地铁站点辐射范围内的兴趣点(point of interest,POI)蕴含着丰富多样的时空特征。在相应时段内,POI会吸引大量交互客流。为精确捕捉POI对地铁客流的影响机理,提出一种多维兴趣点驱动的地铁客流多通道集成预测方法。首先,综合考虑地铁站...地铁站点辐射范围内的兴趣点(point of interest,POI)蕴含着丰富多样的时空特征。在相应时段内,POI会吸引大量交互客流。为精确捕捉POI对地铁客流的影响机理,提出一种多维兴趣点驱动的地铁客流多通道集成预测方法。首先,综合考虑地铁站点属性对客流的吸引作用、各类POI在不同时段内对客流吸引力的动态变化和各地铁站辐射范围内的POI种类数量和距离,分别构建站点客流吸引力公式、POI时间变化权重模型和POI空间流动交互矩阵。然后,提出一种多通道注意力集成的时空神经网络(multi channel attention spatio-temporal neural network,MCASTNN)客流预测模型,采用三分支结构,应用多种注意力机制挖掘多维POI与地铁客流间的深层关联性,通过多通道注意力集成机制进行特征融合,可有效提取地铁客流复杂的站点属性、时间和空间特征。最后,在杭州地铁AFC刷卡数据集上进行验证。结果表明:相较经典机器学习模型和深度学习模型,MCASTNN在居住主导型站点、工作主导型站点和混合商用型站点等多场景和不同时间步长下均具有更高预测精度,相较于Transformer在单步预测任务中均方根误差和平均绝对误差分别平均下降3.09和3.11。对POI特征和MCASTNN进行消融实验,验证了建模方法和各分支特征提取的有效性。该方法可为有关部门优化配置轨道站点资源、合理制定列车开行方案等提供参考。展开更多
