基于时空图卷积网络的机场地铁短时客流预测

TP183; 机场地铁短时客流预测是实现机场旅客快速疏解、航站楼现场运力资源指挥调度的关键.考虑到机场复杂的空间结构与航班波动的影响,建立基于图卷积神经网络(GCN)和组合门控卷积(GLU)的机场地铁短时客流预测模型.通过图卷积神经网络融合机场空间路径点与地铁口的空间结构关系,同时,设计一种组合门控卷积模块挖掘航班波动下地铁客流的时变特征,有效地捕捉地铁客流的波动性.基于首都机场T3航站楼真实客流数据对模型的有效性进行检验,经多次实验结果表明,提出的时空图卷积短时客流预测模型在均方根误差、平均绝对误差和平均绝对百分比误差均小于传统ARIMA预测模型与深度学习中LSTM、STGCN模型,该模型能...

Full description

Saved in:
Bibliographic Details
Published in计算机工程与应用 Vol. 59; no. 8; pp. 322 - 330
Main Authors 张兴锐, 刘畅, 陈哲, 邓强强, 吕明, 罗谦
Format Journal Article
LanguageChinese
Published 中国民用航空总局第二研究所 大数据研究所,成都 610041 15.04.2023
Subjects
图卷积网络
航空运输
短时客流预测
机场地铁交通
Online AccessGet full text
ISSN1002-8331
DOI10.3778/j.issn.1002-8331.2112-0383

Cover

More Information
Summary:TP183; 机场地铁短时客流预测是实现机场旅客快速疏解、航站楼现场运力资源指挥调度的关键.考虑到机场复杂的空间结构与航班波动的影响,建立基于图卷积神经网络(GCN)和组合门控卷积(GLU)的机场地铁短时客流预测模型.通过图卷积神经网络融合机场空间路径点与地铁口的空间结构关系,同时,设计一种组合门控卷积模块挖掘航班波动下地铁客流的时变特征,有效地捕捉地铁客流的波动性.基于首都机场T3航站楼真实客流数据对模型的有效性进行检验,经多次实验结果表明,提出的时空图卷积短时客流预测模型在均方根误差、平均绝对误差和平均绝对百分比误差均小于传统ARIMA预测模型与深度学习中LSTM、STGCN模型,该模型能捕捉地铁客流与航班客流的波动变化关系,具有较高的预测精度,提高了模型预测的鲁棒性.
ISSN:1002-8331
DOI:10.3778/j.issn.1002-8331.2112-0383