[论文解读] Multi-Graph Convolutional-Recurrent Neural Network (MGC-RNN) for Short-Term Forecasting of Transit Passenger Flow

Yuxin He, Lishuai Li+2 more|arXiv (Cornell University)|Jul 28, 2021

Traffic Prediction and Management Techniques被引用 4

一句话总结

本文提出MGC-RNN，一种深度学习模型，通过整合多图卷积网络与基于LSTM的seq2seq架构，捕捉空间依赖性、时间动态性以及异构站间相关性，实现对短时轨道交通客流的预测。在深圳地铁数据上的评估表明，MGC-RNN优于基准模型，展现出更高的预测精度，并通过多源数据融合有效建模复杂时空模式。

ABSTRACT

Short-term forecasting of passenger flow is critical for transit management and crowd regulation. Spatial dependencies, temporal dependencies, inter-station correlations driven by other latent factors, and exogenous factors bring challenges to the short-term forecasts of passenger flow of urban rail transit networks. An innovative deep learning approach, Multi-Graph Convolutional-Recurrent Neural Network (MGC-RNN) is proposed to forecast passenger flow in urban rail transit systems to incorporate these complex factors. We propose to use multiple graphs to encode the spatial and other heterogenous inter-station correlations. The temporal dynamics of the inter-station correlations are also modeled via the proposed multi-graph convolutional-recurrent neural network structure. Inflow and outflow of all stations can be collectively predicted with multiple time steps ahead via a sequence to sequence(seq2seq) architecture. The proposed method is applied to the short-term forecasts of passenger flow in Shenzhen Metro, China. The experimental results show that MGC-RNN outperforms the benchmark algorithms in terms of forecasting accuracy. Besides, it is found that the inter-station driven by network distance, network structure, and recent flow patterns are significant factors for passenger flow forecasting. Moreover, the architecture of LSTM-encoder-decoder can capture the temporal dependencies well. In general, the proposed framework could provide multiple views of passenger flow dynamics for fine prediction and exhibit a possibility for multi-source heterogeneous data fusion in the spatiotemporal forecast tasks.

研究动机与目标

• 为解决城市轨道交通系统中短时客流预测的挑战，该挑战受空间依赖性、时间动态性及异构站间相关性的影响。
• 将网络距离、结构布局及近期客流模式等外生因素整合进预测框架。
• 开发统一的深度学习模型，实现对所有站点在多个时间步长上的进出客流同步预测。
• 实现多源异构数据融合，以提升时空预测性能。

提出的方法

• 该模型采用多个图来编码不同类型站间相关性，包括基于网络距离、拓扑结构及近期客流模式的相关性。
• 多图卷积层从这些不同的图结构中聚合空间特征，以捕捉异构的空间依赖性。
• 基于LSTM的编码器-解码器架构用于建模客流在时间步长上的动态变化。
• seq2seq框架支持对所有站点在多个未来时间步长上的进出客流实现端到端同步预测。
• 模型通过序列到序列损失函数进行端到端训练，以最小化历史客流序列的预测误差。
• 外生因素如站点位置与客流历史被嵌入并整合进图构建与特征学习过程中。

实验结果

研究问题

• RQ1 如何在客流预测中有效建模多种异构空间关系，如网络距离、拓扑结构及近期客流模式？
• RQ2 基于LSTM的编码器-解码器架构在多大程度上能捕捉客流序列中的长期时间依赖性？
• RQ3 与单图或非图基模型相比，多图集成是否能显著提升预测精度？
• RQ4 站点邻近程度与历史客流等外生因素如何影响站间相关性及预测性能？
• RQ5 不同类型的空间相关性（如结构性 vs. 流量驱动型）对预测精度的相对贡献如何？

主要发现

• 在真实世界深圳地铁数据上，MGC-RNN的预测精度高于基准模型，包括GCN-LSTM、ST-ResNet及基于Transformer的模型。
• 该模型表明，由网络距离、网络结构及近期客流模式驱动的站间相关性，是预测未来客流的重要指标。
• LSTM编码器-解码器架构能有效捕捉客流序列中的长期时间依赖性。
• 使用多图显著提升了性能，通过建模超越简单邻接关系的多样化空间关系。
• 该框架支持对客流动态的多视角分析，并通过独立的图注意力机制提供可解释性。
• 该模型在时空预测任务中展现出强大的多源异构数据融合潜力。