论文笔记：Short-term origin-destination demand prediction in urban rail transit systems: A channel-wise a

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

URT OD对的预测

1 intro

• 1.1 URT（城市轨道交通） OD预测的特点（难点）

  • data availability
    • 以交通预测为例，预测t+1时刻的交通数据，t时刻的实时数据也是知道的
    • 但是对于URT OD来说，预测t+1时刻的OD对，往往t时刻的OD并不知道（因为乘客坐地铁通勤是需要一定时间的
    • 
  • data dimensionality
    • 如果地铁站数量是N的话，那么OD对的数量是
  • data sparsity
    • OD对是很稀疏的
    • 

     

 1.2 之前的OD预测模型

• 可以分成三类
  • 传统方法
    • 最小二乘估计
    • 概率分析
  • 机器学习类方法
    • 神经网络
    • PCA
    • SVD
  • 深度学习类方法
    • LSTM
      • 每个点并行设计
        • ——>效率不高，且没有考虑空间依赖关系
    • CNN/GCN
      • 多应用在道路OD预测，但那个问题的setting和URT OD的预测不太一样
        • 道路OD预测中，实时和过去的ground-trurh OD对均不知道

1.3 模型

• 提出了一种基于通道的注意力分离卷积神经网络(CAS-CNN)。
• 该模型由多个新颖的组成部分组成，
  • 基于通道的注意机制和分离的CNN。
  • 特别是，创新性地引入了进站/出战门控机制来解决数据可用性问题。
  • 为了解决数据的维数和数据稀疏性问题，文章还首次提出了掩码损失函数。

2 问题定义

2.1 OD对预测

• 在第d天、时间间隔t时候的OD流量

   

  • 
• inflow/outflow

   

   

  • 
  • 
• URT OD 对预测，就是根据实时的inflow/outflow+过去几天的OD对，来预测当下的OD对
  • 

 2.2 Origin–destination attraction degree (ODAD) level

• ODAD 水平

   

  • ​​​​​​​
  • 计算连续几天某一时间间隔的平均OD对
    • ——>刻画各区域各时段OD对的特征
    • ——>避免随机性

毕竟可以看到，无论是从一天的时间段，还是从OD对的index来看，OD对都是很稀疏的

•  

• 

   

3 模型 

3.1 模型总览

3.2  Split CNN（3*3 Conv+5*5 Conv）

• 通过卷积，可以从稀疏OD矩阵中提取出dense的数据
• 不同的卷积核大小可以提取出不同信息
  • 有OD尖峰的区域——大的kernel可以捕获这种peak
  • OD比较平缓的区域——小的kernel可以捕获这种平滑度

3.3 channel-wise attention

同一时间段，不同的日期，可能有不同的权重（比如周末和周中）

 3.4 Inflow/outflow-gated mechanism

 

• Inflow/Outflow 经过1*1的CNN，维度从N*t变成N*1
  • ​​​​​​​1*1的CNN相当于整合了各个t的信息
• 这边的trunk output就是从historical OD data那边输出的东西

3.5 masked loss function

• 忽略那些零值/小值
  • ——>解决数据维度问题和数据稀疏问题

4 实验部分

4.1 数据集

 

 4.2 Metric

 4.3 实验结果

4.3.1 预测准确度

4.3.2 预测可视化

​​​​​​​