深度学习驱动的总线短期OD需求预测通过物理引导的自适应图形空间时间注意力网络
Zhichao Cao1,2, Longfei Song1, Silin Zhang1
1School of Transportation and Civil Engineering, Nantong University, Nantong 226019, China.
Sensors (Basel, Switzerland)
|November 13, 2025
概括
本研究介绍了物理引导的自适应图形时空注意力网络 (PAG-STAN),用于预测公共汽车原点-目的地 (OD) 需求. 该模型通过整合物理引导机制和注意力网络来实现卓越的准确性.
科学领域:
- 运输科学 运输科学
- 人工智能的人工智能
- 深度学习 (Deep Learning) 是一种深度学习.
背景情况:
- 准确的短期巴士原点-目的地 (OD) 需求预测对于公共交通运营至关重要.
- 现有的模型经常在有限的数据和捕捉复杂的时空依赖性方面扎.
- 需要一种新的深度学习方法来提高预测的准确性和效率.
研究的目的:
- 开发和评估一种新的深度学习模型,PAG-STAN,用于短期公共汽车OD需求预测.
- 用物理引导的损失函数和注意力机制来提高预测准确度.
- 为了验证模型在30分钟间隔的小规模数据集上的性能.
主要方法:
- 构建了一个修改后的深度学习模型 (PAG-STAN),集成了物理引导机制,自适应图形卷积,注意力网络和时空编码解码器.
- 采用编码器-解码器架构,具有自适应图卷积LSTM (AGC-LSTM) 和多头注意力机制.
- 利用面具物理引导的损失函数,结合登机乘客数量和OD需求,使用Adam优化器和早期停止进行训练.
主要成果:
- 与其他深度学习模型相比,PAG-STAN显示出更高的预测准确度.
- 该模型实现了根平均平方误差 (RMSE) 的显著降低6.19%,平均绝对误差 (MAE) 的6.59%,加权平均绝对百分比误差 (WMAPE) 的8.20%.
- 在R平方 (R2) 中观察到1.13%的改善,表明预测能力增强.
结论:
- 拟议的PAG-STAN模型有效地预测了短期公共汽车OD需求,优于现有的方法.
- 整合物理指导原则和注意力机制,提高了模型捕捉复杂的时空模式的能力.
- 该研究强调了先进的深度学习技术在优化公共交通管理方面的潜力.
