考虑稀疏特性的城市轨道交通短时OD时空预测方法

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。