基于动态超图卷积网络的地铁客流预测

地铁客流预测是智能交通系统中缓解交通压力、协调运营时间、规划未来建设的战略性需求。基于图的神经网络在交通流预测问题中得到了广泛的应用。图卷积神经网络(GCN)根据已建立的连接捕获空间特征，但忽略了车站与乘客出行模式之间的高阶关系。文章利用一种新的表示方法来处理这个问题-超图，提出了一种用于客流预测的动态时空超图神经网络。在预测框架中，利用地铁系统拓扑结构构造初级超图，然后利用从多时段行人出行模式中发现的高级超边对初级超图进行扩展。在此基础上，提出了基于超图卷积和时空块的时空特征提取算法，实现了节点级预测。在北京和杭州的历史数据集上进行的实验验证了该方法的有效性，并取得了比现有方法更高的预测精度。

《Metro Passenger Flow Prediction via Dynamic Hypergraph Convolution Networks》，这是今年4月发表在 IEEE Transactions on Intelligent Transportation Systems 上的一篇文章。