基于超图卷积的跨交通方式客流联合预测模型

doi:10.12141/j.issn.1000-565X.240064

摘要/Abstract

摘要：

大城市多种交通方式交织形成了彼此互通的客流网络，而跨交通方式客流之间的时空关联关系错综复杂，需要客流联合预测来解析整体出行规律，这对实现跨交通方式客流无缝衔接出行至关重要。针对跨交通方式客流网络，引入跨交通方式超图关联矩阵刻画公交和地铁的客流超图网络之间关联关系，提出一种基于双模时空超图卷积网络（BSTHCN）的跨交通方式客流联合预测模型。具体来说，模型由3部分组成：输入模块、时空卷积模块（包括时间卷积和空间卷积）和输出模块，可同时捕捉公交、地铁站点和线路的客流特征，以及两种客流网络之间换乘客流特征。最终，模型可识别提取重要信息特征，并进行特征聚合和分配。实证分析结果表明，相对于经典预测模型而言，BSTHCN具有更优的预测精度，以预测1h后的客流为例，在公交和地铁数据集上的平均绝对误差（MAE）指标至少分别减小了8.93%和8.10%，均方根误差（RMSE）指标至少分别降低了10.64%、7.47%。且BSTHCN的参数量和模型运行时间均在合理范围内，相比于时空卷积网络（S-TGCN）和扩散卷积递归神经网络（DCRNN），BSTHCN在实现更精准预测的同时，运行时间仅增加了4.82%。综合来看，BSTHCN显示出较强的竞争力。消融实验结果则进一步表明，BSTHCN在引入超图并考虑跨交通方式关联后，可更好地反映客流网络中的局部与整体特征，提升客流预测的精度。

关键词: 客流联合预测, 跨交通方式, 时空特征, 超图卷积

Abstract:

The traffic modes in metropolis is interwoven to form an interconnected passenger flow network, and the spatio-temporal relationship between cross-transportation modes is complicated, which requires the joint prediction of passenger flow to analyze the overall travel law. For the cross-transportation passenger flow network, the supergraph correlation matrix of cross-transportation modes is introduced to describe the correlation between the passenger flow supergraph network of bus and subway, and a joint prediction model based on dual-mode spatial-temporal supergraph convolution network (BSTHCN) is proposed. Specifically, the model consists of three parts: an input module, a spatio-temporal convolution module (including temporal and spatial convolutions), and an output module, which can simultaneously capture the passenger flow network characteristics of both buses’ and metros’ stations and routes, as well as the transfer passenger flow characteristics between the two different passenger flow networks. The proposed model can identify and extract important information features, and perform feature aggregation and allocation. The experimental results show that the proposed model has better prediction accuracy compared to classical prediction models. The proposed model reduces the mean absolute error (MAE) by 8.93% and 8.10% on the bus and metro datasets, respectively, while the RMSE decreased by 10.64% and 7.47%. Moreover, the parameter volume and model runtime of proposed model are within a reasonable range. Compared to S-TGCN and DCRNN, proposed model achieves more accurate predictions with only a 4.82% increase in runtime. On the whole, proposed model demonstrates strong competitiveness. The ablation experimental results further demonstrate that after incorporating hypergraphs and considering multi-modal transportation correlations, the proposed model can better reflect both local and global characteristics in passenger flow networks, thereby improving the accuracy of passenger flow prediction.

Key words: joint prediction of passenger flow, multi-modal transportation, spatio-temporal characteristic, hypergraph convolution

中图分类号:

U293.13

王江锋, 丁卫东, 罗冬宇, 等. 基于超图卷积的跨交通方式客流联合预测模型[J]. 华南理工大学学报(自然科学版), 2024, 52(11): 83-94.

WANG Jiangfeng, DING Weidong, LUO Dongyu, et al. Joint Prediction Model of Multi-Modal Transportation Passenger Flow Based on Hypergraph Convolution[J]. Journal of South China University of Technology(Natural Science Edition), 2024, 52(11): 83-94.

