基于AdaBoost图神经网络的实时地铁乘客目的地预测：融合地铁-公交网络的多模态特征分析

本文创新性地提出一种基于AdaBoost集成学习的图卷积注意力网络(AGNN)，通过融合上下文特征、历史行程(GCN)、实时轨迹(LSTM)及地铁-公交协同特征(GCAM)，实现98.48%预测精度的实时目的地预测。该模型突破传统方法忽略多交通模态关联的局限，为智慧交通(LBS)提供精准决策支持。

　　

Highlight
• 提出新型图卷积注意力集成网络(AGCAISN)，首次在目的地预测中整合地铁-公交双网数据
• 通过AdaBoost算法增强模型鲁棒性，有效解决交通数据稀疏性问题
• 北京实测数据显示预测准确率突破98%，显著优于现有方法

Methodology
我们构建包含四大特征模块的预测框架：
1）语义上下文模块：解析出发时间_i、天气_i等环境因子
2）历史行程模块：采用图卷积网络(GCN)捕捉站点拓扑关系，注意力机制学习OD对^{(origin-destination)}时空模式
3）实时轨迹模块：通过LSTM解码最新行程动态
4）公交协同模块：提取地铁站1km半径内公交乘客的时空特征

创新性引入AdaBoost集成策略，将各模块作为弱分类器进行加权投票，通过迭代误差修正提升预测精度。实验证明该框架在应对数据稀疏性和多模态关联方面展现显著优势。

Conclusion
本研究突破传统单网预测局限，通过地铁-公交网络协同建模和机器学习集成技术，为实时个性化交通服务(LBS)提供新范式。未来可扩展至多交通方式联运场景，推动智慧城市交通大脑建设。