文通过归纳总结国内外现有的短时客流预测方法,针对不同预测方法存在的不足,提出将图卷积神经网络（Graph Convolutional Network,GCN）方法应用在城市轨道交通短时客流预测领域,该方法通过对城市轨道交通站点网络构造图结构,利用图结构信息有效提取空间局部特征,提高客流预测准确率;并且利用时空同步图卷积神经网络同步处理历史时空客流数据的时空关联性以及节假日、日期等外部因素,进一步提升客流预测精度。具体而言,论文的主要研究内容总结为以下几点:（1）针对现有短时客流预测方法不能有效提取轨道交通站点网络空间特征以及无法将模型扩展到大规模网络中的问题,提出一种基于GCN-Bi LSTM模型对城市轨道交通站点短时客流量进行预测。该模型首先依据客流数据的时空分布特征将历史时空客流数据划分为近期、日周期、周周期三个时间模式,然后构建基于图卷积神经网络和双向长短时记忆网络（Bi-directional Long Short-Term Memory,Bi LSTM）的组合模型提取历史时空客流序列中空间和时间依赖关系,最后利用参数矩阵融合这三个时间模式的输出获得最终的预测结果。（2）针对上述模型未同时考虑历史时空客流数据的时间关联性、空间依赖性和时空关联性,以及外部因素（节假日、日期）等对地铁客流数据的影响,提出一种基于T-STSGCN模型对地铁客流量进行预测。该模型首先利用多源数据（城市轨道交通自动售检票系统（Automatic Fare Collection,AFC）采集的数据,节假日数据,日期数据）进行数据特征的构造,并依据客流数据的时空分布特征将历史客流时空数据划分为近期、日周期、周周期三个时间模式,然后通过滑动窗将原始的时空网络序列切分成多个独立的局部时空图和图信号矩阵,并输入到时空同步图卷积模块中,分别获取三个时间模式的客流特征,最后选取双层的全连接神经网络,分别将近期时段、日周期时段、周周期时段最后一个时空同步图卷积层的输出映射到目标时空网络序列上,得到其预测结果。通过在真实数据集上实验,结果表明,考虑时空客流数据的时空关联性以及外部因素对客流数据的影响,能够进一步提升客流预测的准确率。