本周阅读的论文是题目为《Forecasting the subway passenger flow under event occurrences with multivariate disturbances》的一篇2021年发表在《Expert Systems With Applications》涉及突发事件下地铁客流预测的文章。

摘要

地铁客流预测在交通规划和运营中具有重要意义。演唱会、体育比赛等特殊活动带动了大规模的客流，很少有周期性的趋势。因此，预测突发事件期间的地铁出站客流是一项具有挑战性的任务。近年来，社交媒体已被用于社会经济预测。相关性分析表明，社交媒体流量趋势可以用于突发事件发生下的客流预测。本文在传统ID卡数据的基础上，将社交媒体数据融入客流预测。提出了基于多元干扰的混合深度神经网络(MDB-HDNN)，该网络训练了来自附近站点的进站客流干扰和社交媒体发布趋势，用于事件期间的地铁客流预测。在三个真实数据集上的实验结果表明，MDB-HDNN在各种设置下表现良好，具有较好的鲁棒性。研究结果可为列车时刻表制定和客流引导提供决策支持。

介绍

精确的交通客流预测可以帮助城市交通管理者更好的规划、管理与运营。一方面，以往研究大多针对正常时段下的客流预测；对于突发事件，由于其无规律性，使客流预测成为一项具有挑战性的工作。另一方面，以往研究主要利用历史客流数据和时空特征对客流进行预测，社交媒体数据蕴含大量用户信息却几乎没有被用于客流预测的补充。

总的来说，目前的研究主要存在以下两个方面的局限，首先是大部分的深度学习模型在常规短时客流预测上有客观的表现，但忽略了社交媒体数据的影响，并且在特殊事件的预测上效果不好；其次，大多考虑社交媒体的研究主要集中于挖掘文本内容和客流之间的关系，时空方面的影响（例如所有站点的进站客流）并没有完全考虑，而从其他站点流入的客流被证实对观测站点的客流是有影响的，应该被重视，进行相应研究。

为了解决上述提到的局限，文章提出了基于多元干扰的混合深度神经网络模型（MDB-HDNNs），通过三阶段的模型框架，揭示周围车站进站客流、社交媒体数据对观测站点的出站客流影响。最后在三个真实数据集（北京东四十条地铁站、北京团结湖地铁站、北京奥利匹克公园站）上评估模型的预测性能，结果表明文章提出的模型效果优于现有的模型。

模型

文章提出了一种多干扰因素的混合深度神经网络模型（MDB-HDNN），充分考虑到突发事件下周围站点进站客流以及社交媒体数据对研究站点出站客流的影响，结合历史客流数据对t时刻目标站点的出站客流进行预测。具体算法原理如下图所示：

内容中包含的图片若涉及版权问题，请及时与我们联系删除