【论文泛读11】利用时空图卷积神经网络预测全市地铁车站级短期客流_predicting station-level short-term passenger flow

贴一下汇总贴：论文阅读记录

论文链接：《Predicting Station-Level Short-Term Passenger Flow in a Citywide Metro Network Using Spatiotemporal Graph Convolutional Neural Networks》

一、摘要

地铁网络客流预测对交通管理和公共安全具有重要意义。然而，这样的预测是非常具有挑战性的，因为客流受到复杂的空间依赖关系(远近)和时间依赖关系(近期和周期性)的影响。在本文中，我们提出了一种基于深度学习的新方法，名为STGCNNmetro (spatiotemporal graph convolutional neural networks for metro)，用于共同预测城市每个地铁站的两种类型的客流量——流入和流出。STGCNNmetro将城市地铁网络转化为图，并利用图卷积神经网络(GCNNs)进行预测，而不是用网格表示地铁站点，并利用传统的卷积神经网络(CNNs)捕捉时空相关性。首先，我们应用立体图卷积运算来无缝捕捉沿着地铁网络的不规则时空依赖性。其次，构建了一个由gcnn组成的深层结构，以捕捉整个城市层面的遥远时空依赖关系。最后，我们整合三个时间模式(近期、每日和每周)，并融合从这些模式中获取的时空相关性，形成最终的预测值。STGCNNmetro模型是一个端到端框架，它可以接受原始客流量数据，自动捕捉全市地铁网络的有效特征，并输出预测结果。我们通过对上海地铁网络短期客流量的预测来测试这个模型。实验表明&#x