鲁文博、张永、李培坤、王亭、丛雅蓉

摘要：针对传统方法对地铁车站的多视角空间交互建模不足的问题，本文提出自适应多视图融合图神经网络模型(Adaptive Multi-view Fusion Graph Neural Network Model, AMFGNN)进行地铁车站短时客流预测。在空间维度，模型包括了物理拓扑图、线路可达性图、空间距离图等多个局部视图，并使用图注意力网络(Graph Attention Networks, GAT)学习每个视图内车站间的动态空间交互；以单视图车站为中心节点，结合其他视图中该车站作为邻居节点构建融合视图，并使用GAT学习多视图间动态交互；在时间维度，使用门控循环单元神经网络学习车站客流的时变特征。以重庆市地铁网络为例，全网出站客流的预测实验结果表明：相较于基线中的物理虚拟结合图网络模型(PVCGN),AMFGNN的平均绝对误差和均方根误差分别降低3.06%和2.49%。多视图内节点间注意力分数可视化结果表明，基于GAT的多视图建模思路能够自适应地融合不同视图中提取到的车站空间信息。此外，AMFGNN模型性能影响因素分析结果表明，以物理拓扑、线路可达性等结构稳定的视图作为中心节点构建融合视图能够获得更准确、稳定的预测模型。

关键词：城市交通;地铁客流预测;图注意力机制;多视图建模;图神经网络;

DOI：10.16097/j.cnki.1009-6744.2024.03.019

发表时间：2024-03-21