基于混合深度学习的地铁站进出客流量短时预测

交通运输系统工程与信息 ›› 2020, Vol. 20 ›› Issue (5): 128-134.

基于混合深度学习的地铁站进出客流量短时预测

赵建立^1a，石敬诗^1a，孙秋霞^*1b，任玲²，刘彩红²

1. 山东科技大学 a. 计算机科学与工程学院，b. 数学与系统科学学院，山东青岛266590； 2. 青岛地铁集团有限公司，山东青岛266000

收稿日期:2020-05-06 修回日期:2020-08-14 出版日期:2020-10-25 发布日期:2020-10-26
作者简介:赵建立(1977-)，男，山东莱芜人，教授.
基金资助:
2019年度青岛市社会科学规划研究项目/Qingdao Social Science Planning Research Project (QDSKL1901121).

Short-time Inflow and Outflow Prediction of Metro Stations Based on Hybrid Deep Learning

ZHAO Jian-li^1a, SHI Jing-shi^1a, SUN Qiu-xia^1b, REN Ling², LIU Cai-hong²

1a. College of Computer Science and Engineering, 1b. College of Mathematics and Systems Science, Shandong University of Science and Technology, Qingdao 266590, Shandong, China; 2. Qingdao Metro Group Co., Ltd, Qingdao 266000, Shandong, China

Received:2020-05-06 Revised:2020-08-14 Online:2020-10-25 Published:2020-10-26

摘要/Abstract

摘要：

针对城市轨道交通多站点短时客流量预测问题，本文提出一种将卷积神经网络 (CNN)与残差网络(ResNet)相组合的预测模型(ResNet-CNN1D).模型将原始客流量数据作为输入，利用二维 CNN 与 ResNet 组成深层神经网络，捕捉站点间的空间特征，同时利用一维 CNN捕捉客流量的时间依赖.最后，基于参数矩阵，将时间和空间特征进行加权融合，完成对目标时段中多个站点进出客流量的同时预测.采集青岛市地铁3号线刷卡数据，对模型进行验证. 结果表明，相比现有传统的预测模型(ARIMA，SVR，LSTM，CLTFP，ConvLSTM)，本文 ResNet-CNN1D模型具有更好的预测精度.

关键词: 城市交通, 短时客流量预测, 深度学习, 地铁刷卡数据, CNN, ResNet

Abstract:

This paper proposes a prediction model (ResNet- CNN1D) combining convolutional neural network (CNN) and residual network (ResNet) for multi- station short- term passenger volume prediction of urban rail transit. The original passenger volume data is used as input of the model. The deep network composed of twodimensional CNN and ResNet is used to mine the spatial features between the stations. The one-dimensional CNN is used to mine the temporal features of the passenger flow. Based on the parametric matrix, the temporal and spatial features are weighted to obtain the multi-station inflow and outflow during the research period. The model is verified by the card-swiping data of the Qingdao No.3 metro line. Compared with existing traditional prediction models (ARIMA, SVR, LSTM, CLTFP, ConvLSTM), the proposed ResNet-CNN1D model in this paper has the best prediction accuracy.

Key words: urban traffic, short-time passenger volume prediction, deep learning, metro card-swiping data, CNN, ResNet

中图分类号:

U231+.4

赵建立，石敬诗，孙秋霞，任玲，刘彩红. 基于混合深度学习的地铁站进出客流量短时预测[J]. 交通运输系统工程与信息, 2020, 20(5): 128-134.

ZHAO Jian-li, SHI Jing-shi, SUN Qiu-xia, REN Ling, LIU Cai-hong. Short-time Inflow and Outflow Prediction of Metro Stations Based on Hybrid Deep Learning[J]. Journal of Transportation Systems Engineering and Information Technology, 2020, 20(5): 128-134.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: http://www.tseit.org.cn/CN/abstract/abstract20125.shtml

http://www.tseit.org.cn/CN/Y2020/V20/I5/128

参考文献

[1] 白丽. 城市轨道交通常态与非常态短期客流预测方法研究[J]. 交通运输系统工程与信息, 2017, 17(1): 127- 135. [BAI L. Urban rail transit normal and abnormal short- term passenger flow forecasting method[J]. Journal of Transportation Systems Engineering and Information Technology, 2017, 17(1): 127-135.]

[2] 郇宁, 谢俏, 叶红霞, 等. 基于改进KNN算法的城轨进站客流实时预测[J]. 交通运输系统工程与信息, 2018, 18(5): 121-128. [HUAN N, XIE Q, YE H X, et al. Realtime forecasting of urban rail transit ridership at the station level based on improved KNN algorithm[J]. Journal of Transportation Systems Engineering and Information Technology, 2018, 18(5): 121-128.]

[3] TANG Q C, YANG M N, YANG Y. ST- LSTM: A deep learning approach combined spatio-temporal features for short- term forecast in rail transit[J]. Journal of Advanced Transportation, 2019, 2019(6): 1-8.

