考慮城市軌道交通客流的時(shí)空交互關(guān)系,提出一種融合循環(huán)門控單元和圖卷積神經(jīng)網(wǎng)絡(luò)的城市軌道交通客流預(yù)測(cè)模型(GCGRU)。首先,分析短時(shí)客流在城市軌道交通網(wǎng)絡(luò)中的空間關(guān)系,建立圖卷積神經(jīng)網(wǎng)絡(luò)提取不同車站客流的空間交互關(guān)系;其次,分析路網(wǎng)各車站客流的時(shí)間演化關(guān)系,并利用循環(huán)門控單元刻畫各車站客流數(shù)據(jù)的時(shí)間特征,進(jìn)而形成面向數(shù)據(jù)驅(qū)動(dòng)的城市軌道交通路網(wǎng)短時(shí)客流預(yù)測(cè)模型。與傳統(tǒng)方法相比,該模型能較好地刻畫路網(wǎng)各車站客流的時(shí)空相關(guān)性,可以深度挖掘路網(wǎng)各車站客流變化的內(nèi)在機(jī)理;同時(shí)與既有的圖卷積神經(jīng)網(wǎng)絡(luò)相比,該模型提出了面向旅行時(shí)間的鄰接矩陣,能夠挖掘客流數(shù)據(jù)與運(yùn)行圖數(shù)據(jù)的內(nèi)在關(guān)系,具有較高的精度和可解釋性。最后,以廣州地鐵典型車站的出站量預(yù)測(cè)為例,驗(yàn)證該模型的有效性。結(jié)果表明:該模型在整體預(yù)測(cè)性能和各車站的預(yù)測(cè)性能上都優(yōu)于現(xiàn)有模型,能較好地處理城市軌道交通客流的時(shí)空關(guān)系,精準(zhǔn)地預(yù)測(cè)路網(wǎng)各車站客流變化。此外,通過(guò)鄰接矩陣對(duì)預(yù)測(cè)精度影響的分析,進(jìn)一步驗(yàn)證該模型的性能。

【文章頁(yè)數(shù)】：10 頁(yè)

【部分圖文】：

圖1 模型框架

本節(jié)提出面向數(shù)據(jù)驅(qū)動(dòng)的短時(shí)客流預(yù)測(cè)方法分為2部分：(1)用來(lái)提取序列空間特征的圖卷積神經(jīng)網(wǎng)絡(luò)GCN(GraphConvolutionalNetworks）神經(jīng)網(wǎng)絡(luò)；(2)用來(lái)提取時(shí)間特征的門控遞歸單元神經(jīng)網(wǎng)絡(luò)GRU(GateRecurrentUnit）神經(jīng)網(wǎng)絡(luò)。第1部分的....

圖2 GRU的計(jì)算圖

GRU用以捕捉預(yù)測(cè)數(shù)據(jù)間的時(shí)間信息，它有2個(gè)門：更新門（表示為zt）和重置門（表示為rt），如圖2所示。更新門決定了客流預(yù)測(cè)保留多少以前的狀態(tài)，重置門決定了新輸入與前一狀態(tài)融合的程度。更新門的值越大，則前一個(gè)時(shí)間步長(zhǎng)內(nèi)的信息被帶入的就越多。重置門的值越小，則前一時(shí)間步長(zhǎng)內(nèi)的信息越....

圖3 典型的廣州地鐵車站示意圖

(2）描述每個(gè)車站進(jìn)站和出站客流隨時(shí)間變化的特征矩陣和標(biāo)簽矩陣。矩陣的行表示一個(gè)時(shí)間步長(zhǎng)內(nèi)各站點(diǎn)的客流量，列表示在不同時(shí)間段內(nèi)各站點(diǎn)的客流量。其中：客流量是根據(jù)AFC數(shù)據(jù)進(jìn)行15min粒度統(tǒng)計(jì)后的量。進(jìn)一步利用最小-最大規(guī)范化技術(shù)，將矩陣內(nèi)的數(shù)值規(guī)范化到[0,1]范圍內(nèi)。3.2....

圖4 不同隱藏單元數(shù)下評(píng)價(jià)指標(biāo)的變化

由于隱藏單元數(shù)對(duì)深度學(xué)習(xí)模型的5個(gè)評(píng)價(jià)指標(biāo)有很大的影響[14]，因此本文對(duì)不同數(shù)量隱藏單元下的GCGRU模型進(jìn)行了實(shí)驗(yàn)（分別設(shè)定8,16,24,32），以獲取最優(yōu)的隱藏單元數(shù)。實(shí)驗(yàn)結(jié)果如圖4所示。隨著隱藏單元數(shù)的增加，SRMSE和SMAE先減少后增加，SACC,R2和SVar的值....

本文編號(hào)：4040293