利用时空迁移学习方法评估新建线路对城市轨道交通网络乘客流量变化的影响

《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》：Evaluating passenger flow variations across an urban rail network induced by new lines using spatio-temporal transfer learning method

本研究提出基于迁移学习的超图卷积网络方法，用于预测新建轨道交通线扩展后的网络-wide OD客流变化。通过将OD对建模为超图顶点，利用空间相似性提取地理特征，结合历史OD数据迁移学习补充新OD对的时序特征，构建可扩展的超图结构。实验表明该方法在上海市地铁网络扩展案例中有效提升了客流预测精度，并准确模拟了新线路对既有网络客流的重分配效应，为城市轨道交通规划提供决策支持。

　　
本文聚焦于城市轨道交通网络新增线路对全局OD（起源-目的地）客流的影响预测问题，提出了一种基于迁移学习的时空超图卷积网络（ST-TLHGCN）解决方案。研究针对当前OD客流预测存在的三大核心挑战展开：首先，新增线路缺乏历史数据导致传统模型失效；其次，复杂城市网络中高维时空特征的提取困难；最后，网络拓扑变化引发的客流空间重构难以量化。通过融合超图数据结构、迁移学习机制和时空特征融合技术，研究构建了端到端的预测-分配一体化框架，为超大规模城市轨道交通网络规划提供了创新工具。

一、研究背景与问题定义
全球特大城市轨道交通网络年均扩张速度达12%，中国长三角、珠三角等区域新建线路年增长率超过15%。传统OD预测模型面临双重困境：新增线路缺乏历史数据基础，而既有线路的时空特征又难以直接迁移。例如上海地铁在2021年新增的机场联络线，其沿线12个新站点的OD模式与既有网络存在显著差异。现有研究多集中在单线路或局部区域预测，且主要依赖社会经济指标和地理特征，对网络级关联效应的捕捉不足。

二、方法创新与实现路径
1. 超图时空编码框架
构建三层超图结构：第一层基于地理邻近性建立OD节点超边，第二层融合历史客流时序特征增强超边连接强度，第三层引入迁移学习机制修正新线路超边权重。该结构突破传统图神经网络节点二分性限制，使空间关联、时间依赖和迁移特征形成有机整体。

2. 迁移学习时空特征迁移机制
针对新线路数据缺失问题，建立"空间相似性-时序特征迁移"双通道：首先通过地理信息系统（GIS）提取OD对的空间嵌入向量，运用t-SNE算法可视化相似OD集群；然后基于K近邻匹配，将源域（既有线路）的时序特征映射到目标域（新线路）。实验表明，这种迁移策略使新线路预测误差降低37.6%，较传统特征工程方法提升21.8%。

3. 超图卷积特征聚合
设计动态超边权重更新机制：在既有线路数据中，采用LSTM网络捕捉分钟级时序变化规律，通过余弦相似度计算得到基础超边权重；针对新增线路，将基础权重与迁移后时序特征进行张量融合，形成动态可调的超边连接强度。该机制使模型在应对网络拓扑变化时保持特征连续性。

4. 对数 odds 基因流分配模型
创新性地将出行选择理论引入预测结果应用：构建包含12个关键变量的Logit模型，其中新纳入"线路可达性指数"和"换乘效率增益值"两个决策因子。通过蒙特卡洛模拟预测300种可能的客流分配方案，最终选择使系统总延误最小的均衡分配状态。

三、实证分析与应用验证
基于上海地铁18条既有线路与2条新增线路的实测数据（2018-2023年），构建包含444个车站、8.7万OD对的超大规模训练集。实验设置包含：
- 基线组：传统机器学习模型（ARIMA、XGBoost）与经典图神经网络（GCN、GAT）
- 对比组：时空图卷积网络（STGCN）、Transformer模型
- 自定义组：ST-TLHGCN框架的三个技术路径对比（超图结构、迁移策略、分配模型）

关键实验结果包括：
1. 预测精度对比：ST-TLHGCN在早高峰场景下MAE（平均绝对误差）为18.7人/万人次，较最优对比模型（STGCN）降低29.3%，较传统模型降低54.8%。在跨线路OD预测任务中表现尤为突出，准确率提升至82.4%。
2. 网络级分析能力：成功识别出7个新增线路关联的"时空黑洞区"，这些区域在既有线路中存在23.6%的潜在客流转移。特别发现，新线路开通后导致既有线路换乘节点日均延误增加1.8倍，验证了网络级分析的必要性。
3. 迁移学习效果：通过对比不同迁移策略（特征迁移、模型迁移、联合迁移），验证了时空特征联合迁移的优越性。在新增线路数据缺失超过80%的场景下，联合迁移策略使预测误差控制在5.2%以内。

四、技术突破与行业价值
1. 空间-时间双维度超图建模：首次将地理信息系统（GIS）空间分析技术与深度学习时序建模结合，建立四维超图（空间拓扑、时间序列、迁移特征、网络结构）。
2. 动态超边权重自适应机制：通过实时采集的列车运行图数据更新超边连接强度，使模型具备在线学习能力，响应新线路开通后网络状态变化的平均时间缩短至42分钟。
3. 网络级影响量化评估：开发包含客流转移强度、换乘效率指数、节点压力系数的三维评估体系，可精确预测新增线路对既有线路的级联效应。

五、应用场景与实施建议
本框架已成功应用于上海地铁二期扩建工程：
1. 线路规划阶段：通过预测新增线路激活的23个潜在OD集群，优化了3个关键车站的换乘设施布局。
2. 调度优化阶段：实时预测系统级OD流量变化，动态调整列车编组方案，使早高峰断面客流预测准确率提升至91.2%。
3. 运营评估阶段：建立包含12项KPI的评估矩阵，可量化评估新增线路对既有线路的客流虹吸效应（平均降低15.3%）、节点压力指数（波动范围±8.7%）等关键指标。

六、研究展望
1. 多模态数据融合：探索将手机信令、共享单车轨迹等非结构化数据融入超图构建
2. 自适应迁移机制：研发基于强化学习的迁移策略自动调优系统
3. 可解释性增强：构建可视化超图解释器，辅助规划部门理解预测结果
4. 跨域迁移能力：研究如何将不同城市的迁移知识应用于新建线路

该研究为智能轨道交通系统规划提供了新的方法论工具，其核心创新在于建立可迁移的时空超图表征体系，通过迁移学习突破数据稀缺瓶颈，同时融合多源信息提升模型鲁棒性。在杭州亚运会地铁扩容工程中，应用该框架使新线路OD预测误差控制在8.3%以内，较传统方法提升41.7%，为赛事期间运力调度提供了重要决策支持。