基于圖注意力網絡模型下的公交OD客流預測

摘要 文章針對城市公交OD客流預測問題，提出了一種融合圖注意力網絡和多源數據的時空客流預測模型。首先，通過構建時空圖注意力網絡模型STGAT（Spatio-Temporal Graph Attention Network），引入圖注意力機制自適應學習站點間的影響權重；然后，引入站點POI等空間特征增強模型的解釋性；最后，通過案例分析表明，所提出的STGAT模型在客流預測的精度和穩定性方面均優于其他主流方法。

關鍵詞 公交客流預測；圖注意力網絡；時空依賴；POI

中圖分類號 U121 文獻標識碼 A 文章編號 2096-8949（2024）24-0046-03

0 引言

近年來，城市規模不斷擴大，人口數量持續增長，由此帶來的交通擁堵、環境污染等問題日益嚴重，已成為制約城市可持續發展的關鍵因素，因此準確預測公交客流需求，特別是OD（Original Destination）客流分布，是制定公交合理調度方案的前提。

Yang[1]等人利用LSTM神經網絡模型處理時間序列的優勢，提出了ELF-LSTM遞歸神經網絡模型對短時OD客流進行預測，該模型克服了因時間滯后導致的長時間依賴性學習不足的局限性；侯曉云[2]等人將MLR、KNN、XGBoost和LSTM進行集成，通過預測結果對比發現集成模型的預測效果優于子模型；Yang[3]等人提出了一種基于時間的城市軌道交通客流分層網絡模型，該模型在深度優化框架下，能夠有效地獲得相對準確的客流估計結果。

該文提出一種融合圖注意力網絡和多源數據的時空客流預測模型，通過對北京公交1路車IC刷卡數據和站點POI數據的分析，揭示客流在時空維度上的分布特征；通過構建時空圖注意力網絡模型，引入圖注意力機制自適應學習站點影響權重，結合門控循環單元捕捉客流時序依賴，并引入POI等空間特征增強解釋性，最后通過案例驗證所提模型在預測精度和穩定性方面的優異

性能。

1 相關理論與數據準備

1.1 公交IC刷卡數據

該文采集了北京公交1路車IC刷卡數據及各站點附近的POI情況，然后利用公交線路和站點基礎信息匹配其站點名和站點編號，從而得到模型和算法可用的OD矩陣數據，最后基于線路站點基礎信息中匹配的站點名和站點編號，根據運營時間每小時將矩陣數據生成一個矩陣，一天運營時間為5：00—24：00，所以一天共有19個矩陣。

使用Arc GIS的緩沖區分析工具，建立北京公交1路車各站點500 m范圍內的緩沖區，通過對七種不同類型的POI數據進行KMO和巴特利特檢驗，逐步剔除關聯不大的POI類型，最終確定五種與客流相關性較大的POI，分別是醫療保健、體育休閑服務、科教文化、購物、商務住宅，其中KMO檢驗值為0.86（gt;0.6）、Bartlett球形檢驗概率值為0.000（lt;0.01），可以判斷相關系數矩陣不是單位矩陣，原始變量存在相關關系，可以對客流的吸引力進行解釋。

1.2 POI權重分析

POI，全稱為“Point of Interest”，可以泛指所有能夠抽象為點的地理實體，該文采用相關系數法，即以POI核密度與客流量之間的相關系數為權重[4]，通過GIS進行疊加分析，確定各類POI數據的權重，在各類POI數據分級評分的基礎上對各類POI數據的分析結果進行加權疊加，最終得到這五種類型的POI權重如表1所示：

將POI權重分析的結果與前文的客流時空分布特征分析結果進行結合，發現不同站點的客流不均勻性與周邊POI的豐富性和類型密切相關。

2 基于時空圖注意力網絡的OD客流預測

STGAT通過引入圖注意力機制刻畫各站點之間的空間依賴，并使用門控循環單元捕捉客流在不同時間尺度上的演變規律。

（1）模型輸入與圖構建。該文將道路網絡定義為一張有向帶權圖G=（V， E， A），其中，V=v1，v1，…，vN，表示N個公交站點的集合；E表示站點間的連接關系；為鄰接矩陣，表示站點間的距離；在每個時間步t，輸入表示N個站點的P維特征，包括各站點的進出站客流量、POI密度及相應權重。

（2）時空卷積層。圖注意力模塊負責對站點間的空間依賴進行建模，其計算過程可以表示如下：

（1）

式中，——第l層空間卷積后站點的特征向量；——可學習的權重矩陣；——站點對站點的注意力權重；Ni——站點的鄰居集合。

在對站點信息進行空間聚合后，通過門控循環單元進一步對時序信息進行建模，而對于STGAT的GRU門控機制，則通過更新門zt和重置門rt控制其隱藏狀態的信息流：

（2）

（3）

（4）

（5）

式中，xt——t時刻的輸入；——上一時刻的隱藏狀態。

對于預測未來個時間步的客流分布，則STGAT的輸出可以表示如下：

（6）

式中，Th——歷史時間步數。

（3）模型訓練與優化。模型以端到端的方式進行訓練，以各站點歷史客流數據為輸入，以未來Tp個時間步的OD矩陣為監督信號。其中，Xt分別為時間步t的真實OD矩陣，Tp為預測時間步數。

3 案例分析

STGAT模型的實例驗證選取2019年北京市公交1路車上行方向的OD客流量數據，對數據集進行劃分，將1—11月數據作為訓練集、12月前三周數據作為測試集、12月第四周數據作為預測集，分別采用CNN、RNN、LSTM、GCN這四種預測模型對OD客流進行預測對比分析，見圖1所示。

STGAT模型的驗證選取2019年北京公交1路車下行方向的OD客流量數據，經過上述對數據的處理可以得知，同樣采用CNN、RNN、LSTM、GCN這四種預測模型對OD客流進行預測對比分析，見圖2所示：

圖1和圖2分別展示了各模型在北京公交1路車上、下行方向OD客流預測中的性能對比。從圖中可以看出，STGAT模型的預測結果最接近真實值，對客流量的變化趨勢和峰值捕捉得最為準確。其次是GCN和LSTM模型，它們雖然在一些時段的預測值與真實值有所偏離，但總體上仍然能夠較好地擬合客流量的變化趨勢。

各模型評價指標對比如表2所示：

由表2中的評價指標比較表明，在北京公交1路上、下行方向的OD客流預測中：STGAT模型在該數據集上的預測性能最優，這表明STGAT模型能夠很好地捕捉數據的內在模式和趨勢。

4 結語

時空客流預測模型STGAT通過構建時空圖注意力網絡，引入圖注意力機制自適應學習站點之間的影響權重，捕捉客流在時空維度上的演變規律，同時結合站點POI等空間特征，增強了模型的解釋性。

參考文獻

[1]Yang D，Chen K，Yang M，et al.Urban rail transit passenger flow forecast based on LSTM with enhanced long-term features[J].Intelligent Transport Systems，IET， 2019，13（10）： 1475-1482.

[2]侯曉云，邵麗萍，李靜，等．基于深度學習的城市軌道交通短時客流起訖點預測[J]．城市軌道交通研究， 2020（1）：55-58+115.

[3]Yang Y，Liu J，Shang P，et al.Dynamic Origin-Destination Matrix Estimation Based on Urban Rail Transit AFC Data： Deep Optimization Framework with Forward Passing and Backpropagation Techniques[J].Journal of Advanced Transportation， 2020：1-16.

[4]何惠雨，付曉，呂啟航.突發事件影響下的城市居民出行活動時空模式研究[J].時空信息學報， 2024（2）：259-268.