《Dynamic Origin-Destination Prediction in Urban Rail Systems: A Multi-Resolution Spatio-Temporal Deep Learning Approach》是2021年发表在期刊《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTA TION SYSTEMS》上的一篇文章。

论文链接：

https://ieeexplore.ieee.org/document/9319524

摘要：

短期需求预测(通常定义为未来不到一小时的时间)对于实现动态控制策略和在运输应用程序中提供有用的客户信息至关重要。通过了解预期的需求，公交运营商可以在需求激增之前部署实时控制策略，并将异常对服务质量和乘客体验的影响降至最低。交通需求预测模型的一个最有用的应用是预测车站站台的拥挤和车辆拥挤。这些要求提供关于出发地-目的地(OD)需求的信息，提供乘客如何以及何时进出服务的详细概况。然而，现有的工作在文献中是有限的，绝大多数集中在预测旅客到达车站。这些信息虽然有用，但对于许多实际应用来说是不完整的。文章通过开发一种可扩展的方法，对运输系统的实时、短期OD需求进行预测，来解决这一不足。该模型由三个模块组成:多分辨率空间特征提取模块(利用通道方式的注意块捕获局部空间依赖关系)、辅助信息编码模块(AIE)(对外生信息进行编码)和需求时间演化模块。t时刻的OD需求，以N × N矩阵表示，在两个不同的分支中处理。在一个分支中，文章使用离散小波变换(DWT)将需求分解成不同的时间和频率变化，检测在原始数据中不可见的模式。另一种方法是利用三层卷积神经网络(CNN)直接从OD需求中学习空间依赖性。文章使用挤压-激励层来根据特征图对最终预测的贡献来加权特征图，而不是同等地对待结果变换的每个通道。然后使用卷积长短期记忆网络(ConvLSTM)来捕获需求的时间演化。该研究以香港地下铁路(MTR)系统两个月的自动收费数据为例，说明该方法的可行性。对该模型的广泛评价表明了该模型相对于其他比较方法的优越性。

文章提出了一种端到端深度神经网络方案来解决这一OD预测问题。贡献总结如下:

（1）文章提出了一种新颖的、可扩展的、深度学习的体系结构，利用基于出口的观测数据，在公交网络中进行实时OD预测。

（2）文章提出了一个多分辨率时空神经网络模型(MRSTN)，该模型捕获了空间和时间的相关性，其中离散小波变换用于提供需求的多分辨率分解。

（3）在整个香港地铁系统上测试了所提出的模型，并实证地显示了该研究所提出的模型比其他比较模型的优越性。

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