Resumen

La previsión del flujo de pasajeros desempeña un papel importante en la gestión del transporte ferroviario urbano (TRU). Sin embargo, las complejas correlaciones espaciales y temporales dificultan enormemente esta tarea. Los trabajos anteriores se han realizado capturando correlaciones espaciotemporales de datos históricos. Sin embargo, la relación espacio-temporal entre estaciones no sólo se limita a la adyacencia geoespacial, sino que también carece de diferentes perspectivas de análisis de correlación de estaciones. Para capturar completamente las correlaciones espaciotemporales, proponemos un modelo de aprendizaje profundo basado en redes neuronales convolucionales de grafos llamado MDGCN. En primer lugar, identificamos la heterogeneidad de las estaciones bajo dos espacios mediante la capa convolucional multigrafo. En segundo lugar, diseñamos la capa convolucional Diff-graph para identificar la tendencia cambiante de las características heterogéneas y utilizamos la unidad de mecanismo de atención con la unidad LSTM para lograr la fusión adaptativa de múltiples características y el modelado de la correlación temporal. Evaluamos este modelo en conjuntos de datos reales. En comparación con las mejores líneas de base, los errores cuadráticos medios de MDGCN mejoran entre un 1% y un 15% en diferentes intervalos de predicción.

• Materias:Infraestructura de transportes Ingeniería del transporte Accidentes de transito Seguridad del transporte Planificación de ruta
• Subjects:Transport infrastructure Transport engineering Traffic accidents Transport safety Path planning
• Palabras claves:correlaciones espaciotemporales, previsión del flujo de pasajeros, unidad de mecanismo de atención, redes neuronales convolucionales, modelo de aprendizaje profundo, diferentes intervalos de predicción, capa convolucional gráfica, análisis de correlación de estaciones, tránsito ferroviario urbano, mdgcn
• Keywords:spatiotemporal correlations, passenger flow forecasting, attention mechanism unit, convolutional neural networks, deep learning model, different prediction intervals, graph convolutional layer, station correlation analysis, urban rail transit, mdgcn