面向短时地铁客流量预测的混合深度学习模型

来源：计算机工程杂志2022年第5期北京时间：

作者：彭桐歆, 韩勇, 王程, 张志浩

单位：1. 中国海洋大学 信息科学与工程学院, 山东 青岛 266100;2. 青岛海洋科学与技术国家实验室 区域海洋动力学与数值模拟功能实验室, 山东 青岛 266237;3. 青岛市市北区党建引领基层治理推进中心, 山东 青岛 266000

摘要：城市交通客流量精准预测是智能交通系统的重要环节，是有效管控交通、规划最佳出行线路的关键。目前城市交通客流量短时预测研究主要集中在利用深度学习模型进行时空特征的提取，忽略了对模型优化的研究。针对短时地铁客流量预测存在的问题，提出一种混合深度学习模型ResGRUMetro，将卷积神经网络、残差单元和门控循环单元相结合，捕获流量数据的时空特征。针对深度学习模型常用的损失函数难以对交通客流量峰值进行精准预测的问题，引入面向短时交通流量预测的加权平方误差，根据交通客流量的大小为预测误差赋予不同权重，并加大对交通客流量峰值处误差的惩罚，使神经网络在反向传播时更加关注峰值处的预测和误差，从而提升交通客流量峰值的预测精度。此外，通过耦合天气、空气质量等外部因子，改善模型的整体预测性能，增强模型的稳定性。实验结果表明，相比LR、PSVR、CNN等典型的预测模型，ResGRUMetro模型有更高的预测精度，能够准确预测交通客流量的峰值。

关键词：智能交通,短时客流量预测,时空特征,残差神经网络,门控循环单元,加权平方误差

基金资助：山东省自然科学基金面上项目（ZR2020MD020）。