王福建，俞佳浩，趙錦煥，梅振宇*

（1.浙江大學，平衡建筑研究中心，杭州 310058；2.江蘇都市交通規(guī)劃設計研究院有限公司，南京 210009）

0 引言

隨著全國各大城市積極響應交通強國戰(zhàn)略，優(yōu)先發(fā)展公共交通，我國的城市公交發(fā)展規(guī)模日益擴大。然而，在公交建設取得成績的同時，我國在地面公交發(fā)展還面臨著出行方式占比降低以及自身的公交管理控制問題，要進一步提升公交出行服務水平，需要公交體系的有效運營與線路計劃的合理設計，這些措施皆基于對不同站點和線路客流量的精準預測。

目前，公交站點客流存在較大的不確定性[1]，諸多學者使用各類回歸、時間序列、卷積等算法，并將時間、空間、天氣等因素納入交通預測模型的計算范圍，使模型的可解釋性更強也更貼近現實情況。然而，目前的算法在進行交通預測的同時也存在以下問題：回歸算法具有通用性強、可解釋的優(yōu)點，但將交通量時間分布圖作為函數進行回歸，難以利用交通中的地理公交信息，例如，OKUTANI[2]的卡爾曼濾波，翁劍成等[3]的梯度推進決策樹等；時間序列算法從時間維度跟蹤交通量的變化趨勢，但作為串行計算的算法，無法并行計算，也無法高效利用交通中的地理空間信息，例如，MA X.L.等[4]的LSTM模型等；通過多種算法組合的時間、空間算法雖然同時利用時空信息提取了交通模式信息，但計算量巨大，且算法的依次串聯無法實現并行計算，例如，MA X.等[5]的CapsNet 和NLSTM 的組合膠囊網絡及谷遠利等[6]的組合深度學習模型。

2017年在自然語言處理領域興起的Transformer 網絡架構[7]通過Attention 機制計算自然語言處理中每個詞向量之間的相關性，進行完全的并行計算，立即取代了LSTM 等循環(huán)神經網絡，并延伸到交通領域的工作中，獲得了突出表現。CAI L.等[8]提出一種基于Attention 機制的Traffic Transformer深度學習架構，以捕獲交通時間序列的連續(xù)性和周期性并為空間依賴性建模；GUO S.等[9]提出一種基于Attention 機制的時空圖卷積網絡(ASTGCN)模型進行交通預測。

本文通過分析大量公交站點的客流規(guī)律，提出站點實時關聯度的概念。由于受到路網結構的連通性，公交線路的承接性以及客流OD的規(guī)律性影響，城市中一定區(qū)域范圍內的公交站點之間，在客流量、行程時間等方面呈現出一定的相似性。這種相似性存在著一定的時差且不是固定的，隨著時間的推移，城市交通中存在著的高峰和非高峰、潮汐客流等現象，反映到公交站點層面即公交站點之間的相似性是實時變化的。

綜上所述，本文提出基于Attention的交通預測核心算法，結合對原始數據進行預處理，并對站點信息進行編碼后，完成了基于站點實時關聯度的短時公交客流預測方法。與交通領域中其他基于Attention機制的方法相比，提取了站點實時關聯度的TFMA對公交站點的屬性、客流變化率等信息利用更加全面細致，且實時預測功能使得其應對潮汐客流也具備更精準的預測能力。

1 站點信息編碼

1.1 數據預處理

本文使用的數據分別為蘇州市2019年12月31 d的公交進出站數據和乘客刷卡數據，為研究蘇州市中心城區(qū)最典型的公交客流情況，并提高算法效率，本文選擇蘇州市客流量最大的20 條公交線路進行研究。

采用相關匹配算法將公交進出站數據和乘客刷卡數據進行匹配后，計算出各站點的刷卡人數(即站點客流量)。匹配算法流程如圖1所示。經過匹配，可得到所有站點5:00-24:00 以15 min 為間隔的客流序列。

圖1 匹配算法流程Fig.1 Flow chart of matching algorithm

在得到公交站點客流隨時間的分布圖后，以9 路公交虹橋站和烽火路北站客流為示例驗證分析公交站點實時關聯度。兩者均位于蘇州市核心城區(qū)，分別為9 路公交的第8、第13 站點，相距1600 m，在線路上具有承接關系。本文提取2019年12月6日(星期五)兩站點客流隨時間的分布如圖2所示。