图/表 10

图1

图2

图3

图4

图5

表1

表2

表3

图6

表4

参考文献 35

1	LEI D， CHEN X， CHENG L，et al ．Inferring temporal motifs for travel pattern analysis using large scale smart card data［J］．Transportation Research Part C：Emerging Technologies，2020，120：102810/1-21.
2	LIANG Y， HUANG G， ZHAO Z ．Joint demand prediction for multimodal systems：a multi-task multi-relational spatiotemporal graph neural network approach［J］．Transportation Research Part C：Emerging Technologies，2022，140：103731/1-19.
3	刘静，关伟．交通流预测方法综述［J］．公路交通科技，2004，21（3）：82-85.
	LIU Jing， GUAN Wei ．A summary of traffic flow forecasting methods［J］．Journal of Highway and Transportation Research and Development，2004，21（3）：82-85.
4	ZHANG N， ZHANG Y， LU H ．Seasonal autoregressive integrated moving average and support vector machine models［J］．Transportation Research Record，2011，2215 （1）：85-92.
5	FILIPOVSKA M， MAHMASSANI H S ．Traffic flow breakdown prediction using machine learning approaches［J］．Transportation Research Record，2020，2674（10）：560-570.
6	BRATSAS C， KOUPIDIS K， SALANOVA J M，et al ．A comparison of machine learning methods for the pre-diction of traffic speed in urban places［J］．Sustainability，2020，12：142/1-15.
7	ZHAO Z， CHEN W， WU X，et al ．LSTM network：a deep learning approach for short-term traffic forecast［J］．IET Intelligent Transport Systems，2017，11（2）：68-75.
8	TAN Y， LIU H， PU Y，et al ．Passenger flow prediction of integrated passenger terminal based on K-Means-GRNN［J］．Journal of Advanced Transportation，2021，2021：1055910/1-14.
9	赵建东，朱丹，刘佳欣．基于时间序列分解与门控循环单元的地铁换乘客流预测［J］．华南理工大学学报（自然科学版），2022，50（5）：22-31.
	ZHAO Jiandong， ZHU Dan， LIU Jiaxin ．Metro transfer passenger flow prediction based on STL-GRU［J］．Journal of South China University of Technology （Natural Science Edition），2022，50（5）：22-31.
10	ZHANG J B， ZHENG Y， QI D K ．Deep spatio-temporal residual networks for citywide crowd flows prediction［C］∥Proceedings of the 31st AAAI Conference on Artificial Intelligence．San Francisco：AAAI，2017：1655-1661.
11	GUO S N， LIN Y F， LI S J，et al ．Deep spatial-temporal 3D convolutional neural networks for traffic data forecasting［J］．IEEE Transactions on Intelligent Transportation Systems，2019，20（10）：3913-3926.
12	邵春福，薛松，董春娇，等．考虑时空相关性的网络交通流短期预测［J］．北京交通大学学报，2021，45（4）：37-43.
	SHAO Chunfu， XUE Song， DONG Chunjiao，et al ．Short-term traffic flow prediction considering temporal-spatial correlation road network［J］．Journal of Beijing Jiaotong University，2021，45（4）：37-43.
13	袁华，陈泽濠．基于时间卷积神经网络的短时交通流预测算法［J］．华南理工大学学报（自然科学版），2020，48（11）：107-113，122.
	YUAN Hua， CHEN Zehao ．Short-term traffic flow pre-diction based on temporal convolutional networks［J］．Journal of South China University of Technology （Natural Science Edition），2020，48（11）：107-113，122.
14	陈喜群，周凌霄，曹震．基于图卷积网络的路网短时交通流预测研究［J］．交通运输系统工程与信息，2020，20（4）：49-55.
	CHEN Xi-qun， ZHOU Ling-xiao， CAO Zhen ．Short-term network-wide traffic prediction based on graph convolutional network［J］．Journal of Transportation Systems Engineering and Information Technology，2020，20（4）：49-55.
15	YU B， YIN H， ZHU Z ．Spatio-temporal graph convolutional networks：a deep learning framework for traffic forecasting［C］∥Proceedings of The Twenty-Seventh International Joint Conference on Artificial Intelligence．Stockholm：Elsevier，2018：3634-3640.
16	GUO S N， LIN Y F， FENG N，et al ．Attention based spatial-temporal graph convolutional networks for traffic flow forecasting［C］∥Proceedings of the 33rd AAAI Conference on Artificial Intelligence．Honolulu：AAAI，2019：922-929.
17	LI Y， YU R， SHAHABI C，et al ．Diffusion convolutional recurrent neural network：data-driven traffic forecasting［C］∥Proceedings of the 6th International Conference on Learning Representationse （ICLR）．Vancouver：［s.n.］，2018：1-14.
18	ZHAO L， SONG Y， ZHANG C，et al ．T-GCN：a temporal graph convolutional network for traffic prediction［J］．IEEE Transactions on Intelligent Transportation Systems，2020，21（9）：3848-3858.
