摘要： 地鐵乘客流量預(yù)測是智能交通系統(tǒng)的重要環(huán)節(jié)，當前大多數(shù)預(yù)測模型較少對地鐵乘客流量進行時空相關(guān)性建模，且未考慮空氣質(zhì)量等天氣因素帶來的影響，存在地鐵乘客流量預(yù)測準確度不高的問題。針對以上問題，提出基于注意力機制的時空長短期記憶（ASTLSTM）網(wǎng)絡(luò)的地鐵乘客流量短時預(yù)測模型。首先，對數(shù)據(jù)進行預(yù)處理；然后，利用注意力機制與圖卷積網(wǎng)絡(luò)（GCN）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）相融合，挖掘地鐵數(shù)據(jù)中的時空相關(guān)性，并通過長短期記憶網(wǎng)絡(luò)（LSTM）來提取空氣質(zhì)量數(shù)據(jù)中的外部特征；最后，通過特征融合得到地鐵乘客流量預(yù)測結(jié)果。實驗結(jié)果表明，ASTLSTM模型與LSTM、Conv LSTM等典型模型相比，在短期的地鐵乘客流量預(yù)測上都有較高的準確度。

關(guān)鍵詞： 地鐵乘客流量預(yù)測； 時空特征； 注意力機制； 圖卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號： TP389.1

文獻標志碼： A

文章編號： 1671-6841（2024）05-0055-07

DOI： 10.13705/j.issn.1671-6841.2023040

Short-term Forecast of Subway Passenger Flow Based on ASTLSTM

TIAN Zhao1，2， CHENG Yujie1，2， ZHANG Qianzhong1，2， NIU Yajie1，2， LIU Wei1，2， YANG Yanfang3，4

（1.School of Cyber Science and Engineering， Zhengzhou University， Zhengzhou 450002， China;

2.Zhengzhou Key Laboratory of Blockchain and Data Intelligence， Zhengzhou 450002， China;

3.Academy of Transportation Sciences， Beijing 100029， China; 4.Key Laboratory of Transport

Industry of Big Data Application Technologies for Comprehensive Transport， Beijing 100029， China）

Abstract： The prediction of subway passenger flow was an important part of the intelligent transportation system. Currently， most existing prediction models had limited modeling of the spatiotemporal correlation of subway passenger flow and could not take into account the impact of weather factors such as air quality， resulting in low accuracy in predicting subway passenger flow. To address these issues， a short-term prediction model of subway passenger flow based on the attention mechanism of spatio-temporal long short-term memory network （ASTLSTM） was proposed. Firstly， data preprocessing was performed. Then， attention mechanism was combined with graph convolutional network （GCN） and convolutional neural network （CNN） to mine the spatiotemporal correlation in subway data. External features from air quality data were extracted using long short-term memory （LSTM） network. Finally， feature fusion was performed to obtain the final prediction results for subway passenger flow. The experimental results showed that the ASTLSTM model had higher accuracy in short-term prediction of subway passenger flow compared to typical models such as LSTM and Conv LSTM.

Key words： subway passenger flow forecast; temporal and spatial characteristics; attention mechanism; graph convolutional networks

0 引言

隨著我國城市經(jīng)濟的迅猛增長與地鐵交通工程的蓬勃發(fā)展，人們的出行更加方便快捷。但乘坐地鐵人數(shù)的激增與復(fù)雜的地鐵交通線路，給地鐵造成了極大的運載壓力，同時導(dǎo)致一些安全事故［1］。因此，準確預(yù)測地鐵乘客流量可以為地鐵交通管理者提供有力的數(shù)據(jù)支撐，從而有效緩解交通擁堵的狀況。

目前針對客流量預(yù)測的研究中，傳統(tǒng)機器學(xué)習(xí)模型有最大期望算法、決策樹［2］、支持向量機［3］、隨機森林［4］等。Zhang等［5］提出使用隨機森林與支持向量回歸算法來預(yù)測交通流量。李麗輝等［6］通過使用隨機森林算法進行客流量預(yù)測，取得了較好的效果。

