基于生成对抗网络的地铁OD需求短时预测

城市轨道交通作为一种安全、运量大、环保节能的交通工具,能有效缓解城市交通压力,逐渐成为大中城市居民最重要的出行方式之一。准确可靠的城市轨道交通短期客流预测对旅客出行与客流管控有重要意义。有鉴于此,提出一种新型的生成对抗网络(GAN)模型,即CWGAN-div模型,以实现对地铁OD需求的短期预测。CWGAN-div模型融合条件生成对抗网络(CGAN)模型以及基于Wasserstein散度的生成对抗网络(WGAN-div)模型,结合2种模型的特点,来提高原始生成对抗网络模型的稳定性和生成精度。考虑到地铁客流量变化的时间周期性,使用一种融合2类周期信息的时间标签作为条件信息,并与历史OD数据一起作为模型的输入。为了更充分、更稳定地挖掘地铁客流需求的时空相关性,采用一种改进的卷积神经网络,即残差神经网络构建CWGAN-div的内部结构。以深圳地铁1号线和4号线的44个站点为例,数值实验表明,CWGAN-div模型具有较好的稳定性和预测效果,相比传统预测方法和普通深度学习方法在预测精度上分别提高了27.97%和6.59%,相比其他组合模型提高了3.26%,相比基础CGAN模型和WGAN-div模型预测精度分别提高了3.83%和9.51%,且残差神经网络结构能够提升模型的稳定性,加快模型收敛。由此可见,CWGAN-div模型在预测短期地铁OD需求方面具有研究意义与现实意义。