考虑稀疏特性的城市轨道交通短时OD时空预测方法.pdf

第 20 卷 第 10 期2023 年 10 月铁道科学与工程学报Journal of Railway Science and EngineeringVolume 20 Number 10October 2023考虑稀疏特性的城市轨道交通短时OD时空预测方法李浩然，许心越，李建民，张安忠(北京交通大学 轨道交通控制与安全国家重点实验室，北京 100089)摘要：准确快速地获取城市轨道短时OD需求对城轨交通管理者及时获取乘客出行需求变化、做出科学决策具有重要意义。由于OD数据存在高维度稀疏特性，导致短时OD预测存在预测精度不高和计算效率低的问题。为进一步提升预测准确性和时效性，考虑OD需求的时空特性和矩阵可分解特性，提出一种基于时空分解和动态模式分解的短时OD预测模型(STDMD)。该方法首先采用融合时间序列分解和离散小波变换的时空分解模块，将原始数据分解为多个时空分量，提取时空特征；同时，利用动态模式分解预测模块通过奇异值分解截断数据矩阵的特征值，对数据进行降维去噪，并集成各分量预测结果，实现城市轨道OD的快速、精准预测。为验证模型的有效性，采用北京地铁数据进行案例验证。研究结果表明：STDMD模型具有较高的预测精度和较短的预测时间，在预测精度上，比向量自回归模型、卷积长短期记忆网络和时间正则化矩阵分解模型分别提高了5.0%，15.3%和17.9%；在预测时间上，比向量自回归模型和卷积长短期记忆网络分别缩短了95.7%和37.6%。STDMD模型各模块均可有效提升模型的预测精度。STDMD模型在不同数据集上表现出较强的鲁棒性。STDMD模型可为稀疏条件下的OD分析预测提供新的思路和方法，具有研究意义与现实意义。关键词：城市轨道交通；时空特性；稀疏特性；动态模式分解；短时OD预测中图分类号：U231 文献标志码：A 开放科学(资源服务)标识码(OSID)文章编号：1672-7029（2023）10-3685-11A spatio-temporal prediction method of short-term OD in urban rail transit with sparse dataLI Haoran,XU Xinyue,LI Jianmin,ZHANG Anzhong(State Key Lab of Rail Traffic Control and Safety,Beijing Jiaotong University,Beijing 100089,China)Abstract:Accurate and rapid acquisition of short-term Origin-Destination(OD)demand is critical for urban rail transit managers to catch passenger travel demand changes in a timely manner and make scientific decisions.Due to the high dimensional and sparse characteristics of OD data,short-term OD prediction has issues with low prediction accuracy and slow calculation.To improve the prediction accuracy and timeliness,an OD predication model was proposed based on spatio-temporal decomposition with dynamic mode decomposition(STDMD)by considering the spatio-temporal characteristics and matrix decomposability of OD demand.First,the spatio-temporal decomposition module that incorporates time series decomposition and discrete wavelet transform was 收稿日期：2022-11-14基金项目：北京市自然科学基金资助项目(9212014)；中央高校基本科研业务费专项资金资助项目(2022JBZY022)通信作者：许心越(1983)，男，河南信阳人，教授，博士，从事交通运输工程研究；E-mail：xxy_DOI:10.19713/ki.43-1423/u.T20222180铁 道 科 学 与 工 程 学 报2023 年 10月utilized to decompose the original data into several spatio-temporal components and capture the space-time aspects.Meanwhile,the