基于混合深度学习的地铁站进出客流量短时预测

发布时间：2021-08-06 05:26

　　针对城市轨道交通多站点短时客流量预测问题,本文提出一种将卷积神经网络（CNN）与残差网络（ResNet）相组合的预测模型（ResNet-CNN1D）.模型将原始客流量数据作为输入,利用二维CNN与ResNet组成深层神经网络,捕捉站点间的空间特征,同时利用一维CNN捕捉客流量的时间依赖.最后,基于参数矩阵,将时间和空间特征进行加权融合,完成对目标时段中多个站点进出客流量的同时预测.采集青岛市地铁3号线刷卡数据,对模型进行验证.结果表明,相比现有传统的预测模型（ARIMA,SVR,LSTM,CLTFP,ConvLSTM）,本文ResNet-CNN1D模型具有更好的预测精度. 

【文章来源】：交通运输系统工程与信息. 2020,20(05)北大核心EICSCD

【文章页数】：7 页

【部分图文】：

地铁站的进出客流量

挖掘空间特征的模型是由二维卷积层(CNN2D，简称CNN)和残差网络(Res Net)组成的深层网络.将客流量的观测张量X∈?r×2×m输入第一个二维卷积层，连续堆叠L个残差单元，再加入一个二维卷积层，其中，二维卷积结构如图3所示.图3中，卷积核大小为3×3，单个卷积层只能考虑局部空间的依赖性，适当增加网络深度可以相应增加最后卷积层的感知野，扩大空间依赖范围[7].地铁站的空间关系中，并不局限于邻近站点，以青岛市地铁3号线刷卡数据为例，统计1周内乘客出行的OD(Origin-Destination)信息，如图4所示.可知，乘客地铁出行的OD站点间隔为6站的最多，休息日与工作日的短距离出行(1站以内)分别占总出行量的6.2%和5.3%.因此，有必要设计一个多层卷积网络，捕捉间隔遥远站点间的空间依赖关系.青岛市地铁3号线的站点数量为22个，若要挖掘所有站点之间的依赖关系，至少需要10个连续的卷积层堆叠.

网络深度对模型的空间特征挖掘有很大帮助，但深度过度增加，模型精度会停滞甚至下降.针对这种“退化”现象，He等[8]提出使用残差网络帮助模型训练.图5是Res Net-CNN1D模型中构建的残差单元，其公式为图4 OD距离统计

【参考文献】：
期刊论文
[1]基于改进KNN算法的城轨进站客流实时预测[J]. 郇宁,谢俏,叶红霞,姚恩建.  交通运输系统工程与信息. 2018(05)
[2]城市轨道交通常态与非常态短期客流预测方法研究[J]. 白丽.  交通运输系统工程与信息. 2017(01)



本文编号：3325159