如今正處于大數(shù)據(jù)時代，龐大復(fù)雜的交通數(shù)據(jù)導(dǎo)致從數(shù)據(jù)中提取特征的難度增加，傳統(tǒng)的機器學(xué)習(xí)模型提取特征及挖掘數(shù)據(jù)中的時空相關(guān)性效果并不理想，而深度學(xué)習(xí)模型可以自動提取特征并挖掘數(shù)據(jù)的時空相關(guān)性。如何將深度學(xué)習(xí)應(yīng)用于地鐵乘客流量預(yù)測等時空序列預(yù)測問題，引起了研究人員的關(guān)注。趙建立等［7］針對這一問題，提出基于CNN與殘差網(wǎng)絡(luò)相融合的預(yù)測模型。Zhu等［8］提出基于RNN-GCN和BRB的交通流預(yù)測模型。陳俊彥等［9］提出一種基于注意力機制和多圖視角圖神經(jīng)網(wǎng)絡(luò)的軌道交通客流量預(yù)測方法MGCNSTA。Guo等［10］提出一種預(yù)測模型ASTGCN，該模型主要對交通流數(shù)據(jù)按照近鄰周期、日周期、周周期規(guī)律進行劃分，引入基于注意力機制的時空圖卷積神經(jīng)模型對客流量進行預(yù)測，取得了較好的成績。趙昱博［11］提出基于Conv-LSTM的短時交通流量預(yù)測模型，通過捕獲交通流的時空特征來預(yù)測實際客流量。Zhang等［12］提出了ResLSTM的深度學(xué)習(xí)模型，在網(wǎng)絡(luò)規(guī)模上預(yù)測城市軌道交通的短期客流。Yang等［13］通過將注意力機制引入LSTM，成功進行交通流預(yù)測。

在現(xiàn)有的研究中，仍面臨挑戰(zhàn)。

1） 由于地鐵乘客流量具有時空相關(guān)性的特點，僅靠單一的循環(huán)神經(jīng)網(wǎng)絡(luò)或圖神經(jīng)網(wǎng)絡(luò)很難有效對地鐵乘客流量數(shù)據(jù)的時空特征進行提取，從而影響預(yù)測的準確度。

2） 在地鐵乘客流量短時預(yù)測中，空氣質(zhì)量等非時空因素對地鐵乘客流量的影響也非常重要，然而現(xiàn)有的研究很少關(guān)注這些外部特征。

3） 在地鐵乘客流量短時預(yù)測中，目前大多數(shù)研究僅針對乘客總?cè)藬?shù)進行預(yù)測，并未考慮將進站與出站人數(shù)分開預(yù)測。

因此，本文構(gòu)建基于ASTLSTM的地鐵乘客流量短時預(yù)測模型，實現(xiàn)對地鐵乘客流量的多步預(yù)測，提升模型預(yù)測準確度。

1 ASTLSTM地鐵乘客流量預(yù)測

本文提出基于ASTLSTM的地鐵乘客流量短時預(yù)測模型，其結(jié)構(gòu)如圖1所示。模型由四部分組成。

1） 數(shù)據(jù)預(yù)處理。通過對輸入的地鐵乘客流量數(shù)據(jù)以及空氣質(zhì)量數(shù)據(jù)進行數(shù)據(jù)清洗，并將其按照近鄰周期、日周期、周周期規(guī)律進行切片，最后進行批量歸一化操作，將非數(shù)據(jù)轉(zhuǎn)化為訓(xùn)練所需的歐氏數(shù)據(jù)。

2） 時空特征提取。通過基于注意力機制的GCN和CNN來挖掘地鐵乘客流量數(shù)據(jù)中的動態(tài)時空特征。

3） 外部特征提取。通過基于注意力機制的LSTM來捕獲空氣質(zhì)量等外部特征，從而提升模型預(yù)測的準確度。

4） 特征融合。利用特征融合方式，對提取的時空特征以及外部特征進行特征融合，最終得到地鐵乘客流量預(yù)測值。

1.1 數(shù)據(jù)預(yù)處理

1.1.1 數(shù)據(jù)清洗

數(shù)據(jù)質(zhì)量會直接影響模型預(yù)測的準確度，因此需要對異常數(shù)據(jù)檢查和修復(fù)。1） 有明顯的邏輯錯誤數(shù)據(jù)，例如同一用戶在相鄰時間內(nèi)不可能有連續(xù)兩次入站或出站記錄，可通過兩次記錄的時間差來剔除錯誤數(shù)據(jù)。2） 如同一用戶在同一時間有多條重復(fù)的入站或出站記錄，可通過刪除相同的數(shù)據(jù)來清理冗余數(shù)據(jù)。3） 數(shù)據(jù)采集過程中，經(jīng)常存在數(shù)據(jù)缺失現(xiàn)象，可采用差值法進行缺失值填充。

