利用时空门控图神经网络生成地铁网络扩展的起讫点客流

《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》:Origin-destination flow generation for metro network expansion using spatiotemporal gated graph neural networks

【字体: 大 中 小 】 时间:2026年04月08日 来源:TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES 7.9

编辑推荐:

  快速城市化推动了地铁网络的持续扩展以满足日益增长的出行需求。由于投资巨大,此类扩展需要细致的规划,包括对潜在起讫点(Origin-Destination, OD)客流的详细评估。然而,在不断演变的地铁网络中预测 OD 客流极具挑战性;新车站和新线路的引入产生了

  
快速城市化推动了地铁网络的持续扩展以满足日益增长的出行需求。由于投资巨大,此类扩展需要细致的规划,包括对潜在起讫点(Origin-Destination, OD)客流的详细评估。然而,在不断演变的地铁网络中预测 OD 客流极具挑战性;新车站和新线路的引入产生了没有历史客流数据的 OD 对,且随着乘客适应网络变化,出行模式也会发生转变。传统的重力模型依赖于过度简化的假设,忽视了地铁系统内复杂的网络依赖性。同时,近期为区域尺度移动性设计的深度学习方法往往难以捕捉地铁网络独有的细粒度动态和结构演变。为解决这些局限性,研究人员提出了一种时空门控图神经网络(Spatiotemporal Gated Graph Neural Network, STG-GNN)以应对地铁网络扩展中的 OD 客流生成问题。STG-GNN 整合了多样的城市背景数据和动态演变的地铁网络结构。空间依赖性通过基于换乘感知出行时间和地理距离构建的图注意力网络(Graph Attention Networks)进行建模,而时间模式则通过门控循环单元(Gated Recurrent Units, GRUs)进行捕捉。一种新颖的门控融合模块自适应地结合空间和时间输出,根据 OD 对的特征对其贡献进行加权。此外,采用了一种考虑年龄的加权损失函数以反映新 OD 对的成熟过程。研究人员利用中国深圳多年的地铁客流数据对 STG-GNN 进行了广泛验证。结果表明,STG-GNN 始终优于现有的最先进模型,对于新 OD 对,其通勤公共部分(Common Part of Commute, CPC)提高了 13.6%,均方根误差(RMSE)和平均绝对误差(MAE)分别降低了 11.3% 和 4.7%。所提出的模型具有通用性,可适应其他不断演变的交通网络。源代码和合成数据集已公开以供透明度和可复现性之用。
**地铁网络扩展背景下基于深度学习的起讫点客流生成研究解读**

**研究背景与问题阐述**
随着全球快速城市化进程,地铁系统已成为现代城市交通的关键组成部分,其网络扩展规划对于缓解交通拥堵和减少污染至关重要。在地铁网络扩展规划中,准确预测乘客需求,特别是起讫点(Origin-Destination, OD)流量的分布,是指导基础设施投资和优化运营的核心。然而,现有的研究在应对网络动态扩展时面临严峻挑战:一方面,新车站和线路的引入产生了大量缺乏历史客流记录的“冷启动”OD 对,使得依赖历史时间序列的传统预测方法失效;另一方面,既有 OD 对的出行模式也会因网络拓扑结构的改变而发生偏移。传统的重力模型等物理模型假设过于简化,难以捕捉复杂的网络依赖关系;而现有的深度学习方法多针对短期预测或区域间宏观流动设计,缺乏对地铁网络特有的细粒度动态、换乘约束及结构演变的适应能力。因此,如何在一个统一的框架下,同时解决无历史数据的新 OD 对生成和有历史数据但受网络演化影响的既有 OD 对预测,成为亟待解决的难题。

