[论文解读] Short-term origin-destination demand prediction in urban rail transit systems: A channel-wise attentive split-convolutional neural network method

Jinlei Zhang, Hongshu Che+3 more|arXiv (Cornell University)|Aug 8, 2020

Traffic Prediction and Management Techniques参考文献 37被引用 15

一句话总结

本文提出了一种通道注意力分割卷积神经网络（CAS-CNN），用于城市轨道交通系统的短时起讫点（OD）需求预测。通过集成通道注意力机制、进出站门控机制以及掩码损失函数，CAS-CNN有效解决了数据稀疏性、高维性以及实时数据不可用性等挑战，在北京地铁数据集上实现了最先进性能。

ABSTRACT

Short-term origin-destination (OD) flow prediction in urban rail transit (URT) plays a crucial role in smart and real-time URT operation and management. Different from other short-term traffic forecasting methods, the short-term OD flow prediction possesses three unique characteristics: (1) data availability: real-time OD flow is not available during the prediction; (2) data dimensionality: the dimension of the OD flow is much higher than the cardinality of transportation networks; (3) data sparsity: URT OD flow is spatiotemporally sparse. There is a great need to develop novel OD flow forecasting method that explicitly considers the unique characteristics of the URT system. To this end, a channel-wise attentive split-convolutional neural network (CAS-CNN) is proposed. The proposed model consists of many novel components such as the channel-wise attention mechanism and split CNN. In particular, an inflow/outflow-gated mechanism is innovatively introduced to address the data availability issue. We further originally propose a masked loss function to solve the data dimensionality and data sparsity issues. The model interpretability is also discussed in detail. The CAS-CNN model is tested on two large-scale real-world datasets from Beijing Subway, and it outperforms the rest of benchmarking methods. The proposed model contributes to the development of short-term OD flow prediction, and it also lays the foundations of real-time URT operation and management.

研究动机与目标

• 为解决城市轨道交通（URT）系统中短时起讫点（OD）流量预测所面临的独特挑战，包括数据不可用性、高维性以及稀疏性。
• 开发一种深度学习模型，显式考虑URT系统的时空动态特性与结构约束。
• 通过建模复杂的OD流量模式，提升实时URT运营与管理的预测精度。
• 通过注意力机制与结构化损失函数增强模型可解释性。
• 在大规模真实世界URT数据集上验证模型的有效性。

提出的方法

• CAS-CNN模型采用分割卷积架构，分别处理进站与出站特征，从而实现对OD流量动态的更精确建模。
• 引入通道注意力机制，动态加权不同空间与时间通道的重要性，提升特征表示能力。
• 设计进出站门控机制，通过选择性处理可用流量信息，有效应对实时数据不可用问题。
• 提出一种新型掩码损失函数，通过聚焦于观测到的非零OD流量条目，缓解数据稀疏性与高维性问题。
• 通过堆叠卷积层与残差连接，整合空间与时间依赖性，提升梯度流动效率与学习效率。
• 通过可视化注意力权重增强模型可解释性，揭示对预测贡献最大的车站与时间区间。

实验结果

研究问题

• RQ1 深度学习模型如何有效应对城市轨道交通系统中起讫点（OD）流量数据的实时不可用性？
• RQ2 通道注意力机制在短时预测中，能在多大程度上提升对高维稀疏OD流量数据的表征能力？
• RQ3 具有独立进出站处理的分割卷积架构是否能相比标准CNN提升预测精度？
• RQ4 掩码损失函数如何缓解OD流量预测中数据稀疏性与高维性带来的挑战？
• RQ5 所提出的CAS-CNN模型在多大程度上具备可解释性？注意力图是否能揭示OD流量动态中的有意义模式？

主要发现

• 在来自北京地铁系统的两个大规模真实世界数据集上，CAS-CNN模型在所有基线方法中取得了最高的预测精度。
• 在两个数据集上，该模型在RMSE与MAE指标上显著优于传统深度学习基线模型，如GCN-LSTM与ST-ResNet。
• 消融实验表明，每个组件——通道注意力、分割卷积与掩码损失——均对性能提升有贡献，其中注意力机制带来的增益最大。
• 模型生成的注意力图揭示了有意义的空间与时间模式，如高峰时段流量与主要换乘站点，证明了其可解释性。
• 进出站门控机制能有效应对实时OD数据缺失问题，在数据稀缺情况下仍保持稳健性能。
• 该模型在不同时间段与车站配置下均表现出良好的泛化能力，表明其对真实运营环境具有强适应性。