eigenvalues of the data matrix were truncated by using singular value decomposition and the dynamic mode decomposition prediction module.The data dimensionality was reduced and denoised,and the prediction results of each component were integrated to realize the fast and accurate prediction of urban rail OD.To verify the validity of the model,the Beijing subway data was used to illustrate the effectiveness of the proposed model.The results show that,the STDMD has higher prediction accuracy and shorter prediction time that improves accuracy by 5.0%,15.3%and 17.9%than vector autoregression,convolution long and short memory networks,and time regularized matrix factorization.It also reduced prediction time by 95.7%and 37.6%as compared to vector autoregression and convolution long and short memory networks,respectively.Each module in STDMD model can effectively improve the prediction accuracy.The STDMD model has strong robustness on a variety of metro data sets.The suggested STDMD provides a new idea and method for OD prediction with sparse data,and it has both research and practical value.Key words:urban rail transit;spatio-temporal characteristics;sparse characteristic;dynamic mode decomposition;short-term OD prediction 城市轨道交通作为一种高效便捷的出行方式，在公共交通中扮演重要角色，其在高速发展的同时，客流拥挤、服务水平下降等问题日益显著12。城市轨道交通OD需求可以很好地揭示乘客在轨道交通路网上的时空分布，有助于运营部门调整列车运行、减缓客流拥挤、提升乘客服务质量34。因此，如何准确、快速地预测城市轨道交通短时OD需求成为了运营部门做出科学运营策略急需解决的问题。目前，城市轨道交通短时OD预测方法主要包括传统统计模型和机器学习模型这2类。传统模型包括状态空间模型56、回归模型7等。姚向明等5基于状态空间模型实现了城市轨道交通OD预测，具有一定的适用性。陈志杰等6提出一种新的状态空间模型实现不同粒度OD的预测，提高了OD预测的准确性。SILVA 等7将自回归模型引入OD预测中，实现了伦敦市地铁OD的预测。机器学习模型包括卡尔曼滤波8、神经网络模型9等。高梦琦8将卡尔曼滤波与长短期记忆神经网络结合，实现了波动OD数据预测。LIU等9集成多源数据，利用递归神经网络对OD进行预测，具有较高的预测精度。然而，以上预测方法存在以下3个方面不足：1)对于大规模路网的动态高维度 OD，无法满足短时OD预测的时效性10；2)OD矩阵的稀疏性导致预测结果受噪音影响较大11，预测精度不高；3)未考虑OD需求的时空相关性12。为解决OD数据的高维性和稀疏性，有研究引入矩阵分解方法进行OD预测1314。LIU等13构建了矩阵分解方法对OD实现预测，提高了预测的效率。张竣伟等14采用非负矩阵分解方法对北京市道路 OD 进行预测，具有较强的解释性。GONG等15开发了一种矩阵分解模型，用于预测地铁系统的OD矩阵，加强了预测的适用性。NOURSALEHI等16提出了一种离散小波(Discrete Wavelet Transformation,DWT)的矩阵分解方法提取OD矩阵中多分辨率空间特征，提升稀疏OD预测精度。但以上研究对OD间的时间相关性考虑不足，导致预测效果存在一定的局限。动态模式分解(Dynamic Mode Decomposition,DMD)作为一种对时间相关性具有良好提取效果的矩阵分解方法，已受到广泛关注1718。