《A Deep Learning Model with Conv-LSTM Networks for Subway Passenger Congestion Delay Prediction》。2020年5月发表在《Journal of Advanced Transportation》上的文章。

论文链接：

https://www.hindawi.com/journals/jat/2021/6645214/

文章在分析地铁出行时间延误原因的基础上，运用控制变量的思想，提出了地铁网络层面的乘客拥挤延误计算方法。考虑到站间客流拥堵具有传播性，车站拥堵不仅与车站历史拥堵有关，还与相邻车站的拥堵有关。因此，结合乘客拥挤的时空特征，采用基于CNN和FC-LSTM的改进深度学习方法Conv-LSTM对地铁车站拥挤延误进行短期预测。Conv-LSTM不仅保留了FC-LSTM的优点，而且由于其独特的卷积结构，适用于时空数据。文章使用各种基准模型来评估所提出模型的性能。试验结果表明，Conv-LSTM能较好地解决地铁车站客流拥挤延误预测问题。

文章的主要贡献如下：

（1）在利用AFC数据计算乘客出行时间的基础上，利用控制变量的思想消除干扰因素，利用高峰时段的实际出行时间与非高峰时段的正常出行时间之差来评价乘客拥挤延误。

（2） 用图像和时间序列表示整个网络中地铁客流的拥挤延误。其中，图像包含相邻站点间拥堵延误的空间传播，时间序列包含地铁站点拥堵延误的时间相关性。

（3） 将传统的全连接长短时记忆（FC-LSTM）网络思想扩展到卷积长短时记忆（Conv-LSTM）网络，该网络在输入到状态和状态到状态的转换中都具有卷积结构，并且可以有效地捕获拥堵延迟的时空相关性。

（4） 计算并预测了整个重庆地铁网络的拥堵延迟，并通过运行数据集验证了该方法的有效性。与传统的客流预测研究不同，传统的客流预测研究往往局限于车站或线路层面的预测。

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