基于混合深度学习的地铁站进出客流量短时预测

来源：交通运输系统工程与信息杂志2020年第5期北京时间：

作者：赵建立，石敬诗，孙秋霞，任玲，刘彩红

单位：1. 山东科技大学 a. 计算机科学与工程学院，b. 数学与系统科学学院，山东 青岛266590； 2. 青岛地铁集团有限公司，山东 青岛266000

摘要：针对城市轨道交通多站点短时客流量预测问题，本文提出一种将卷积神经网络 (CNN)与残差网络(ResNet)相组合的预测模型(ResNet-CNN1D).模型将原始客流量数据作为输入，利用二维 CNN 与 ResNet 组成深层神经网络，捕捉站点间的空间特征，同时利用一维 CNN捕捉客流量的时间依赖.最后，基于参数矩阵，将时间和空间特征进行加权融合，完成对目标时段中多个站点进出客流量的同时预测.采集青岛市地铁3号线刷卡数据，对模型进行验证. 结果表明，相比现有传统的预测模型(ARIMA，SVR，LSTM，CLTFP，ConvLSTM)，本文 ResNet-CNN1D模型具有更好的预测精度.

关键词：城市交通,短时客流量预测,深度学习,地铁刷卡数据,CNN,ResNet

基金资助：2019年度青岛市社会科学规划研究项目/Qingdao Social Science Planning Research Project (QDSKL1901121).