1.1.2 數(shù)據(jù)切片

城市軌道交通網(wǎng)絡(luò)被表示為G=（V，E，A）。其中：V={V1，V2，…，Vn}表示地鐵的站點；E表示站點之間具有連通性的邊集。鄰接矩陣表示為A=aij，aij可用0或1來表示兩站點之間是否相連通。對于特征矩陣Xt∈Rn×m，n為地鐵站點數(shù)，m為節(jié)點的特征數(shù)量。

由于地鐵乘客流量數(shù)據(jù)具有時間周期性的特點，為有效提取其周期性特征，本文考慮在預(yù)處理階段將地鐵歷史流量數(shù)據(jù)沿著時間軸截取長度為Ic、Id、Iw，分別作為近鄰組件、日周期組件和周周期組件的輸入。

預(yù)測窗口Ip是由其對應(yīng)的近鄰周期序列Ic、日周期序列Id以及周周期序列Iw作為輸入預(yù)測出來的。假定預(yù)測窗口序列為Ip，p為預(yù)測窗口的大小，t0是預(yù)測點對應(yīng)的編號，o為一小時中的數(shù)據(jù)點個數(shù)，q為一天中的數(shù)據(jù)點個數(shù)，q=24×o，r為一周中 的數(shù)據(jù)點個數(shù)，r=7×q。近鄰周期序列Ic、日周期序列Id和周周期序列Iw分別表示為

Ic=（Xt0-c×o+1，…，Xt0-o+o），

Id=（Xt0-d×q+1，…，Xt0-q+p），

Iw=（Xt0-w×r+1，…，Xt0-r+p）。

1.1.3 數(shù)據(jù)歸一化 在進行訓(xùn)練之前，對地鐵乘客流量數(shù)據(jù)進行歸一化處理。本文采用Z-score歸一化，過程為

x′=x-mean（x）std（x），

式中：mean（·）是數(shù)據(jù)的均值；std（·）是數(shù)據(jù)的標準差。

1.2 時空特征提取

1.2.1 空間特征提取

GCN是一種能夠直接作用于圖并且利用其結(jié)構(gòu)信息的卷積神經(jīng)網(wǎng)絡(luò)，從而能夠用于提取地鐵乘客流量數(shù)據(jù)中的空間特征，GCN傳遞信息過程如圖2所示。GCN通過將卷積定理應(yīng)用于圖，完成節(jié)點之間的信息傳播與聚合，在處理交通流數(shù)據(jù)中取得較好的效果。

在地鐵乘客流量數(shù)據(jù)中，不同地理位置的交通狀況會相互影響，具有高度的空間動態(tài)性。因此，在GCN之上引入注意力機制，來提取空間維度中的動態(tài)相關(guān)性。本文分別對近鄰周期序列、日周期序列、周周期序列進行空間特征提取。

為動態(tài)提取地鐵乘客流量的空間相關(guān)性，這里以近鄰周期序列為例，構(gòu)建空間注意力系數(shù)Satt，

Satt=Vs⊙σ（（IcW1）W2（W3Ic）T+bs），

式中：W1∈Rl、W2∈Rl×m、W3∈Rm、Vs∈Rn×n、bs∈Rn×n均為待學(xué)習(xí)參數(shù)；W1為近鄰周期序列段的權(quán)重；W2為地鐵乘客流量數(shù)據(jù)的特征權(quán)重；W3為近鄰周期序列段維度和特征維度之間交互的權(quán)重；n為地鐵站點數(shù)；l為近鄰周期序列長度；m為節(jié)點的特征數(shù)量；Ic為前文劃分的近鄰周期序列；σ為ReLU激活函數(shù)；⊙是Hadamard乘積。