圖2 2019年12月6日虹橋、烽火路北站客流分布Fig.2 Passenge rvolume distribution map of Hongqiao and Fenghuo Road North on Friday,December 6,2019

圖2標明了對應的客流高峰，對應峰的出現意味著兩站點由于存在關聯性，在一段時間間隔內出現了一組對應的客流高峰，有著相似的客流變化率。圖2中有多組對應峰，以標出的4 組對應峰為例可以發(fā)現：實線高峰在上午出現，且虹橋站的客流高峰比烽火路北站先出現約15 min；點劃線高峰在下午出現，且烽火路北站的客流高峰比虹橋站先出現約15 min。

2019年12月6日6:00-12:00 早高峰時段的站點客流變化率如圖3所示。

圖3 2019年12月6日早高峰虹橋站、烽火路北站客流變化率Fig.3 Passenge rvolume change rate map of Hongqiao and Fenghuo Road North on morning rush of December 6,2019

2019年12月6日早高峰虹橋站客流變化率和烽火路北站整體提前15 min 后的客流變化率如圖4所示。

圖4 2019年12月6日早高峰虹橋站及烽火路北站提前客流變化率Fig.4 Passenge rvolume change rate map of Hongqiao and Fenghuo Road North advanced on morning rush of December 6,2019

剔除異常值后對兩組客流變化率數據計算相應的平均絕對誤差指標(MAE)和烽火路北站整體提前15 min 后的客流變化率與正常虹橋站客流變化率的平均絕對誤差指標，計算公式為

式中：ai為第i個時刻虹橋站的客流變化率；bi為第i個時刻烽火路北站的客流變化率；N為時間段的總數。正常客流變化率的平均絕對誤差EMAE1為131.0，烽火路北站整體提前15 min 后的平均絕對誤差EMAE2為95.4，表明兩者的客流變化率在消除時間間隔后較為相似。

結合大量樣本分析，歸納出以下現象特征：

(1)虹橋站與烽火路北站產生客流高峰的趨勢相同，通過對客流變化率的數據分析發(fā)現，兩者的客流變化率關聯性存在一定的時間差。

(2)由于潮汐交通現象，客流方向早晚交替，虹橋站與烽火路北站之間的客流變化率關聯性并非一成不變的，隨著時間的推移，關聯關系也會隨之改變。例如，上午烽火路北站先出現客流高峰，下午虹橋站先出現高峰。

不同站點之間存在對應峰以及關聯關系隨時間改變的現象表明，本文提出的站點實時關聯度有研究的必要。本文對公交站點進行實時編碼，融合影響交通客流變化的因素，通過Attention機制計算公交站點之間的實時關聯度，探究站點實時關聯度與上述現象的關系，進行更精確的客流預測。

1.2 站點信息編碼規(guī)則

為使模型能夠計算站點之間的實時關聯度且預測未來時刻的客流，需要使用一套編碼規(guī)則能夠完善地描述站點的特征，本文的站點編碼示例如圖5所示。

圖5 站點編碼示例Fig.5 Example of station coding

該編碼方式將站點通過長度為29的向量來表示，該向量中的每一位值均有其現實含義：第1 位為該站點所在的公交線路編號；第2位為該站點在線路中的順序號；第3 位為該站點的類型，通過kmeans 聚類算法得到；第4 位～第8 位為最近前5 個時段的編號，本文將5:00-24:00的19 h，以15 min為間隔按順序劃分為76個時段；第9位～第13位為時段所對應的客流量；第14位～第17位為時段2、3、4、5對應的客流變化率，以百分數表示；第17位～第24位為當天為星期幾；第21位為當天是否為節(jié)假日，是為1，否為0；第26 位為剩余的休息天數，若是星期一、星期二等工作日即為0，若是星期五、星期六即為2 或1，依此類推；第27 位為當前時刻的溫度；第28位為當天的天氣；第29位為當天的風力大小。

該站點信息編碼不僅包含了影響客流的眾多因素，且有利于后續(xù)算法中計算出站點之間的實時關聯度。

2 基于Attention的公交客流預測核心算法

借鑒Attention 機制提出本文的公交客流預測算法TFMA，采用encoder-decoder 架構，encoder 端和decoder端分別使用6個編碼器和6個解碼器，算法框架如圖6所示。