KWAK等17应用动态模式分解实现了高速公路路网矩阵旅行时间的时序预测。CHENG等18提出一种基于动态模式分解的矩阵分解方法实现OD矩阵的预测，具有较高的预测精度。综上，本文建立基于时空分解和动态模式分解的混合预测模型(Prediction Model based on Spatio-Temporal Decomposition and Dynamic Mode Decomposition,STDMD)，实现 OD 矩阵的准确快速预测。具体地，采用动态模式分解方法实现动态时序预测模型的构建，对OD矩阵进行降维去噪，解决OD矩阵的高维性和稀疏性。针对OD矩阵在空间维度上的特征复杂特性，使用离散小波分解，实现OD需求时空相关性的刻画。相比于现有模型，在预测精度上和计算时间上均具3686第 10 期李浩然，等：考虑稀疏特性的城市轨道交通短时OD时空预测方法有优势。1 基于时空分解和动态模式分解的短时预测模型1.1问题描述城市轨道交通网络中，OD客流为车站与车站间的客流需求量，定义xijt为在t时刻单位时间间隔内由站i进站至站j出站的客流量，可以将一个路网中的所有OD对的客流量通过一个矩阵Xt进行表示：Xt=()x11t.x1Nt.xN1t.xNNtRNN其中：N为城市轨道交通路网中地铁站的数量。OD 客流在时间维度上具有长期的周期性特征，如工作日存在早晚高峰特征等，并且具有短期的自相关性，客流需求会受到前序客流的影响。在空间维度上由于车站之间的影响，OD对上的客流会受到其他OD对的客流影响，这些影响通常是复杂难以直接捕获的12。同时，路网OD客流矩阵具有高维度和稀疏性，矩阵中路网中大部分的客流集中于小部分的OD对上，其他OD对上客流处于较小的状态，致使OD预测受噪音影响较大，导致时效性与准确性下降11，并且由于智能卡数据只有出行完成才可记录，实时的OD客流无法实时获取10。本 文 对 未 来 路 网 OD 客 流 序 列X=Xt+1Xt+T进行预测，其中T是预测步数。针对以上特性，从历史长期路网 OD 客流序列Xlong=Xt-HXt中提取长期时间周期性，其中H是长期 OD 数据长度；从短期路网 OD客流序列Xshort=Xt-hXt中提取短期时间相关性，其中h是短时前序长度。在预测过程中对OD矩阵进行分解，解决 OD 矩阵的高维度和稀疏性导致的预测困难问题，引入实时进站量Zt作为协变量弥补实时OD无法获取的缺陷：X=f1(f2(XshortZt)Xlong)(1)通过式(1)的映射关系f2引入进站量对OD需求进行分解和时序预测，通过f1将短期时序数据与历史长期时序数据结合，实现未来15 min粒度路网站间OD客流序列的准确、快速、实时预测。1.2基于时空分解和动态模式分解的预测原理1.2.1离散小波变换对于二维OD矩阵，行和列被视为一维信号，离散小波变换能够将OD矩阵变换为一系列的小波系数并将这些系数进行高效地压缩和储存。与傅立叶变换相比，小波具有多分辨率和正交性，多分辨率能够通过放大和缩小分析图像，捕捉不同的时间和频率变化，正交性意味着子矩阵之间具有完全不同的特征，这些特征通常是原始矩阵中常常被忽视的特征。设IRMN为二维矩阵，二维离散小波变换计算公式如下：WLL(mn)=1MNx=3M-1y=0N-1I(xy)mn(xy)(2)WLH(mn)=1MNx=3M-1y=0N-1I(xy)Hmn(xy)(3)WHL(mn)=1MNx=3M-1y=0N-1I(xy)Vmn(xy)(4)WHH(mn)=1MNx=3M-1y=0N-1I(xy)Dmn(xy)(5)其中：mn表示不同尺度和位置的尺度函数；Hmn，Vmn和Dmn表示不同尺度和位置的小波函数。二维矩阵经小波变换处理后每个级别获得4个子带，其中3个子带图像WLH，WHL和WHH分别是沿水平、垂直和对角线方向的图像。离散小波分解放大了不同频率子带的特征，可凸显稀疏矩阵中难以提取的特征，有利于提高预测准确性。1.2.2动态模式分解由于矩阵的稀疏性，导致小规模OD客流受噪音影响较大，且矩阵维度高，计算复杂，本文针对 OD 矩阵稀疏性和高维性采用 DMD 进行 OD 矩阵的预测。动态模式分解可将非线性的系统用线性的模式和特征值来描述，可将复杂的矩阵特征分解为低秩的时空特征，通过矩阵的秩截断降低系数矩阵和数据矩阵的维度，降低求解难度，减少噪音的影响。首先构建预测模型，对离散小波分解后的矩阵的各子矩阵进行拉伸，变换为一维向量：yt=xct11xct12.xct1lxct21xct22.xctll-1xctllRl2(6)其中：xct为离散小波变换后的子矩阵元素，c=3687铁 道 科 学 与 工 程 学 报2023 年 10月WLLWLHWHLWHH；l为 矩 阵 的 长 宽，即 车 站数量。动态模式分解的预测模型为：yt=A1yt-1+A2yt-2+.AhyL-h+BZzL(7)其中：h为前序序列长度；AhRl2l2和BZRl2l是系数矩阵；G=A1A1Ah-1AhBZRl2(hl2+l)是系数的增广矩阵；zLRll是当前时刻车站进站量向量。