基于Wi-Fi被动感知数据的城市轨道交通短期客流预测：时空图神经网络模型的比较分析

《IEEE Intelligent Transportation Systems Magazine》：Comparative Analysis of Spatio-Temporal Graph Neural Networks for Short-Term Passenger Flow Forecasting in Urban Rail Transit Systems Using Wi-Fi Data

　　

摘要：

城市轨道交通（URT）系统日益增长的客流量加剧了拥挤问题，促使需要准确的短期客流量预测来支持动态服务调整和乘客信息服务。本研究对用于预测地铁站乘客流入和流出的时空图神经网络（STGNN）模型进行了比较分析，利用Wi-Fi设备连接数据作为多伦多地铁网络中被动、低成本的客流量代理指标。该网络采用的是仅刷卡进站而不记录出站的自动收费（AFC）系统。使用61个车站长达一年的数据集，对十一种具有代表性的STGNN架构在不同预测时间尺度（最长60分钟，间隔15分钟）和回看窗口（3小时和18小时）下进行了评估。具有动态和自适应图学习能力的模型达到了最高的准确性，其中D²STGNN表现最佳，Graph WaveNet作为其最接近且最高效的竞争者。在早高峰期间的高客流量车站，这些模型相对于LSTM基准的平均绝对误差在改善最显著的车站中降低了35%以上，且在较短的回看窗口下提升最为明显。乘客流入比流出更具可预测性，车站功能通过方向性通勤模式影响预测性能，而更长的输入历史主要有利于较弱的纯时序模型。成本-准确性分析表明，STGCN和Graph WaveNet最高效，D²STGNN最准确，而AGCRN和DDGCRN以显著较低的成本提供了接近最佳的准确性。这些发现为在仅记录进站数据的AFC系统中使用被动感知数据进行客流量预测提供了指导。