城市轨道交通网络短时OD客流多任务协同预测

来源：交通运输系统工程与信息杂志2025年第5期北京时间：

作者：杨静, 侯宇晴, 谢余晨, 杨安安

单位：1. 北京建筑大学，土木与交通工程学院，北京100044；2.北京市智慧交通发展中心，北京101117

摘要：针对现有短时OD(Origin-Destination)预测方法中，OD客流与进出站客流关联性建模不足以及传统GNN(Graph Neural Network)表征能力受限的问题，本文提出一种融合多任务学习(Multi-task Learning, MTL)的时空图神经网络模型(MSTGN)。该模型将OD客流预测作为主任务，进出站流量作为辅助任务，借助消息传递图神经网络(MPNN)构建边-节点协同的时空传播模块，分别建模OD流(边特征)与站点客流(节点特征)，实现对复杂时空耦合关系的高效刻画。同时，引入任务一致性约束与动态权重机制，优化多任务协同效果。在北京市和杭州市的地铁实证数据集上进行对比实验与消融分析，结果表明：MSTGN在平均绝对误差(MAE)、均方根误差(RMSE)、加权平均绝对百分比误差(WMAPE)这3项指标上分别较次优模型HIAM(Heterogeneous Information Aggregation Model)提升约5.5%~6.0%，验证了模型的跨城市泛化能力；其中，MPNN模块贡献最大，消融后性能下降达6.12%。研究结果表明，MSTGN在提升短时OD预测精度与系统适应性方面具备显著优势，为城市轨道交通的智能调度与资源优化提供了技术支撑。

关键词：智能交通,短时OD预测,多任务学习,城市轨道交通,时空特征

基金资助：国家自然科学基金(52402377)；北京市自然科学基金(8252005)。