圖6 TFMA算法框架Fig.6 TFMAalgorithm framework

2.1 Self-attention機制

Self-attention機制有3個步驟：

Step 1 在self-attention 中，每個經過編碼的站點時段數據X輸入到算法后生成Query 向量Q、Key 向量K及Value 向量V，它們是通過3 個不同的權值矩陣W(Q)、W(K)、W(V)與輸入向量X相乘得到的，這3 個矩陣由隨機初始化得到，且矩陣尺寸相同，在后續(xù)模型訓練的過程中，這些矩陣的權值會被不斷調整。權值矩陣和Q、K、V向量如圖7所示。

圖7 權值矩陣和Q、K 、V 向量Fig.7 Weight matrix and Q、K 、V vector

Step 2 在輸入的站點編碼數據生成Q、K、V向量后，算法將用當前站點的Query向量與其他站點的Key 向量(包括自己)做點乘，計算self-attention的分數值，把點乘得到的分數值除以向量維度的1/2 次方，再進行softmax 的計算，即可得到站點之間的關聯度R值，即Rij為站點i和j之間的關聯度。

Step 3 將所有站點Value向量和對應的關聯度R值相乘，再相加，得到結果Zi，即是self-attetion在當前站點i的特征表達。

綜上，用公式概括為

式中：S為輸入的站點編碼數量；i,j=1,2,…,S，含義為某個站點；dk為Q、K、V向量的維度。selfattention的計算方式如圖8所示。

圖8 self-attention的計算Fig.8 Calculation of self-attention

為使客流預測更精準，本模型中加入上周該站點同時段的編碼值和昨日該站點同時段的編碼值。

2.2 Multi-headed機制

Multi-headed 機制即不僅僅只初始化一組Q、K、V矩陣，而是初始化多組。在后續(xù)的計算中，把多個矩陣在同一維度上連接，再通過一層全連接層將這個經過連接的矩陣降維到矩陣連接前的尺寸，得到的最終的矩陣作為該站點的特征表達，如圖9所示。

圖9 Multi-headed機制示意Fig.9 Schematic diagram of multi headed mechanism

Multi-headed機制的好處是允許模型在不同的表示子空間里學習到相關信息，從而得到不同時間尺度和空間尺度的特征向量表達。

2.3 網絡性能提升

提升網絡性能的方法很多，一般而言，提升網絡性能最直接的方法是增加網絡的深度和寬度。其中，網絡深度指的是網絡的層數，寬度指的是每層的通道數。但是，這種方法會帶來過擬合和計算量加大的缺點。

本文通過增加通道和殘差連接提升網絡性能，網絡性能提升方法如圖10所示，圖中，短劃線為增加通道，點線為殘差連接。

圖10 網絡性能提升方法示意Fig.10 Schematic diagram of network performance improvement method

2.3.1 增加通道

圖10中，當訓練數據被模型接收后，將進入兩個通道分支，左側通道為前文所述的self-attetion+multi-headed 功能通道，右側通道在對數據進行同樣的操作之前通過全連接神經網絡進行降維，已有學者[10]的研究表明，空間聚合可以通過低維嵌入，不會導致神經網絡表示能力的降低。同理，該模型中右側通道通過全連接神經網絡降維壓縮輸入信息并加快學習速度，同時，全連接神經網絡中包含的非線性激活函數可以增強網絡的擬合能力。

2.3.2 殘差連接

殘差連接的加入可以解決深度學習網絡退化的問題，其示意圖如圖11所示。

圖11 殘差連接示意Fig.11 Schematic diagram of residual connection

假設神經網絡非線性單元的輸入和輸出維度一致，那么可以將神經網絡單元要擬合的函數H（x）拆分成兩個部分，即

式中：x為殘差單元，上層輸入x的同等映射以跳層連接的形式實現；F（x）為經過神經網絡非線性單元的輸出。兩者在進入激活函數和后續(xù)神經網絡之前進行矩陣(張量)連接即可。

殘差網絡不僅未增加參數量也未增加計算量，在前向傳播時，輸入信號可以從任意低層直接傳播到高層，由于包含了一個天然的恒等映射，一定程度上可以解決網絡退化問題。圖10中點線部分即為殘差連接操作。

2.4 Decoder端

Decoder 結構和encoder 大體相同，不同的是decoder 中使用的是soft-attention。self-attention 的Q、K、V矩陣來自同一個，而soft-attention每個解碼器的Q來自decoder，K和V來自encoder，表征的是encoder 的整體輸出對于decoder 的貢獻。Decoder 端輸入需要預測站點信息后，經過多個解碼器的計算，使用全連接神經網絡進行最終求值，即可得到該站點在下個時刻的客流量。