19	胡智维，张建同．基于多交通模式改进的共享单车需求预测算法研究［J］．软件工程，2024，27（2）：10-15.
	HU Zhiwei， ZHANG Jiantong ．Research on demand forecasting algorithm for shared bicycles based on improved multi-mode transportation mode［J］．Soft Engineering，2024，27（2）：10-15.
20	YE J C， SUN L L， DU B W，et al ．Co-prediction of multiple transportation demands based on deep spatio-temporal neural network［C］∥Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining．Anchorage：ACM，2019：305-313.
21	WANG Q， GUO B， OUYANG Y，et al ．Learning shared mobility-aware knowledge for multiple urban travel demands［J］．IEEE Internet of Things Journal，2022，9（9）：7025-7035.
22	ZHANG M， HUANG T， GUO Z，et al ．Complex-network-based traffic network analysis and dynamics：a comprehensive review［J］．Physica A：Statistical Mechanics and its Applications，2022，607：128063/1-19.
23	MIN W， WYNTER L ．Real-time road traffic prediction with spatio-temporal correlations［J］．Transportation Research Part C：Emerging Technologies，2011，19（4）：606-616.
24	傅惠，胡刚，徐建闽，等．基于神经网络的城市关联交叉口交通流预测控制方法［J］．中国公路学报，2008，21（5）：91-95.
	FU Hui， HU Gang， XU Jianmin，et al ．Traffic Flow Predictive Control Method of Urban Correlation Intersection Based on Neural Network［J］．China Journal of Highway and Transport，2008，21（5）：91-95.
25	马超群，张爽，陈权，等．客流特征视角下的轨道交通网络特征及其脆弱性［J］．交通运输工程学报，2020，20（5）：208-216.
	MA Chao-qun， ZHANG Shuang， CHEN Quan，et al ．Characteristics and vulnerability of rail transit network based on perspective of passenger flow characteristics［J］．Journal of Traffic and Transportation Engineering，2020，20（5）：208-216.
26	FILIPOVSKA M， MAHMASSANI H S ．Spatio-temporal characterization of stochastic dynamic transportation networks［J］．IEEE Transactions on Intelligent Transportation Systems，2023，24（9）：9929-9939.
27	王金水，欧雪雯，陈俊岩，等．基于时空超图卷积模型的城市轨道站点客流预测［J］．铁道科学与工程学报，2023，20（12）：4506-4516.
	WANG Jinshui， Xuewen OU， CHEN Junyan，et al ．Passenger flow forecast of urban rail transit stations based on spatio-temporal hypergraph convolution model［J］．Journal of Railway Science and Engineering，2023，20（12）：4506-4516.
28	WANG J， ZHANG Y， WEI Y，et al ．Metro passenger flow prediction via dynamic hypergraph convolution networks［J］．IEEE Transactions on Intelligent Transportation Systems，2021，22（12）：7891-7903.
29	FENG Y F， YOU H X， ZHANG Z Z，et al ．Hypergraph neural networks［C］∥Proceedings of the 33rd AAAI Conference on Artificial Intelligence．Palo Alto：AAAI Press，2019：3558-3565.
30	YU W， RUAN K， TANG H，et al ．Routing hypergraph convolutional recurrent network for network traffic prediction［J］．Applied Intelligence，2023，53（12）：16126-16137.
31	CHEN E， YE Z， WANG C，et al ．Subway passenger flow prediction for special events using smart card data［J］．IEEE Transactions on Intelligent Transportation Systems，2019，21（3）：1109-1120.
32	TANG J， LI Z， GAO F，et al ．Identifying critical metro stations in multiplex network based on D-S evidence theory［J］．Physica A：Statistical Mechanics and Its Applications，2021，574：126018/1-17.
33	潘恒彦，张文会，胡宝雨，等．城市公交-地铁加权复合网络构建及鲁棒性分析［J］．吉林大学学报（工学版），2022，52（11）：2582-2591.
	PAN Heng-yan， ZHANG Wen-hui， HU Bao-yu，et al ．Construction and robustness analysis of urban weighted subway-bus composite network［J］．Journal of Jilin University （Engineering and Technology Edition），2022，52（11）：2582-2591.
34	郑乐，高良鹏，陈学武，等．地铁-公交加权复合网络关键站点识别及鲁棒性研究［J］．交通运输系统工程与信息，2023，23（5）：120-129.
	ZHENG Yue， GAO Liang-peng， CHEN Xue-wu，et al ．Critical stations identification and robustness analysis of weighted metro-bus composite network［J］．Journal of Transportation Systems Engineering and Information Technology，2023，23（5）：120-129.
35	靳海涛，金凤君，陈卓，等．基于换乘链断裂点时空信息的公交换乘行为识别［J］．交通运输工程学报，2018，18（5）：176-184.
	JIN Hai-tao， JIN Feng-jun， CHEN Zhuo，et al ．Commute activity identification based on spatial and temporal information of transit chaining breaks［J］．Journal of Traffic and Transportation Engineering，2018，18（5）：176-184.