为求解该模型，首先拓展数据至训练数据长度L：YL=A1YL-1+A2YL-2+AhYL-h+BZZL=GYL(8)其中：Yq=yh+1-L+qyh+2-L+qyq-1yqR(L-h)l2和ZL=zh+1 zh+2zL-1zLR(L-h)l是OD量与进站量向 量 的 拓 展，q=L-hL-h+1L；YL=Yt-1Yt-2 Yt-h+1Yt-hZLR(hl2+l)(L-h)是数据的增广矩阵。对YL进行秩截断奇异值分解(Truncated Singular Value Decomposition,TSVD)：YLUYYVY(9)其 中：UYRl2rY为 左 奇 异 矩 阵 的 截 断 矩 阵；YRrYrY为特征矩阵的截断矩阵；VYRrY(L-h)为右奇异矩阵的截断矩阵的转置；rYl2为YL秩截断奇异值分解后保留的特征值的数量。对系数矩阵和客流矩阵进行以下变换：yt=UYytRry(10)Yq=UYYqRry(L-h)(11)Ah=UYAhUYRryry(12)其中：UYRryl2是矩阵YL的左奇异矩阵的截断矩阵的转置；ryl2为秩截断奇异值分解后保留的特征值的数量。同理对进站客流协变量进行变换，经过以上变换，可将预测模型等价转换为：yt=A1yt-1+A2yt-2+Ahyt-h+BZzt(13)G=UTYGUYUTYYLYt+UY(14)其中：Yt+是Yt的伪逆。最后通过变换得到子矩阵预测结果：yt=Utyt(15)动态模式分解通过系数矩阵和数据矩阵的变换，减少数据维度，避免了由于矩阵的高维性导致的求解计算困难，通过秩截断保留主要特征向量，减少了数据的噪声影响，同时实现时间序列预测。1.3地铁网络短时OD混合预测模型本文建立基于时空分解和动态模式分解的混合预测模型，模型分为时空分解模块、动态模式分解预测模块和分解重构模块。在时空分解模块中，针对OD需求的长期周期特性融合时间序列分解(Seasonal Decomposition of Time Series by Loess,STL)19分离出周期变化量。针对OD需求在空间维度上特征复杂难以提取的特性，对周期分离后的OD矩阵，在空间上通过DWT有效地提取矩阵空间上的信息。在动态模式分解预测模块中，考虑客流需求的短期自相关性，针对OD需求的高维度和稀疏性特点，通过DMD对OD矩阵秩截断降噪和降维，实现稀疏矩阵的准确快速预测，同时引入进站量对模型进行修正。最后，通过分解重构模块将OD矩阵进行还原。方法框架如图1所示。第1部分将OD矩阵序列进行时空分解。基于长期的历史OD矩阵序列，通过STL分解提取客流长期时间特征，得到客流周期分量LtS，对周期分量进行延展即可得到周期预测量XS。基于短期OD图1基于时空分解和动态模式分解的混合预测模型Fig.1Prediction model based on spatio-temporal decomposition and dynamic mode decomposition3688第 10 期李浩然，等：考虑稀疏特性的城市轨道交通短时OD时空预测方法矩阵序列，通过STL分解提取客流短期时间特征，得到客流趋势分量LtT，之后将趋势分量矩阵进行离散小波变换，得到客流趋势子分量LLLt，LLHt，LHLt和LHHt：LtSLtT=STL(XlongXshort)(16)LLLtLLHtLHLtLHHt=DWT(LtT)Rhll(17)其中：STL为时间序列分解；l=N2+2。第 2 部分对趋势子分量进行动态模式分解预测。结合当前时段进站量Zt，构建基于向量自回归的预测模型。采用动态模式分解方法对客流矩阵进行分解降维，减少计算维度，同时对矩阵中的主要特征进行提取，剔除部分噪音影响。最终预测得到趋势预测子分量XLL，XLH，XHL和XHH。该模块的输入输出即为：XLL XLH XHL XHH=DMD(LLLt LLHt LHLt LHHt Zt)(18)第3部分对各预测分量进行重构。通过离散小波逆变换，客流趋势预测子分量重构得到客流趋势预测量，结合周期分量延展得到的周期预测量XS，将得到预测结果X：X=XS+IDWT(XLLXLHXHLXHH)(19)2 案例分析2.1数据描述为验证算法与模型的有效性，以北京地铁1号线和2号线的38个车站进行案例研究，选取2018年 6月 1日6月 30日的工作日总计20 d，5:3023:30的AFC数据作为研究时间范围，采用15 min时间间隔粒度进行实验，前15 d用于模型的求解计算，最后5 d用于结果预测，将预测结果与真实数据进行对比，对模型的性能进行检验。2.2模型预测过程首先对通过时空分解模块案例车站矩阵进行分解，以四惠站建国门站 OD 为例，如图 2 所示。通过STL分解分离出各OD对在时间维度上的趋势分量与周期分量，分别考虑OD客流量的短期特征与长期特征。对时序分解得到的短期趋势分量矩阵，通过离散小波变换在空间上对矩阵进行分解，如图3所示。子带中体现出了原始数据中由于数据稀疏性而易被忽视的空间特征，从而提升预测精度。