基于动态图神经常微分方程的地铁短时客流预测方法OA北大核心CSTPCD
Forecasting for Short-term Passenger Flow of Subway Based on Dynamic Graph Neural Ordinary Differential Equations
随着城市轨道交通的快速发展,客流量的准确预测对于改善运营服务至关重要.为了解决当前地铁客流预测存在的时空特性挖掘不充分等问题,进一步提高预测的精度与效率,研究了基于动态图神经常微分方程模型(multivariate time series with dynamic graph neural ordinary differential equations,MTGODE)的地铁短时客流预测方法.该方法通彭 颢1 贺玉过学习地铁站点间的动态关联强度构建…查看全部>>
With the rapid expansion of urban rail transit networks,accurate forecasting for passenger flows has be-come paramount for optimizing operational services.To solve the issue of the inadequate mining for the spatiotem-poral characteristics in the forecasting of current subway passenger flow forecasting and to further enhance accuracy and efficiency of forecasting methods,a forecasting method for short-term subway passenger flow based on multi-variate time ser…查看全部>>
彭颢;贺玉龙;宋太龙;武继壮
北京工业大学交通工程北京市重点实验室 北京 100124北京工业大学交通工程北京市重点实验室 北京 100124山东省交通科学研究院 济南 250031||山东省路域安全与应急保障交通运输行业重点实验室 济南 250031北京工业大学交通工程北京市重点实验室 北京 100124
交通运输
轨道交通地铁客流动态图神经网络MTGODE模型深度学习
rail transitsubway passenger flowdynamic graph neural networkMTGODE modeldeep learning
《交通信息与安全》 2024 (1)
150-160,11
国家自然科学基金项目(61876011)资助
评论