1.2.2 時間特征提取

CNN在訓(xùn)練時，利用其局部權(quán)值可共享的特性，從地鐵乘客流量數(shù)據(jù)中提取特征并進行學(xué)習(xí)，從而降低網(wǎng)絡(luò)的復(fù)雜性，有效緩解關(guān)系的過度擬合問題。由于地鐵乘客流量數(shù)據(jù)中，在不同時刻下各個節(jié)點之間的影響各不相同。因此在CNN基礎(chǔ)上，引入注意力機制來衡量不同節(jié)點輸入特征以及不同時刻輸入特征的重要性程度，從而提取時間維度中的動態(tài)相關(guān)性。

為提取不同時間上的動態(tài)相關(guān)性，對時間維度上的標準卷積層進行堆疊，通過合并相鄰時間切片上的信息來更新節(jié)點，主要步驟與空間特征提取相同。

綜上所述，利用基于注意力機制的GCN與CNN相結(jié)合，能夠準確提取地鐵乘客流量數(shù)據(jù)中的時空特征。

1.3 外部特征提取

天氣、空氣質(zhì)量等因素也會影響地鐵乘客流量預(yù)測的結(jié)果。例如在暴雨、風(fēng)雪等惡劣天氣下，人們極大概率會待在家中，且較差的空氣質(zhì)量也會降低人們的出行概率。目前，只有部分文獻的地鐵乘客流量預(yù)測模型引入空氣質(zhì)量因素。因此，將空氣質(zhì)量引入模型，利用LSTM對這些空氣質(zhì)量數(shù)據(jù)的時間序列進行分析，從而提取外部特征，來達到優(yōu)化模型準確度的目的。

由于注意力機制是通過概率分配的方法，對比較重要的信息給予較多的關(guān)注度，減少甚至忽略無關(guān)信息的影響，有利于模型預(yù)測。因此，在LSTM上引入注意力機制，用分配概率方法取代原來的隨機分配，通過結(jié)合多種結(jié)構(gòu)有效挖掘數(shù)據(jù)間的內(nèi)在規(guī)律，最終提高預(yù)測準確度?；谧⒁饬C制的LSTM模型如圖3所示。

基于注意力機制的LSTM的計算過程為

St=σ（WtXt+bt），

Yt=softmax（St）⊙Xt，

式中：Wt、bt是可學(xué)習(xí)參數(shù)；Xt是空氣質(zhì)量數(shù)據(jù)；σ為ReLU激活函數(shù)；St為相關(guān)注意力關(guān)系；⊙是Hadamard乘積。

1.4 特征融合輸出

將提取的時空特征與外部特征進行特征融合，取得地鐵乘客流量預(yù)測結(jié)果。地鐵流量數(shù)據(jù)中有非常明顯的周期關(guān)系，空氣質(zhì)量等外部因子對預(yù)測結(jié)果也有影響，這些特征對每個節(jié)點的影響權(quán)重也各不相同，特征融合的具體步驟如下。

步驟1 對權(quán)重參數(shù)矩陣進行初始化操作，矩陣值范圍為［0，1］；

步驟2 將權(quán)重參數(shù)矩陣與組件的輸出進行Hadamard，之后相加求和；

步驟3 在訓(xùn)練過程中找出最小損失值來確定權(quán)重參數(shù)，

Y^=Ww⊙Y^w+Wd⊙Y^d+Wc⊙Y^c+Wt⊙Y^t，

式中：⊙是Hadamard乘積；Ww、Wd、Wc、Wt分別是周周期、日周期、近鄰周期以及空氣質(zhì)量組件的權(quán)重參數(shù)；Y^w、Y^d、Y^c、Y^t分別是周周期組件、日周期組件、近鄰周期組件以及空氣質(zhì)量組件輸出結(jié)果。

2 實驗部分

2.1 實驗數(shù)據(jù)

為評估本文提出的模型性能，使用杭州2019年1月的地鐵數(shù)據(jù)集進行分析，這些數(shù)據(jù)包含杭州81個地鐵站約7 000萬條的交通數(shù)據(jù)，地鐵數(shù)據(jù)及數(shù)據(jù)結(jié)構(gòu)如表1所示。對地鐵數(shù)據(jù)進行數(shù)據(jù)清洗后，將原始數(shù)據(jù)匯總成時間間隔為15 min的數(shù)據(jù)樣本。空氣質(zhì)量數(shù)據(jù)則全部來自中國環(huán)境監(jiān)測總站，空氣質(zhì)量數(shù)據(jù)結(jié)構(gòu)如表2所示。

