基于GCN-AM-LSTM的公交客流预测智能调度方法研究

《Applied Sciences》：Research on an Intelligent Scheduling Method Based on GCN-AM-LSTM for Bus Passenger Flow Prediction Xiaolei Ji, Zhe Li, Zhiwei Guo, Haotian Li and Hongpeng Nie

　　

随着城市化进程加快，公共交通系统面临突出挑战，包括客流预测精度不足和调度效率低下。本研究从空间和时间两个维度分析客流变化模式，构建时空矩阵，并采用矩阵降维方法提取关键特征。研究人员提出了一种基于图卷积网络(GCN)和注意力机制增强的长短期记忆网络(AM-LSTM)的客流预测模型，以及一种动态实时智能调度策略。在客流预测方面，模型首先利用图卷积网络(GCN)提取公交网络的空间特征，然后采用注意力机制增强的长短期记忆网络(AM-LSTM)对时间特征进行加权提取，最后融合天气条件等外部因素生成预测输出。在调度优化方面，采用动态实时调度模式：基础框架利用多目标粒子群优化算法(MOPSO)优化动态发车时刻表，然后结合实时客流数据在路线级调整发车间隔，并在站点级实施跳站策略。以厦门BRT1号线为例进行验证。实验结果表明，所提出的GCN-AM-LSTM预测模型相比卷积神经网络(CNN)和长短期记忆网络(LSTM)模型，平均绝对误差(MAE)分别降低14%和22%，预测精度显著提升。在调度优化方面，发车次数减少15.24%，乘客等待时间成本降低3.7%，公交运营成本降低3.19%，有效平衡了服务质量与运营效率。

**研究背景、问题与意义**
随着城市化加速，交通拥堵和环境污染日益突出，优先发展公共交通成为必然选择。然而，传统客流预测依赖历史数据和简单统计模型（如ARIMA），难以适应实时动态变化；固定时刻表调度缺乏灵活性，对大规模高维数据的处理能力不足。现有研究在时空特征挖掘与动态调度整合方面存在缺陷。为此，研究人员提出一种基于GCN-AM-LSTM的智能调度方法，旨在通过精准提取时空特征并构建动态实时调度框架，提升公交运营效率并减少乘客等待时间。该论文发表在《Applied Sciences》。

**研究内容与结论**
研究人员利用厦门BRT1号线智能卡数据（超过2400万条记录）、公交线路数据和天气数据，构建了客流时空矩阵，采用GoDec算法进行降维以提取稳定和突发客流模式。在此基础上，开发了GCN-AM-LSTM融合预测模型：图卷积网络(GCN)捕获站点间空间相关性，注意力机制增强长短期记忆网络(AM-LSTM)学习时间依赖性，并融合天气外部因素输出站点级短时客流预测。基于预测结果，以最小化乘客等待时间和公交运营成本为目标，采用多目标粒子群优化算法(MOPSO)求解帕累托最优发车时刻表，并进一步结合实时数据调整发车间隔和跳站策略。实验结果显示：GCN-AM-LSTM模型相比CNN和LSTM，均方根误差(RMSE)分别降低6%和19%，平均绝对误差(MAE)降低14%和22%，加权平均绝对百分比误差(WMAPE)低2-3个百分点；调度优化后发车次数减少15.24%，乘客等待时间成本降低3.7%，公交运营成本降低3.19%，有效平衡了服务质量与运营效率。

**关键技术方法（不超过250字）**
首先，通过构建OD时空矩阵并应用GoDec算法进行矩阵降维，将原始数据分解为低秩矩阵（稳定客流）和稀疏矩阵（突发需求）。其次，构建GCN-AM-LSTM混合预测模型：GCN通过邻接矩阵聚合相邻站点特征提取空间信息，AM-LSTM利用注意力机制对LSTM隐藏状态进行加权融合以捕捉时间依赖，最后通过全连接层融合天气数据。调度方面，采用动态实时调度框架：基于MOPSO算法优化发车时刻表（目标为最小化乘客等待成本和运营成本），再结合实时客流偏差在路线级调整发车间隔，在站点级依据稀疏矩阵与低秩矩阵的对比实施跳站策略。样本来源为厦门BRT1号线，共26个站点、34.3公里，运营时间6:00-23:30。

**研究结果**

**3.2 矩阵降维实验**
通过GoDec算法对OD矩阵进行降维，得到低秩矩阵L（捕获稳定周期性客流）和稀疏矩阵S（隔离突发需求）。评价显示O/D/OD矩阵的余弦相似度均接近1，重构误差最大仅0.90%，表明低秩矩阵可替代原始矩阵。消融实验对比PCA、截断SVD和鲁棒PCA(RPCA)，GoDec在降维质量（余弦相似度0.9913、重构误差0.26%）和下游预测精度（RMSE 28.26、MAE 17.33、WMAPE 10.06%）上均最优。稀疏矩阵与低秩矩阵的比较结果为跳站策略提供决策依据（如厦门北站实例）。

**3.3 公交客流预测案例分析**
以15分钟为粒度，分别对工作日和周末进行预测。模型参数：两个图卷积层（32和64核）、两个LSTM层（128和276神经元）、全连接层128神经元，时滞15，批量大小64，训练轮数50，学习率0.001。对比CNN和LSTM模型，GCN-AM-LSTM在拟合性能上显著更优，RMSE分别为28.26（CNN 30.01，LSTM 34.88）、MAE为17.33（CNN 20.11，LSTM 22.25）、WMAPE为10.06%（CNN 12.14%，LSTM 13.02%），验证了空间和时间特征联合提取的有效性。

**3.4 公交调度案例分析**
调度模型参数：最大发车次数200-450，最大发车间隔15分钟，额定载客100人。动态调度优化后，发车间隔更贴合客流波动（高峰压缩、低谷延长）。总乘客等待时间成本降低3.7%，发车次数减少15.24%。运营成本方面：车辆能耗成本降低15.26%，人工成本降低4.83%，车辆折旧成本降低1.82%，总运营成本降低3.19%。对比NSGA-II和MODE算法，MOPSO在降低成本（3.19% vs 2.34%和1.72%）和减少等待时间（3.70% vs 3.02%和2.39%）上均最优，因其连续搜索空间探索能力更适合连续型发车时间变量。

**讨论与结论**
讨论部分指出局限性：假设匀速行驶、固定停站时间、仅基于单条BRT线路（厦门BRT1号线）、未考虑极端拥挤场景、实验对比限于CNN和LSTM。未来方向包括优化模型与算法、融合多模态交通数据、构建实时交通信息自适应智能调度系统、应用深度学习和强化学习实现复杂城市交通环境智能化管理。
研究结论（翻译）：本研究利用厦门BRT1号线历史数据进行数据挖掘与分析，构建了GCN-AM-LSTM模型进行站点级客流预测，并基于预测结果建立了动态公交调度模型以实现目标函数优化。结合动态调度模型输出与实时数据实施实时调度策略，通过实例验证了所提模型的可行性。实验结果表明，GCN-AM-LSTM客流预测模型在均方根误差(RMSE)上比CNN和LSTM模型分别降低6%和19%，平均绝对误差(MAE)分别降低14%和22%，加权平均绝对百分比误差(WMAPE)低2-3个百分点。公交调度模型优化后发车次数减少15.24%，乘客等待时间成本降低3.7%，有效提升了乘客出行体验并验证了方法的可行性。但需承认若干具体局限：模型假设匀速行驶和固定停站时间，所有验证基于单条BRT线路，忽略极端拥挤场景，实验对比对象有限。未来研究将涵盖模型优化增强、多模态数据融合、智能调度系统及大数据与人工智能应用。