(a)原始数据序列；(b)长期周期分量；(c)短期趋势分量图2时间维度分解Fig.2Decomposition in time dimension3689铁 道 科 学 与 工 程 学 报2023 年 10月通过动态模式分解预测模块对各趋势分量序列进行预测，得到各预测分量，最终通过重构模块得到最终预测结果。选取多种类OD对的预测结果如图4所示，包含了多种车站，如郊区车站(苹果园)、交通枢纽站(四惠站)、旅游车站(鼓楼大街站)以及商业区车站(建国门)等，同时这些OD对包含了单线内OD和跨线OD，具有一定的代表性。2.3预测结果分析2.3.1整体预测效果分析对 于 评 价 指 标，本 文 采 用 绝 对 平 均 误 差(MAE)、均方根误差(RMSE)和加权平均绝对百分比误差(WMAPE)来评价模型的预测精度，定义为：eMAE=1ni=1n|ypi-yoi(20)eRMSE=i=1n(ypi-yoi)2n(21)eWMAPE=i=1n|ypi-yoii=1nyoi(22)其中：ypi是预测值；yoi是真实值；n是样本数量。为了评价本文模型的性能，选用以下模型作为基准模型进行对比分析。1)HA，历史平均。利用历史同期数据对下一时刻进行预测。2)ConvLSTM，卷积长短期记忆网络。LSTM长短期记忆网络的改进模型，对数据特征有更好的提取效果。3)VAR，向量自回归。该模型把系统中每一个内生变量作为系统中所有内生变量的滞后值的函数，将单变量自回归模型推广到由多元时间序列变量组成的“向量”自回归模型。4)TRMF，时间正则化矩阵分解。TRMF是一种矩阵分解模型，它对每个时间因子施加自回归(AR)过程。5)STDMDSTL。从本文模型中去除周期特征部分。6)STDMDDWT。从本文模型中去除数据多分辨率特提取部分。对于下一时段的OD客流量整体预测结果如表1所示。可以看到在整体的预测结果上，本文模型在各项评估指标上均优于其他基准模型。对比ConvLSTM此类非线性模型，本文模型在MAE，RMSE和 WMAPE 上分别降低了 0.086，0.683 和 0.023，说明该模型具有不逊色于非线性模型的特征提取能 力。本 文 模 型 相 较 于 VAR 此 类 线 性 模 型，MAE，RMSE和WMAPE分别降低了0.299，0.934和0.08，说明该模型通过秩截断，在降低噪声影响方面具有较好的效果。对比 TRMF模型，本文模型也有更好的性能。同时，将本文模型与分别去除周期特征分解和多分辨率特征分解的2个模型进行比较，2类特征均有利于提高精度预测精度，其中周期特征对预测结果具有较大的影响，说明该模型可对周期特征进行充分的挖掘。图3空间维度分解Fig.3Decomposition in spatial dimension3690第 10 期李浩然，等：考虑稀疏特性的城市轨道交通短时OD时空预测方法为了对模型的效果进行更细致的评价，对OD客流量根据大小分为3类进行拆分对比分析，OD等级划分如表2所示。对于不同等级的下一时段的OD预测结果如表3所示。从表3可观察到，本文模型对高OD需求以及中OD需求的预测精度具有显著提升作用，均优于基准模型，特别是相比于 ConvLSTM 以及VAR，本文模型在高 OD 需求的 WMAPE 下降了表1各模型预测结果对比Table 1Comparison of prediction results of models模型HAConvLSTMVARTRMFSTDMDDWTSTDMDSTLSTDMDMAE2.7181.7501.9652.0271.7022.4391.664RMSE5.0933.4363.6873.5732.8185.1822.753WMPAE0.7210.4640.5210.5370.4510.6470.441表2OD等级划分Table 2Gradation of OD demandOD客流量数量高OD501 676中50OD1055 536低10OD491 508(a)苹果园站万寿路站；(b)四惠站建国门站；(c)木樨地站东四十条站；(d)四惠站四惠东站；(e)八宝山站八角游乐园站；(f)苹果园站鼓楼大街站图4多种类OD对的客流量Fig.4Passenger flow of different OD pairs3691铁 道 科 学 与 工 程 学 报2023 年 10月50%以上。同时，本文模型在低OD需求的预测上也有较好的表现，效果接近于ConvLSTM和STDMDSTL。从表3还可以观察到，STDMDSTL模型在不同等级的OD需求中的表现差异较大，本文模型与之相比，在高、中、低OD需求的WMAPE分别下降了0.265，0.131和上升了0.011，在低OD需求具有优秀效果的同时，在高OD需求和中OD需求的表现不佳，这进一步说明了本文模型对于低OD需求的特征提取具有较强的作用，以及STL模块在该模型中对于中、高OD需求的特征提取具有显著效果。2.3.2离散小波变换模块效果分析本节对DWT分解的作用进行分析，从整体效果和单个 OD对效果 2个方面解释 DWT对特征提取的作用。首先，从整体预测效果角度分析。