2.5 模型訓練

在站點信息編碼的過程中，每個站點編碼均包含了前5個時間段的時間編號和對應的客流信息，因此，每天每個站點能產生72 個可用的站點編碼信息，2019年12月的31 d 可產生2232 個站點編碼信息。本文所提取的公交客流量最大的20條線路的公交站點數量為804個，共產生179.45萬條站點編碼信息。在劃分訓練集和測試集時，隨機抽取22 d的數據作為訓練集，9 d的數據作為測試集，兩者比例近似為7∶3。

在實際訓練過程中，選擇Smooth L1 作為損失函數，以epoch(期)和batch(批)為單位進行訓練。訓練集中每天為1個epoch，共22個epoch，當epoch超過22時，即開始新一輪的訓練。每個epoch中包含72個batch，在t時段產生的804個站點編碼信息即為1 個batch，以每條線路為1 個序列，將包含了該時段、該線路所有站點的編碼信息的序列依次輸入到encoder 端中進行一系列計算，同時，在decoder端中輸入需要預測客流的目標站點編碼信息，預測的未來時段公交站點客流和真實值y通過Adam優(yōu)化算法進行反向傳播，不斷優(yōu)化模型內部的權重參數，即可得理想的公交客流預測模型。

3 算法比較與結果分析

公交站點的客流量可使用深度學習中的RNN、LSTM、GRU 等模型從時間序列角度進行預測。公交站點客流由于受到人們通勤、日常作息、天氣等因素的影響，可將一系列客流值看作函數，使用(多元)線性回歸、決策樹等回歸算法擬合。集成機器學習算法，例如，XGBoost、LightGBM 也是交通預測的有效工具。本節(jié)為驗證TFMA 算法的有效性，同時使用了多元線性回歸、GRU、LightGBM 作為對照，與TFMA 同時對蘇州市公交站點客流量進行預測。

3.1 算法結果對比與分析

本文的訓練集評價指標選擇100%-MAPE，計算公式為

式中：S為站點的數目；yi為第i個樣本的真實值；為第i個樣本的預測值。各模型在訓練集的準確率隨epoch次數變化如圖12所示。

通過圖12可知：

圖12 訓練集算法表現Fig.12 Performance chart of training set algorithm

(1)各算法在進行公交站點客流預測時，表現最好的是TFMA，接下來依次是LightGBM、GRU、多元線性回歸。

(2)多元線性回歸在進行公交站點客流量預測時，存在大幅震蕩，模型不穩(wěn)定的現象，可能是多元線性回歸建立自變量與應變量之間的關系較為簡單，因此，在4種算法中表現并不理想。

(3)本文使用了2 次GRU 算法，GRU1 曲線使用的數據為訓練集中所有站點的客流序列，由于GRU1只讀入客流序列信息而沒有線路信息、站點信息、天氣信息等數據的參與，導致GRU1 將所有站點認為同一個站點，因此，擬合效果比多元線性回歸更差。為充分發(fā)揮GRU算法的能力，GRU2僅讀入了1 個站點的數據(本文選擇9 路公交線路的虹橋站)進行訓練，由圖12可見GRU2 的預測效果從41.4%大幅提升至66.9%。

(4)LightGBM在進行公交站點客流預測時，充分利用了線路信息、站點信息、天氣信息等，預測效果進一步提升至81.2%，同時，模型也相對穩(wěn)定。

(5)TFMA 算法通過self-attention 機制計算出站點之間的實時關聯度，考慮了關聯站點對目標站點的影響，殘差連接和增加通道等措施也進一步提升了網絡性能，預測效果達到89.5%。

本文將測試集的數據送入各算法中進行進一步的對比。測試集中使用的評估指標除了MAPE外，還使用了平均絕對誤差MAE 和均方根誤差RMSE，計算公式分別為

各算法在測試集中的指標如表1所示。

表1 各算法測試集表現統(tǒng)計表Table 1 Performance statistics of each algorithm test set

由表1可以看出，各算法在測試集中的表現和訓練集類似，TFMA 算法仍為所有指標下的最優(yōu)算法。

3.2 站點實時關聯度分析

站點實時關聯度通過站點之間的Q和K向量做點乘，再除以向量維度的1/2 次方，進行softmax歸一化計算后得到，因此，所有站點對目標站點的實時關聯度累加之和應等于1。

本文選取蘇州市最具代表性的9 路和38 路公交，提取相應的站點關聯度進行分析。兩者均橫跨蘇州市最繁忙的內環(huán)城區(qū)且存在著較強的關聯性，具有較高的研究價值。

