论文
张金雷, 杨咏杰, 阴佳腾, 李华, 杨立兴, 高自友
城市轨道交通短时客流量预测对提升其服务水平至关重要. 然而, 现有模型往往忽视不同时序模式客流之间的相关性, 导致预测精度下降. 文章首先将进站客流量分为实时时序模式、日时序模式和周时序模式, 以提取时间信息; 进一步提出了一种基于深度学习的组合预测模型 (Graph-GAN), 该模型结合了图卷积神经网络 (GCN)、因果卷积层、注意力机制和生成对抗网络 (GAN), 能够有效提取不同模式间的时空交互信息, 同时采用 GAN 进行生成对抗训练以提升预测精度. 本文在北京地铁两个真实数据集上进行测试, 结果显示, Graph-GAN 相较于基准模型具有更高的预测精度, 其在两个数据集上的 RMSE 分别为 34.73 和 32.87, MAE 分别为 20.47 和 16.85, WMAPE 分别为 7.72% 和 8.62%. 多步预测实验结果表明 Graph-GAN 能够准确预测未来多个时间步的进站客流, 验证了该模型的实用性. 消融实验结果表明GAN、不同模式客流之间的交互信息和时空特征对提升预测精度的重要性, 同时 GCN 有效提取了轨道交通网络的空间信息.