[4] MA X L, ZHANG J Y, DU B W, et al. Parallel architecture of convolutional bi- directional LSTM neural networks for network- wide metro ridership prediction[J]. IEEE Transactions on Intelligent Transportation Systems, 2019, 20(6): 2278-2288.

[5] LIU Y, LIU Z Y, JIA R. DeepPF: A deep learning based architecture for metro passenger flow prediction[J]. Transportation Research Part C: Emerging Technologies, 2019, 101: 18-34.

[6] ZHANG J L, CHEN F, CUI Z Y, et al. Deep learning architecture for short-term passenger flow forecasting in urban rail transit[J]. IEEE Transactions on Intelligent Transportation Systems, 2020, DOI: 10.1109/ TITS.2020.3000761.

[7] ZHANG J B, ZHENG Y, QI D K. Deep spatio-temporal residual networks for citywide crowd flows prediction [C]. Proceedings of the Thirty- First AAAI Conference on Artificial Intelligence, San Francisco, 2017: 1655- 1661.

[8] HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition[C]. 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, 2016: 770-778.

[9] YU B, YIN H T, ZHU Z X. Spatio- temporal graph convolutional networks: A deep learning framework for traffic forecasting[C]. Proceedings of the TwentySeventh International Joint Conference on Artificial Intelligence, Stockholm, 2018: 3634-3640.

[10] WU Y K, TAN H C. Short-term traffic flow forecasting with spatial- temporal correlation in a hybrid deep learning framework[J/OL]. (2016- 12- 3) [2020- 4- 8]. https://arxiv.org/abs/1612.01022.

[1]	刘晓冰, 李奉孝, 田欣妹, 闫学东. 基于通勤模式的都市圈中心结构判别研究[J]. 交通运输系统工程与信息, 2022, 22(2): 17-28.
[2]	许奇, 陈越, 黄靖茹, 高顺祥, 张志健. 考虑出行费用的就业可达性分析[J]. 交通运输系统工程与信息, 2022, 22(2): 37-44.
[3]	刘春禹, 刘永红, 罗霞, 朱颖. 混合交通流环境下单交叉口自动驾驶车辆轨迹优化[J]. 交通运输系统工程与信息, 2022, 22(2): 154-162.
[4]	张小雨, 邵春福, 王博彬, 黄士琛. 新冠疫情影响下居民共享出行方式选择行为研究[J]. 交通运输系统工程与信息, 2022, 22(2): 186-196.
[5]	李欣, 戴章, 李怀悦, 胡笳. 基于连续近似模型的轨道交通与常规公交耦合优化设计[J]. 交通运输系统工程与信息, 2022, 22(2): 206-213.
[6]	郝妍熙, 刘戎阳, 胡华, 方勇, 刘志钢. 单向通道行人-自行车混合流建模及自组织现象研究[J]. 交通运输系统工程与信息, 2022, 22(2): 223-229.
[7]	赵传林, 贺少松, 孙淑敏, 王钰涵. 基于理性疏忽理论的交通疏散网络双层优化模型[J]. 交通运输系统工程与信息, 2022, 22(2): 239-246.
[8]	陈小红, 蓝秋雨. 不确定交通需求下交叉口信号配时区间优化模型[J]. 交通运输系统工程与信息, 2022, 22(2): 247-256.
[9]	李冰, 王正辉, 马铭炜, 杨鸿宇, 冯悦. 信号交叉口行人二次过街下右转车通行能力与延误估计模型[J]. 交通运输系统工程与信息, 2022, 22(2): 257-267.
[10]	朱彤, 秦丹, 董傲然, 杜雨萌, 魏雯. 公交驾驶员违规类型同交通事故间的关联分析[J]. 交通运输系统工程与信息, 2022, 22(2): 322-329.
[11]	毛保华, 王敏, 何天健, 陈海波. 城市公共交通服务水平研究回顾和展望[J]. 交通运输系统工程与信息, 2022, 22(1): 2-13.
[12]	王子甲, 贾慧慧, 朱亚迪, 陈峰. 基于智能卡数据的轨道与公交复合网络通勤方式选择行为研究[J]. 交通运输系统工程与信息, 2022, 22(1): 67-73.
[13]	贾斌, 朱凌, 李树凯, 刘家林. 城市轨道交通小交路计划与客流控制协同优化策略[J]. 交通运输系统工程与信息, 2022, 22(1): 124-132.
[14]	牟振华, 汪寒冰, 林本江, 陈逸群, 金程程, 陈艳艳. 基于演化博弈的违章停车动态罚金策略效用仿真评价[J]. 交通运输系统工程与信息, 2022, 22(1): 152-162.
[15]	贾富强, 李引珍, 杨信丰, 马昌喜, 代存杰. 基于演化博弈的政府鼓励条件下共享停车行为分析[J]. 交通运输系统工程与信息, 2022, 22(1): 163-170.