3.2.1 單個站點與同線路鄰近站點的關聯度分析

以9 路公交的虹橋公交站為對象研究該站點與其他站點的關聯度。該站點南面鄰接蘇州市人民政府，西北方和東北方分別鄰接深業(yè)姑蘇中心(商務寫字樓)和蘇州開放大學，是具備多種社會價值和功能的重要公交站點。

圖13 蘇州市9路、38路公交區(qū)位Fig.13 Location map of No.9 and No.38 bus area in Suzhou

圖14 9路公交虹橋站區(qū)位Fig.14 Location map of No.9 bus Hongqiao Station

選擇的時間為2019年12月18日(星期三)9:00-9:15，站點編碼中包含的時段為從8:00-9:15 以15 min為間隔的5個時段及其對應的客流，通過路網中以上時間的客流數據實時預測未來15 min 的站點客流?？紤]到關聯性強的站點幾乎為同一線路的站點，因此，在分析和展示中只包含9 路公交的站點?？梢暬Y果如圖15所示，圖中，實線為虹橋站與其他站點的實時關聯度，虛線為虹橋站與自身的關聯度。

圖15 虹橋站站點實時關聯度示意Fig.15 Schematic diagram of real-time correlation degree of Hongqiao Station

通過分析多組站點實時關聯度，本文以9 路公交的站點分布和周圍路網為例，總結得出以下結論。

(1)TFMA 算法計算得出的站點實時關聯度R與主要客流路徑上站點的客流量和客流變化率相關。當關聯度高的某站點X產生擁堵時，擁堵造成的影響反映在客流量和客流變化率中進入到站點X的編碼信息中，并通過R值和站點X的編碼信息在后續(xù)的計算中對目標站點的未來時段預測客流產生影響。圖16中，倘若路口A產生擁堵，距離其450 m 的三園新村站的公交客流基本不會受到擁堵影響，但馨蓮橋站和虹橋站會受到嚴重影響，且該影響將先對馨蓮橋站產生。路口B 前、后的開放大學站和彩香新村北站亦同。因此，雖然開放大學站和彩香新村北站，與虹橋站在路網中的位置非常相似，但TFMA 給了開放大學站較高的實時站點關聯度，彩香新村北站的實時站點關聯度明顯更低。

(2)TFMA算法可以計算出更長時間跨度內的站點實時關聯度，該時間跨度由站點信息編碼中包含的時間跨度決定。由圖16可知，蘇大北校區(qū)東站與虹橋站相隔10個站點，TFMA仍然認為兩者之間具有較強的實時站點關聯性，因為蘇大北校區(qū)東站點產生的擁堵將對后續(xù)同路段的站點造成影響。因此，雖然距離虹橋站較遠，但TFMA 認為兩者之間存在稍強的實時站點關聯度。

圖16 虹橋站附近路網及站點分布Fig.16 Schematic diagram of road network and station distribution near Hongqiao Station

(3)TFMA 算法計算得出的站點實時關聯度R也含有時間序列關系。圖15中短劃線所指向的關聯度，由于客流信息的相似性，虹橋站上周同星期、同時段編碼被賦予了較高的站點實時關聯度。

3.2.2 公交線路之間鄰近站點的關聯度分析

選擇關聯性較強且具有代表性的的14 個9 路公交站點和13 個38 路公交站點作為示例，時間為2019年12月25日(星期三)9:00-9:15，站點編碼中包含的時段為從8:00-9:15 以15 min 為間隔的5 個時段及其對應的客流，通過路網中以上時間的客流數據實時預測未來15 min的站點客流，每個站點的昨日同時段編碼和上周同日、同時段編碼不納入關聯度分析的范圍。選擇的具體公交站點如圖17所示。

圖17 線路間代表性站點選擇示意Fig.17 Schematic diagram for selection of representative stations between lines

經過計算和可視化后，以熱力圖的形式展示兩條公交線路鄰近站點的關聯度如圖18所示。

通過分析圖18，總結出以下結論：

圖18 9路與38路線路之間重要站點關聯度熱力圖Fig.18 Thermodynamic diagram of correlation degree of important stations between Route 9 and route 38

(1)屬于同一線路的站點之間關聯度明顯高于屬于不同線路的站點之間關聯度，但在線路交匯的鄰近站點之間，即使不屬于同一線路，關聯度也較高，這也印證了“TFMA 算法計算得出的站點實時關聯度R與主要客流路徑上站點的客流量和客流變化率相關”的觀點。

