交通物流模型 | 基于时空注意力融合网络的城市轨道交通假期短时客流预测

短时轨道交通客流预测对于交通运营管理非常重要。新兴的深度学习模型有效提高了预测精度。然而，大部分现有模型主要针对常规工作日或周末客流进行预测。由于假期客流的突发性和无规律性，仅有一小部分研究专注于假期客流预测。为此，本文提出一个全新的时空注意力融合网络（STAFN）用于城市轨道交通假期短时客流预测。具体而言，该模型由多图注意力网络（MGATN），卷积注意力模块（Conv-Attn）以及特征融合模块构成，其中多图注意力网络主要用于动态提取客流的复杂空间依赖性，卷积注意力模块则用于从全局和局部角度挖掘时间依赖性， 特征融合模块充分融合假期相关社交媒体数据和客流数据，从而进一步学习客流在假期间的演化趋势。最后，模型在南宁市元旦假期期间的地铁AFC刷卡数据集上进行数值实验，实验结果证明了模型优越的预测性能，可以为假期短期客流预测的实际应用提供有力支持。

本文提出时空注意力融合网络模型（STAFN）旨在动态建模客流的复杂时空依赖性，其主要框架图如下图所示。模型主要由以下三个模块构成，分别是多图注意力网络，卷积注意力模块以及特征融合模块。其中，多图注意力网络充分考虑了多种交通网络图以建模复杂的空间依赖性；卷积注意力模块则利用注意力机制从局部和全局的角度建模时间依赖性；为了学习节假日对客流波动的影响，特征融合模块将客流数据与节假日社交媒体数据相融合，可以有效增强假期客流变化的趋势特征。接下来将简单介绍模型的三个模块。

图卷积网络（GCNs）在捕获图的空间相关性和拓扑信息方面具有强大的能力，近年来越来越多