详情

原文传递基于站点实时关联度的短时公交客流预测方法

论文题名：	基于站点实时关联度的短时公交客流预测方法
关键词：	公交站点客流预测;站点信息编码;站点实时关联度;Attention机制;梯度中心化
摘要：	近年来，在优先推进我国公共交通建设的政策指引下，我国大中型城市的公共交通得到了快速发展，建设和运行取得了巨大成绩;但随着我国新型城镇化进程的加速和发展，人们对交通的需求量和服务质量要求不断增加，因此公共交通需要更加科学有效的技术支持。公交客流预测技术所提供的客流信息是辅助公共交通管理调度的重要依据。　　公交客流受到公交线网、天气、道路情况和节假日等因素的影响，而某一公交站点的客流量还会受到站点土地属性和与之关联性较强的站点客流情况影响，因此公交客流预测需考虑的的因素复杂多样。　　本文在研究了国内外交通预测领域和人工智能领域的现状后，提出了基于Attention的交通预测核心算法(TrafficForecastModelbasedAttention)，简称TFMA，结合数据预处理和站点信息编码完成了基于站点实时关联度的短时公交客流预测方法。首先将原始公交车的进出站信息数据和乘客的公交刷卡信息数据两部分进行匹配，并计算出了以15分钟为间隔的时段公交站点客流量。其次，将线路编号、站点编号、站点属性、时间窗口及对应的客流信息、客流变化率、节假日信息和天气等数据进行数据融合，作为站点的编码信息。接着依次构建了multi-headed层、self-attention层，增加通道并堆叠多次，以站点未来15分钟的客流量为预测值进行训练。为了使得TFMA算法对公交站点的客流预测能够精确度更高、收敛更快，核心算法中嵌入了残差链接和梯度中心化操作。　　最后，本文以苏州市公交数据进行验证，结果表明:在准确率上，对比多元线性回归的53.8％、GRU的66.9％和LightGBM的81.2％，基于站点实时关联度的短时公交客流预测方法的准确率在90％以上。　　本文主要贡献和创新点如下: 　　1、将线路编号、站点编号、时间窗口信息、客流量、客流变化率、节假日信息和天气数据进行融合，更为全面和客观地构建了站点的编码信息用于后续训练。　　2、创新性地提出了站点实时关联度，与目标站点实时关联度高的其他站点若客流产生了变化，目标站点的客流也会随之变化。依靠站点实时关联度，算法实现了对目标站点客流量更精准的预测;同时在实际应对客流高峰的情况中，可以联合控制目标站点和高关联度站点的客流集结量来进行客流疏散工作。　　3、在TFMA核心算法中使用了self-attention计算当前站点和其他站点的关联程度，并对编码后的公交站点进行特征提取;使用了multi-headed机制对单个站点编码信息通过不同的head得到多个特征表达，可以综合不同注意力的结果，得到的不同时空尺度的公交站点实时关联度。　　4、首次在交通类算法中使用了梯度中心化（GradientCentralization），提高了算法泛化能力和稳定性，加快了算法的训练速度。
作者：	俞佳浩
专业：	交通运输工程
导师：	王福建
授予学位：	硕士
授予学位单位：	浙江大学
学位年度：	2021