城市轨道交通短期客流预测的Multi-Graph卷积网络

1 介绍

城市轨道交通短期客流预测是一项关键任务。新兴的深度学习技术已成为解决这一问题的有效方法。在本研究中，作者提出了一种深度学习架构，称为“Conv-GCN”，它结合了图卷积网络（GCN）和三维卷积神经网络（3D CNN）。首先，他们引入了多图GCN，分别处理三种流入和流出模式（最近、每日和每周）。多图GCN网络可以捕捉整个网络内的时空相关性和拓扑信息。然后，应用3D CNN来深度整合流入和流出信息。3D CNN可以提取不同流入和流出模式之间以及靠近和远离的站点之间的高级时空特征。最后，采用全连接层输出结果。Conv-GCN模型在北京地铁的智能卡数据上进行了评估，时间间隔分别为10、15和30分钟。结果显示，与其他七个模型相比，该模型具有最佳性能。根均方误差方面，三个时间间隔下的表现分别提高了9.402％、7.756％和9.256％。本研究为地铁运营商优化城市轨道交通运营提供了重要见解。

2 数据集

流入数据的维度为n*时间步长，其中n表示车站数量，时间步长表示25个工作日中的时间步长。 流出数据的结构与流入数据相同。

3 环境需求

Keras == 2.2.4
tensorflow-gpu == 1.10.0
numpy == 1.14.5
scipy == 1.3.3
scikit-learn == 0.20.2
protobuf == 3.6.0

4 关键代码

input1 = Input(shape=(X_train_1.shape[1],X_train_1.shape[2]))
out1 = GraphConvolution1(15, adj=adjacency, activation='relu', kernel_regularizer=l2(5e-4))(input1)
out1 = Reshape((276, 5, 3, 1), input_shape=(276, 15))(out1)

# X_train_2,X_test_2 exit data
input2 = Input(shape=(X_train_2.shape[1],X_train_2.shape[2]), name='input2')
out2 = GraphConvolution1(15, adj=adjacency, activation='relu', kernel_regularizer=l2(5e-4))(input2)
out2 = Reshape((276, 5, 3, 1), input_shape=(276, 15))(out2)

out = keras.layers.concatenate([out1, out2], axis=4)

out = Conv3D(16, kernel_size=3, padding='same', activation='relu')(out)

out = Flatten()(out)
out = Dense(276)(out)

model = Model(inputs=[input1, input2], outputs=[out])

5 结果展示

DL00498-城市轨道交通短期客流预测的Multi-Graph卷积网络