城市轨道交通：模型准确预测疫情期间的需求
在最近发表在《工程学》杂志上的一项研究中，由北京交通大学张金磊领导的研究小组提出了一种开创性的模型，该模型解决了城市轨道交通（URT）系统中短期起点-目的地（OD）需求预测的复杂挑战，尤其是在疫情的压力下。该研究提出了物理引导自适应图时空注意力网络（PAG-STAN），这是一个统一的框架，不仅可以具有非凡的精度进行预测，而且还提高了模型的可解释性，这对城市规划者和交通运营商来说是一个至关重要的因素。
准确预测 OD 需求对于城市轨道交通系统的有效运营和管理至关重要。传统方法一直面临实时数据可用性、数据稀疏性和高维性问题，而疫情的不可预测性又使这些问题雪上加霜。
然而，PAG-STAN 模型克服了这些挑战，提供了一个强大的解决方案，该解决方案集成了实时 OD 估计、动态需求矩阵压缩和掩蔽物理引导损失函数（MPG 损失函数），以提高训练效率和可解释性。
该研究引入了一个实时 OD 估算模块，该模块能够实时估算完整的 OD 需求矩阵，鉴于原始地铁数据中经常遇到的稀疏性，这是一个重大进步。此外，动态 OD 需求矩阵压缩模块是一种新颖的方法，它通过关注高需求 OD 对来生成密集矩阵，从而在解决稀疏性和高维性的同时保留关键的分布信息。
PAG-STAN 的核心是编码器-解码器架构，该架构可捕捉地铁 OD 需求的复杂时空依赖性。该模型采用自适应图卷积长短期记忆 (AGC-LSTM) 和多周期交叉注意机制 (MPC-ATTN) 来了解 OD 需求的周期性和时空分布。
双向长短期记忆 (BiLSTM) 传播上下文消息，而异构信息融合块 (HIFB) 结合各种数据源，包括与流行病相关的数据和与日期相关的数据，以评估外部因素对 OD 需求的影响。
PAG-STAN 的一个亮点是 MPG-loss 函数，该函数将 OD 需求与入站流量之间的物理量关系嵌入到模型的训练过程中。这一创新不仅保持了模型的预测准确率，还显著提高了模型的可解释性。
这项研究对两个现实世界数据集进行了严格测试，一个是在疫情条件下，另一个是在常规场景中，证明了 PAG-STAN 优于现有方法。该模型的表现始终稳健，凸显了其在危机和平静时期彻底改变 URT 系统管理的潜力。
虽然这项研究承认存在一些局限性，例如由于动态 OD 需求矩阵压缩导致相对位置信息丢失，但它也为未来的研究指明了方向。北京交通大学的团队致力于完善该模型，并计划将其应用扩展到其他紧急情况下，从而增强 PAG-STAN 的通用性。
这项研究证明了创新在应对复杂的现实挑战方面的力量。随着城市轨道交通系统继续成为全球城市的生命线，PAG-STAN 模型有望成为高效管理这些系统的重要工具，尤其是在面对疫情等前所未有的挑战时。
页:
[1]