通过表3预测结果可知，对比 STDMDDWT，本文模型对 3类OD的预测性能均有提升，对于高、中、低3类OD 的 RMSE 分 别 降 低 了 1.5%，0.9%和 0.8%，WMAPE分别降低了1.4%，1.1%以及0.2%。说明本模型在加入DWT后，OD需求在各等级的预测性能均有提升。进一步，从单个OD对分析，以苹果园站五棵松站OD对为例进行详细分析。如图5所示为本文模型预测值与STDMDDWT模型预测值与真实值曲线。可观察高OD需求部分时间为5:308:30，此时本文模型与 STDMDDWT模型无明显差距，本文模型和 STDMDDWT 模型的 MAE 分别为8.484 和 8.508，降低了 0.28%。在低 OD 需求部分对应时间为12:0015:00，此时可观察到本文模型相比于 STDMDDWT模型具有更好的拟合效果，本文模型和 STDMDDWT 模型的 MAE 分别为2.903和 5.233，降低了 44.53%。由上可知，DWT在本文模型中针对呈锯齿状的平峰时段的低OD需求可以获取更多的特征以提升预测精度。2.3.3动态模式分解模块效果分析本节分析动态模式分解对 OD 预测效果的影响，从模型求解与预测时间以及预测效果2个角度解释动态模式分解对减少噪音影响以及减少计算时间的作用。将本文模型与时空分解+VAR(ST+VAR)预测以及时空分解+ConvLSTM(ST+ConvLSTM)预测结果进行详细对比。首先，在预测精度层面，本文模型在整体上优于基准模型，如表1所示，说明动态模式分解在预测效果上具备良好性能。同时，本文以木樨地站东四十条站为例进一步说明动态模式分解对提升预测精度的作用。如图6所示，本文模型相比ST+VAR模型在平峰时段的预测上更加平滑，说明动态模式分解通过矩阵秩截断可去除矩阵中的噪音部分，提升模型的抗干扰能力。而 ST+ConvLSTM模型在预测上的糟糕表现也是源自于矩阵中的噪音，这进一步说明了动态模式分解对于预测精度的提升源自于对噪音的屏蔽去除。在模型求解与预测时间层面，本文模型在模型求解时间以及预测时间上均优于基准模型，如表4所示。相比于ST+VAR模型，本文模型最大的区别在于对矩阵进行了特征值截断，大幅度降低了矩阵的维度，从而减少了计算时间，在模型求表3 不同OD等级下各模型预测结果对比Table 3 Comparison of prediction results of models under different OD grades模型HAConvLSTMVARTRMFSTDMDDWTSTDMDSTLSTDMD高ODMAE28.59120.91721.0699.9969.79027.1459.623RMSE33.26128.17627.99013.35313.00836.13712.804WMAPE0.4310.3150.3180.1500.1470.4100.145中ODMAE8.3495.7196.4095.3424.9017.1624.853RMSE11.2227.6168.4837.6436.2709.4926.216WMAPE0.4720.3230.3620.3020.2770.4050.274低ODMAE1.9931.3161.3981.6251.2801.2581.279RMSE3.3091.9802.0932.6541.9001.8471.885WMAPE1.0020.6580.7030.8170.6440.6320.6433692第 10 期李浩然，等：考虑稀疏特性的城市轨道交通短时OD时空预测方法解时间上缩短了 44.8%，在预测时间上缩短了95.6%。而相比于ST+ConvLSTM模型，本文模型充分发挥了线性模型求解速度快的优势，相比于深度学习小时级别的模型求解时间，本文模型快速求解的优点可实现模型的快速更新迭代，模型求解成本较小，更适用于实际应用。2.4鲁棒性分析本节对本文模型的鲁棒性进行测试分析，选用其他数据集对模型进行验证。以杭州地铁80个车站为研究对象，数据集为杭州地铁2019年1月1日1月25日，每天5:3023:30期间30 min粒度的 AFC 刷卡数据，选取前 10 个工作日作为训练集，随后4个工作日作为验证集，最后5个工作日设定为测试集与预测结果进行对比。预测结果如表5所示，结果表明，本文模型的预测效果在不同数据集上优于各基准模型。在数据集1上，相比于ConvLSTM，SVR，本文模型的MAE分别下降了0.686和0.89，RMSE值分别下降了0.945和2.964，表明本文模型对于不同线路上的图5高峰平峰时段不同模型在OD对的预测结果对比(苹果园站五棵松站)Fig.5Comparison results of OD pair during the peak period and the flat period(PingguoyuanWukesong)图6对比模型在OD对预测结果对比(木樨地站东四十条站)Fig.6Comparison results of OD pair(MuxidiDongsishitiao)表4不同模型的求解预测时间Table 4Solution time and prediction time of different models模型STDMDSTVARSTConvLSTMMAE1.6642.5194.329RMSE2.7533.9866.180模型求解时间/s3.1725.7486 985.088预测时间/s11.056254.02417.7283693铁 道 科 学 与 工 程 学 报2023 年 10月OD 预测效果具有优势。