(2)當公交站點與地鐵站存在接駁關系時，該站點與其他所有站點的關聯度均下降，同時，該站點的自關聯度顯著提升。其現實含義為：與地鐵存在接駁關系的站點，其客流預測時包含的自身客流時間序列關系權重更大，受到其他站點所傳遞的交通環(huán)境相關度權重減小。例如，相門站、學士街站、三香廣場站等，均屬于與地鐵站接駁的公交站點，其自身的關聯度R值均達到13%以上。

3.3 站點關聯度的佐證

為佐證站點關聯度，使用客流量和變化率相似度指標PCS(Passenger volume and Change rate Similarity)進行研究，計算公式為

式中：EPCSij為第i個站點相對于第j個站點的客流量和變化率相似度指標；Ai為第i個站點的客流量向量；Bi為第i個站點的客流量變化率向量。通過對站點之間的客流量向量和客流量變化率向量分別進行余弦相似度計算，再分別進行歸一化處理，將兩者縮小50%后相加即可得到PCS 值。PCS 值代表站點之間的客流量相似度和客流量變化率相似度之和。以14個9路公交站點和13個38路公交站點在2019年12月25日(星期三)9:00-9:15的數據為基礎，將烽火路北站作為目標站點，計算它與其他站點的PCS值，并將得到的結果與站點關聯度進行對比，結果如表2和圖19所示。

由表2和圖19可知：

圖19 烽火路北站指標對比結果柱形圖Fig.19 Columnar chart of comparison results of two indexes in Fenghuo Road North Station

表2 烽火路北站兩種指標對比表Table 2 Two indicators of Fenghuo Road north contrast table

(1)烽火路北站與其自身的PCS 值是最大的，為0.0885；與38 路的附二醫(yī)院(體育中心站)的PCS值最小，為0.0028。

(2)烽火路北站和其他站點的關聯度與PCS值的結果大致相同，而PCS值所表示的即為站點之間的客流量和客流量變化率相似度，說明TFMA算法計算得出的站點實時關聯度R與主要客流路徑上站點的客流量和客流變化率相關。

(3)PCS值中部分數值較小的結果在站點關聯度R值中被算法調整為“0”值，這是由于在TFMA算法中除了客流量和客流變化率數據，還融入了代表站點屬性和站點線路歸屬的信息，這些信息也會影響算法內部的站點相似性度量，在多次參數調整后最終得到不同站點之間的關聯度存在“0”值的情況，證明屬于同一線路的站點之間關聯度明顯高于屬于不同線路的站點之間關聯度。

3.4 站點實時關聯度的意義

3.4.1 站點實時關聯度對算法的意義

站點實時關聯度可以將算法的關注點更集中于對目標站點關聯度高的站點編碼信息中，從而在訓練和預測時降低算法的復雜度，加快訓練速度。在算法實際訓練中，encoder 端和decoder 端最后得到的與目標站點存在關聯度的站點數目一般不超過30個，因此，在算法預測某一站點的未來客流時會忽略絕大多數沒有關聯性的站點信息，達到降低算法復雜度、加速訓練的目的。

3.4.2 站點實時關聯度對交通管控的現實意義

站點實時關聯度可以為交通管控提供有力的策略指導，實現區(qū)域公交站點客流疏導等任務。在現實中，由于站點之間被路網結構連通性、公交線路承接性及OD客流的規(guī)律性所互相聯系，城市路網中重要站點的客流擁堵往往與關聯度高的站點存在千絲萬縷的聯系，只針對單個重要公交站點進行管控往往達不到良好疏導作用。而利用站點實時關聯度，篩選出與目標站點關聯度高的站點，則可以實現區(qū)域性的交通管控。

4 結論

本文基于站點實時關聯度的短時公交客流預測方法得到的主要結論如下：

(1)通過Attention機制計算得到了站點之間的實時關聯度，可根據強關聯度站點產生的客流變化對目標站點的預測客流進行調整，使得預測結果更精準。

(2)將multi-headed 機制結合提升網絡性能的方法可實現不同時間尺度、空間尺度的特征向量表達，克服計算量增大和網絡退化問題，使網絡的深層表達能力更強。

(3)站點實時關聯度具有現實意義。它可以將算法的關注點更集中于對目標站點關聯度高的站點編碼信息中，降低算法的復雜度，加快訓練速度；也可以為交通管控提供有力的策略指導，實現區(qū)域公交站點客流疏導等任務。