没有合适的资源?快使用搜索试试~ 我知道了~
基于图卷积神经网络的地铁客流预测方法_陈镇元1
需积分: 0 1 下载量 115 浏览量
2022-08-03
19:04:21
上传
评论
收藏 1.97MB PDF 举报
温馨提示
试读
2页
介绍的是频谱方法。给定一个图 G=(V,E,A),其中 V 表示图的节点集合,E 表示图的边集合,A∈Rn×n 是邻接矩阵。对于图 G 的拉普拉斯矩阵L 定义为
资源详情
资源评论
资源推荐
科学技术创新 2021.03
基于图卷积神经网络的地铁客流预测方法
陈镇元
(广东工业大学,广东 广州 510006)
1 概述
随着国内外交通运输的飞速发展,关于城市轨道交通客流
预测的研究逐渐引起了学者的关注。地铁作为现代大城市一项
极其重要的交通工具,与其他交通运输方式相比,具有效率高、
运输量大、污染小、稳定安全以及方便快捷等众多特点,受到人
们的青睐,是缓解城市运输压力的有效方式。由于地铁受到越
来越广泛的应用,人们对其的需求亦日益增加,因此,如何准确
地做好地铁客流量预测工作,不仅对地铁运营服务的提高,而
且对人们的出行方式选择具有重要意义。客流预测是地铁系统
的重要组成部分,特别是城市地铁的近期客流量准确预测,有
着十分重要的作用。第一,客流预测可以帮助地铁管理进行更
合理的配置,包括地铁工作人员的调配,减少乘客拥挤,布置疏
导客流的准备措施,对发生事故时的应急决策等,以此提高地
铁系统的服务质量。第二,客流预测可以给人们作为参考,选择
更为高效和安全的出行方式。第三,客流预测对后续轨道交通
的建设规划和工程投资有重要的战略价值。第四,客流预测对
地铁周边的商业布局具有经济意义。
现阶段关于短时客流预测的方法主要分为以下几类:基于
统计学理论为基础 的预测模型,包括时间序列模型和卡尔曼滤
波模型等
[1]
;基于神经网络与传统机器学习为基础的预测模型
[2]
;基于非线性理论为基础的预测模型
[3]
;基于各种理论的组合
模型以及基于深度神经网络和深度学习的预测模型等。这些方
法都是根据客流特征进行分析,利用交通理论或者机器学习和
深度学习的算法建立预测模型。然而,对于地铁客流预测是非
常具有挑战性的,因为客流量会受到复杂的空间依赖和时间依
赖的影响,是一个非常棘手但又必须要解决的问题。随着近几
年图论的发展以及图卷积神经网络的提出,对地铁客流预测这
一问题有了新的解决思路。
2 方法介绍
近年来,图神经网络(graph neural network,GNN)也受到了
越来越多学者的注意。图神经网络的概念首先由 Gori 等人
[4]
(2005)提出 ,并由 Scarselli 等人
[5]
(2008)进一 步阐明。图是一种
数据结构,它为一组对象(节点)及其关系(边)建模。图神经网
络是一种连接模型,它通过图的节点之间的消息传递来捕捉图
的依赖关系。与标准神经网络不同的是,图神经网络保留了一
种状态,可以表示来自其邻域的具有任意深度的信息。图神经
网络 GNN 是在图域上运行的基于深度学习的方法。GNN 在社
交网络、知识图谱、推荐系统、道路交通、生物分子结构等各个
领域有着很大的应用前景。GNN 在对图节点之间依赖关系进行
建模的强大功能,使得与图分析相关的研究领域取得了突破。
当信息 在图的节点之间传播时 GNN 会捕捉 到图 的独立性 。
GNN 以其令人信服的性能和较高的可解释性,近年来已成为
一
种广泛应用的图论分析方法
[6]
。传统机器学习所用到的数据
是欧式空间的数据,CNN 卷积神经网络等在结构规则的欧式空
间等数据上效果显著,但是在非欧氏空间比如图结构数据,就
难以选取固定的卷积核来适应整个图的不规则性,如邻居节点
数量的不确定和节点顺序的不确定。由于传播过程对于图网络
的训练是至关重要的,目前主流的方法是将 CNN 卷积应用到图
结构上,也就是图卷积网络(graph convolutional network,GCN)。
图卷积网络的方法可以分为频谱方法和空间方法两大类,本文
介绍的是频谱方法。
给定一个图 G=(V,E,A),其中 V 表示图的节点集合,E 表
示
图的边集合,A∈R
n!n
是邻接矩阵。对于图 G 的拉普拉斯矩阵
L 定义为 L=D- A,正则化的拉普拉斯矩阵为 L=I
n
- D
-
1
2
AD
-
1
2
。其
中 I
n
∈R
n"n
是单位阵,D∈R
n#n
是顶点的度矩阵 D
ii
=∑
j
W
ij
。拉普
拉斯矩阵其谱分解为 L=U$U
- 1
,其中 U= [u
1
,…,u
n
],%=diag
([&
1
,…,’
n
])。对于 一个输入 x∈R
n
在图中的傅里叶变换定义
为x
!
=U
T
x,其傅里叶逆变换定义为 x=Ux
"
。这样,x 与卷积核进行卷
积就可以写成 g
(
*x=Ug
)
U
T
x,g
*
=diag([+
0
,…,,
n- 1
])。由 于 g
-
的
计算复杂度较高,Kipf 等人
[7]
引入了一种一阶近似 ChebNet,将卷
积公式近似为 g
.
*x=/
0
x- 0
1
D
-
1
2
AD
-
1
2
x。为了防止过拟合,假设
1=2
0
=- 3
1
,图卷积的定义就近似为
其中A
軒
=A+I
n
和D
軒
ii
=∑
j
W
軜
ij
重新归一化得到的,即图上加上自
环。再加上一个激活函数,就可以得到论文的快速卷积公式:
W 就是参数 4 的参数矩阵。
3 模型建立
我们可以将整个城市的地铁网络用图 G=(V,E,A)来表示,
设定每一个地铁站为一个顶点 V,地铁线路为边 E,定义一个邻
接矩阵 A∈Rn5n 来表示各个站点间的联通关系。因此整个地
摘 要:随着社会经济的高速发展和城镇化的推进,大城市的人口不断增加,交通出行的压力变得越来越大,因此轨道交通
成了人们出行的主流方式。如何准确地做好地铁客流量预测工作,对轨道交通发展具有重要意义。本文提出一种基于图卷积神经
网络的地铁客流预测模型,该模型能够有效捕捉地铁网络中复杂的空间依赖和时间依赖,提升预测精度。
关键词:图卷积神经网络;客流预测;方法
中图分类号:TP183,U231+.92 文献标识码:A 文章编号:2096-4390(2021)03- 0088-02
88
- -
创业青年骁哥
- 粉丝: 18
- 资源: 341
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0