在数据集 2 上，相比于ConvLSTM和SVR，本文模型的MAE分别下降了0.686和0.89，RMSE值分别下降了0.945和2.964，表明本文模型在不同的轨道系统以及不同时间粒度的数据集上具有较好的预测性能。综上所述，本文模型具有较强的鲁棒性。3 结论1)针对地铁OD客流数据维度高、数据稀疏的特点，提出面向稀疏数据的城市轨道交通短时OD时空预测方法，可以准确快速地预测地铁OD需求矩阵。相比于HA，VAR，ConvLSTM等模型，本文模型在预测精度与模型求解时间上均处于优势。2)引入动态模式分解预测，在保留矩阵特征的同时，大幅减少矩阵维度，减少噪声对矩阵稀疏部分的干扰，提高了本文模型的应用性。3)分别使用北京地铁和杭州地铁的OD数据验证本文提出的模型，验证了本文模型的鲁棒性。地铁OD矩阵内车站自身具有属性，后续可深入研究OD对中的车站属性对客流量的影响，并与本文模型结合，提高模型的泛化能力。参考文献：1许心越,吴宇航,张英男,等.考虑时空修正的轨道交通封站短时客流预测方法J.交通运输工程学报,2021,21(5):251264.XU Xinyue,WU Yuhang,ZHANG Yingnan,et al.Short-term passenger flow forecasting method of rail transit under station closure considering spatio-temporal modificationJ.Journal of Traffic and Transportation Engineering,2021,21(5):251264.2梁强升,许心越,刘利强.面向数据驱动的城市轨道交通短时客流预测模型J.中国铁道科学,2020,41(4):153162.LIANG Qiangsheng,XU Xinyue,LIU Liqiang.Data-driven short-term passenger flow prediction model for urban rail transitJ.China Railway Science,2020,41(4):153162.3SHANG Pan,LI Ruimin,GUO Jifu,et al.Integrating Lagrangian and Eulerian observations for passenger flow state estimation in an urban rail transit network:a space-time-state hyper network-based assignment approachJ.Transportation Research Part B:Methodological,2019,121:135167.4段中兴,温倩,周孟,等.基于改进蝙蝠算法优化LSTM网络的短时客流预测J.铁道科学与工程学报,2021,18(11):28332840.DUAN Zhongxing,WEN Qian,ZHOU Meng,et al.Short-term passenger flow prediction based on improved bat algorithm to optimize LSTM networkJ.Journal of Railway Science and Engineering,2021,18(11):28332840.5姚向明,赵鹏,禹丹丹.城市轨道交通网络短时客流OD估计模型J.交通运输系统工程与信息,2015,15(2):149155,162.YAO Xiangming,ZHAO Peng,YU Dandan.Short-time passenger flow origin-destination estimation model for urban rail transit networkJ.Journal of Transportation Systems Engineering and Information Technology,2015,15(2):149155,162.6陈志杰,毛保华,柏赟,等.基于多时间尺度的城市轨道交通短时OD估计J.交通运输系统工程与信息,2017,17(5):166172.CHEN Zhijie,MAO Baohua,BAI Yun,et al.Short-term origin-destination estimation for urban rail transit based on multiple temporal scalesJ.Journal of Transportat