交通方式	序号	字段	数据描述
公交	1	BUSDATA_ID	刷卡ID，18开头的11位数
	2	DEAL_TIME	交易时间，20160307000000~20160313240000
	3	UP_TIME	更新时间，20160307000000~20160313240000
	4	LINE_CODE	线路代码
	5	VEHICLE_CODE	车辆代码
	6	ON_STATION	上车站点编号
	7	OFF_STATION	下车站点编号
地铁	1	GRANT_CARD_CODE	刷卡ID，10000~99999999
	2	ENTRY_NUM	进入站点编号
	3	EXIT_NUM	离开站点编号
	4	ENTRY_TIME	进站时间，20160307000000~20160313240000
	5	DEAL_TIME	交易时间，20160307000000~20160313240000
	6	ENTRY_STATION	进入站点名称
	7	EXIT_STATION	离开站点名称

模型	公交						地铁
	MAE			RMSE			MAE			RMSE
	0.5 h	1.0 h	2.0 h	0.5 h	1.0 h	2.0 h	0.5 h	1.0 h	2.0 h	0.5 h	1.0 h	2.0 h
HA	35.43	47.08	65.57	44.64	55.50	89.48	55.74	73.83	108.56	88.62	121.30	182.29
ARIMA	32.31	43.63	63.97	40.17	54.59	85.17	53.67	75.31	102.63	85.79	120.54	173.84
RF	30.93	36.02	41.82	44.24	50.98	57.54	56.65	68.94	85.81	93.81	115.55	150.00
MLP	36.28	46.08	56.70	50.13	63.19	77.69	55.83	61.90	91.63	86.51	102.61	154.77
LSTM	36.38	39.38	41.36	45.58	49.42	51.69	50.67	61.63	75.68	86.51	102.90	128.55
GRNN	32.58	36.43	41.09	44.37	49.92	55.97	51.45	62.42	77.99	87.61	113.04	145.67
T-GCN	28.89	31.10	35.63	40.36	46.75	51.91	52.82	58.26	78.52	74.85	93.11	124.96
S-TGCN	23.58	30.25	34.87	37.78	48.58	50.09	43.66	53.45	70.04	70.84	90.52	121.34
DCRNN	23.21	26.19	32.39	37.54	43.03	48.63	43.01	54.98	67.65	71.10	88.13	116.80
BSTHCN	22.34	23.85	28.73	36.18	38.45	45.64	40.69	49.12	61.85	69.28	81.55	100.73

模型	公交						地铁
	MAE			RMSE			MAE			RMSE
	0.5 h	1.0 h	2.0 h	0.5 h	1.0 h	2.0 h	0.5 h	1.0 h	2.0 h	0.5 h	1.0 h	2.0 h
-G_merge	23.19	25.34	32.77	38.56	41.12	50.28	45.95	53.34	68.28	73.35	91.73	118.48
N-G	22.77	25.51	32.74	36.88	40.96	50.26	43.88	53.12	66.79	73.67	87.36	113.54
-G_merge＆ N-G	25.17	27.80	34.95	40.27	47.00	54.42	49.35	57.23	72.73	91.04	98.80	130.79
BSTHCN	22.34	23.85	28.73	36.18	38.45	45.64	40.69	49.12	61.85	69.28	81.55	100.73

模型	公交				地铁
	参数量/10⁵	模型运行时间/s			参数量/10⁵	模型运行时间/s
	参数量/10⁵	0.5 h	1.0 h	2.0 h	参数量/10⁵	0.5 h	1.0 h	2.0 h
T-GCN	5.083	20.37	19.11	18.61	3.671	7.84	7.03	6.77
S-TGCN	2.694	12.58	12.04	11.12	1.958	3.94	3.73	3.66
DCRNN	5.246	26.66	25.53	24.35	3.955	8.20	7.70	7.59
BSTHCN	3.871	13.38	12.62	11.71	2.764	4.56	4.24	4.02

[1]	胡永健, 卓思超, 刘琲贝, 王宇飞, 李纪成. 基于多尺度时空特征和篡改概率改善换脸检测的跨库性能[J]. 华南理工大学学报(自然科学版), 2024, 52(6): 110-119.
[2]	林培群夏雨周楚昊. 引入时空特征的高速公路行程时间预测方法[J]. 华南理工大学学报(自然科学版), 2021, 49(8): 1-11.