針對(duì)城市軌道交通多站點(diǎn)短時(shí)客流量預(yù)測(cè)問題,本文提出一種將卷積神經(jīng)網(wǎng)絡(luò)（CNN）與殘差網(wǎng)絡(luò)（ResNet）相組合的預(yù)測(cè)模型（ResNet-CNN1D）.模型將原始客流量數(shù)據(jù)作為輸入,利用二維CNN與ResNet組成深層神經(jīng)網(wǎng)絡(luò),捕捉站點(diǎn)間的空間特征,同時(shí)利用一維CNN捕捉客流量的時(shí)間依賴.最后,基于參數(shù)矩陣,將時(shí)間和空間特征進(jìn)行加權(quán)融合,完成對(duì)目標(biāo)時(shí)段中多個(gè)站點(diǎn)進(jìn)出客流量的同時(shí)預(yù)測(cè).采集青島市地鐵3號(hào)線刷卡數(shù)據(jù),對(duì)模型進(jìn)行驗(yàn)證.結(jié)果表明,相比現(xiàn)有傳統(tǒng)的預(yù)測(cè)模型（ARIMA,SVR,LSTM,CLTFP,ConvLSTM）,本文ResNet-CNN1D模型具有更好的預(yù)測(cè)精度. 

【文章來源】：交通運(yùn)輸系統(tǒng)工程與信息. 2020,20(05)北大核心EICSCD

【文章頁(yè)數(shù)】：7 頁(yè)

【部分圖文】：

地鐵站的進(jìn)出客流量

挖掘空間特征的模型是由二維卷積層(CNN2D，簡(jiǎn)稱CNN)和殘差網(wǎng)絡(luò)(Res Net)組成的深層網(wǎng)絡(luò).將客流量的觀測(cè)張量X∈?r×2×m輸入第一個(gè)二維卷積層，連續(xù)堆疊L個(gè)殘差單元，再加入一個(gè)二維卷積層，其中，二維卷積結(jié)構(gòu)如圖3所示.圖3中，卷積核大小為3×3，單個(gè)卷積層只能考慮局部空間的依賴性，適當(dāng)增加網(wǎng)絡(luò)深度可以相應(yīng)增加最后卷積層的感知野，擴(kuò)大空間依賴范圍[7].地鐵站的空間關(guān)系中，并不局限于鄰近站點(diǎn)，以青島市地鐵3號(hào)線刷卡數(shù)據(jù)為例，統(tǒng)計(jì)1周內(nèi)乘客出行的OD(Origin-Destination)信息，如圖4所示.可知，乘客地鐵出行的OD站點(diǎn)間隔為6站的最多，休息日與工作日的短距離出行(1站以內(nèi))分別占總出行量的6.2%和5.3%.因此，有必要設(shè)計(jì)一個(gè)多層卷積網(wǎng)絡(luò)，捕捉間隔遙遠(yuǎn)站點(diǎn)間的空間依賴關(guān)系.青島市地鐵3號(hào)線的站點(diǎn)數(shù)量為22個(gè)，若要挖掘所有站點(diǎn)之間的依賴關(guān)系，至少需要10個(gè)連續(xù)的卷積層堆疊.

網(wǎng)絡(luò)深度對(duì)模型的空間特征挖掘有很大幫助，但深度過度增加，模型精度會(huì)停滯甚至下降.針對(duì)這種“退化”現(xiàn)象，He等[8]提出使用殘差網(wǎng)絡(luò)幫助模型訓(xùn)練.圖5是Res Net-CNN1D模型中構(gòu)建的殘差單元，其公式為圖4 OD距離統(tǒng)計(jì)

【參考文獻(xiàn)】：
期刊論文
[1]基于改進(jìn)KNN算法的城軌進(jìn)站客流實(shí)時(shí)預(yù)測(cè)[J]. 郇寧,謝俏,葉紅霞,姚恩建.  交通運(yùn)輸系統(tǒng)工程與信息. 2018(05)
[2]城市軌道交通常態(tài)與非常態(tài)短期客流預(yù)測(cè)方法研究[J]. 白麗.  交通運(yùn)輸系統(tǒng)工程與信息. 2017(01)



本文編號(hào)：3325159