基于时空并行网格的轨道交通客流预测技术解析

1. 项目概述

轨道交通客流预测是智慧交通系统中的核心环节，其准确性直接影响列车调度、应急管理和乘客体验。传统时间序列预测方法（如ARIMA）难以捕捉客流数据的非线性时空特征，而基于深度学习的预测模型在应对复杂时空相关性方面展现出显著优势。本文提出的"基于时空并行网格的轨道交通多步客流预测"方法，通过融合TrellisNets时序建模能力和图卷积网络（GCN）的空间特征提取能力，构建了端到端的预测框架。

在实际地铁运营中，客流数据呈现三种典型特征：1）时间维度上具有周期性（日/周规律）和趋势性（节假日波动）；2）空间维度上存在站点间流量传导效应（如换乘站与普通站的差异）；3）时空耦合特征（如早晚高峰期间特定OD对的密集出行）。这些特性使得简单扩展传统时序模型或空间模型都难以取得理想效果。

2. 核心技术解析

2.1 时空并行网格架构

模型采用双通道设计处理时空特征：

• 时间通道：基于改进的TrellisNets结构，通过因果扩张卷积（dilated causal convolution）捕获多粒度时序模式。设置扩张因子d=1,2,4,8的四层卷积，分别对应15分钟、30分钟、1小时、2小时的时间感知域
• 空间通道：构建双层图结构：
  • 物理拓扑图：基于地铁线路连接关系的邻接矩阵A∈R^(N×N)
  • 客流OD图：基于历史出行记录的动态矩阵A_OD∈R^(N×N)，其边权重为ln(1+客流量)

关键实现细节：在PyTorch中，图卷积层采用稀疏矩阵乘法优化：

python复制def graph_conv(x, adj):
    # x: [B, T, N, C], adj: [N, N]
    return torch.einsum('ij,btjc->btic', adj, x)

2.2 多尺度特征融合

为解决长短周期预测的矛盾，设计分层特征提取机制：