**研究内容、结论与意义**
针对上述问题,研究人员提出了名为“地铁网络扩展中的起讫点客流生成”(ODFG-MNE)的新问题定义,并设计了一种时空门控图神经网络(STG-GNN)模型。该研究利用中国深圳市 2012 年至 2019 年的真实地铁客流及网络演化数据进行了验证。研究结论表明,STG-GNN 模型在处理新 OD 对生成任务上表现卓越,显著优于包括改进版重力模型、随机森林及多种先进深度学习基线在内的对比模型,有效解决了冷启动难题;同时在既有 OD 对的预测上也保持了高精度。该研究的重要意义在于:首先,它填补了针对网络扩展场景下 OD 流生成研究的空白,提供了一套可推广的方法论;其次,提出的自适应门控机制成功平衡了空间上下文信息与时间历史信息在不同类型 OD 对预测中的权重;最后,该成果发表于《TRANSPORTATION RESEARCH PART C-EMERGING TECHNOLOGIES》,为城市规划者评估扩展方案、优化新线运力配置提供了强有力的量化工具。

**关键技术方法**
研究人员开展研究主要采用了以下关键技术方法:首先,构建了多源特征提取体系,整合了兴趣点(POI)、社会经济数据、路网结构及地铁网络拓扑等多维数据,定义了包含车站属性、OD 交互特征及动态局部图特征的丰富特征集。其次,设计了双图空间学习模块,针对每个目标 OD 对,分别构建基于“换乘感知出行时间”和“地理距离”的局部化图(Localized Graphs),利用图注意力网络(GAT)捕捉细粒度的空间依赖。再次,引入门控循环单元(GRU)编码历史客流序列以提取时间依赖特征。最后,创新性地设计了基于 OD 对“年龄”的门控融合网络,自适应地调节空间与时间特征的融合权重,并配合高斯形状的年龄感知加权损失函数,以强化模型对新 OD 对的学习能力。样本队列来源于中国深圳地铁系统 2012 至 2019 年的运营数据。

**研究结果分析**

**1. 基线模型性能对比**
通过对比实验发现,STG-GNN 模型在新旧 OD 对的预测任务中均全面超越了线性回归、重力模型、随机森林及多种深度学习方法(如 Deep Gravity, SI-GCN, ASTGCN 等)。特别是在新 OD 对生成任务中,模型展现出强大的泛化能力,证明了其动态邻域构建策略的有效性;而在既有 OD 对预测中,模型通过融合时空信息,进一步降低了预测误差,体现了统一框架的优势。

**2. 不同场景下的表现**
在分场景评估中,STG-GNN 在工作日与周末、不同客流强度等级以及空间分布上均表现出稳健性。结果显示,模型能够准确捕捉高客流走廊的空间模式,克服了传统重力模型分布均质化的缺陷,同时也修正了部分基线模型对特定区域(如宝安区至其他区域)客流低估的问题,生成的客流分布图与真实情况高度吻合。

**3. 模型变体消融实验**
消融实验证实了模型各组件的必要性。移除门控机制会导致新旧 OD 对预测性能双重下降,证明自适应融合策略的关键作用;仅使用单一图(仅时间或仅距离)或替换为图卷积网络(GCN)均导致性能退化,表明双图互补和注意力机制的重要性;去除时间模块(GRU)显著影响既有 OD 对的预测精度;而采用高斯衰减的年龄加权损失函数在平衡新旧样本训练权重方面优于分段或线性加权策略。此外,统一建模策略优于将新旧 OD 对分开处理的策略,表明两者存在知识互补效应。

**4. 门控机制的可解释性分析**
对门控权重的分析揭示,模型能够根据 OD 对的“年龄”智能调整策略:新 OD 对主要依赖空间特征(GNN 输出)进行预测,而既有 OD 对则更多依赖时间历史特征(GRU 输出)。GNN 模块在新 OD 对中起到了关键的修正和特征注入作用,而在既有 OD 对中则作为时间趋势的微调器,这种动态调整机制是模型成功的关键。

**结论总结**
研究结论指出,本文提出的 STG-GNN 模型有效解决了地铁网络扩展中的 OD 流生成难题。通过整合多源城市背景数据与动态网络拓扑,利用图注意力网络捕捉复杂的空间依赖,结合 GRU 提取时间模式,并通过基于年龄的门控融合机制自适应地平衡时空信息,模型实现了对冷启动新 OD 对和既有 OD 对的高精度预测。该方法不仅适用于深圳,其通用性特征使其可迁移至其他城市及公交网络规划中,为交通基础设施的战略决策提供了科学依据。未来研究可进一步融入更精细的土地利用数据,并尝试将模型扩展至路段级客流预测及线路优化选址等应用层面。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号