本次實驗采用Python3.7編程語言實現(xiàn)，并在macOS12.4操作系統(tǒng)下運行。在訓(xùn)練模型的過程中，采用Adam梯度優(yōu)化算法，學(xué)習(xí)率為0.001。模型最小預(yù)測時長為15min，最大預(yù)測時長為2h。為 驗證本文所提模型的優(yōu)越性，本文選取LSTM、Conv LSTM模型與ASTLSTM模型作對比，采用平均絕對誤差（MAE）、均方根誤差（RMSE）作為誤差分析指標。

MAE=1n∑ni=1y^i-yi，RMSE=1n∑ni=1y^i-yi2，

其中：yi表示第i個交通數(shù)據(jù)樣本的實際乘客流量;y^i表示第i個交通數(shù)據(jù)樣本的預(yù)測乘客流量；n為樣本數(shù)。

2.2 實驗結(jié)果

本次實驗數(shù)據(jù)樣本的時間間隔為15 min，分別將預(yù)測窗口個數(shù)設(shè)定為1、4和8，用來預(yù)測未來15 min、1 h和2 h的站點流量，實現(xiàn)多點預(yù)測功能。將本文模型與其他模型進行比較，以1 h預(yù)測為基準，驗證模型的預(yù)測性能。地鐵乘客流入量與流出量預(yù)測誤差結(jié)果如表3所示，本文提出的模型在各方面均取得較優(yōu)的結(jié)果。以地鐵流入客流量為例進行分析，相比LSTM模型，ASTLSTM模型的MAE減少了20.36%；與Conv LSTM模型相比，減少了14.66%。這可能是因為LSTM模型與Conv LSTM模型僅從時間維度提取地鐵數(shù)據(jù)特征，效果遠低于從時間和空間兩個維度提取地鐵數(shù)據(jù)特征的模型。除此之外，ASTLSTM-No W模型是未引入空氣質(zhì)量訓(xùn)練的模型，ASTLSTM是引入空氣質(zhì)量訓(xùn)練的模型。因此，引入外部因子空氣質(zhì)量后，模型的誤差減少了3.94%，證明空氣質(zhì)量因素對模型準確度的提升有一定促進作用。

選取某一站點進行地鐵乘客流量預(yù)測分析，圖4中（a）和（b）分別表示該預(yù)測站點在未來1h的流入量和流出量的整體預(yù)測結(jié)果。從圖4中可以看出，無論是在早高峰、中平峰還是晚高峰，本文提出的模型對乘客流入量與流出量的預(yù)測值較為準確，擬合效果較好。同時也可看出ASTLSTM模型的預(yù)測結(jié)果明顯優(yōu)于Conv LSTM模型的預(yù)測結(jié)果。

本文分別對未來15min、1h和2 h進行地鐵乘客流量預(yù)測，預(yù)測的誤差結(jié)果如圖5所示。從中明顯看出隨著預(yù)測時長的增長，ASTLSTM模型的預(yù)測誤差相較Conv LSTM模型，誤差增長幅度較小。

同時，從圖中可以發(fā)現(xiàn)預(yù)測未來15 min客流量的結(jié)果要優(yōu)于預(yù)測未來2 h的客流量結(jié)果。但是也存在缺點，由于每次只能預(yù)測未來15 min的結(jié)果，那么如果想預(yù)測某站點一天內(nèi)6：00—22：00的客流量，就需要（22-6）×60÷15=64次引入模型計算，這樣的操作非常不方便，從而導(dǎo)致預(yù)測效率非常低下。因此可以考慮使用預(yù)測時長為1 h或者2 h，其中1 h的預(yù)測時長僅需要16次計算，2 h的預(yù)測時長需要8次計算，使得預(yù)測效率大幅提升。針對ASTLSTM模型，與預(yù)測15 min時長的MAE相比，預(yù)測時長在1 h和2 h的MAE分別增加10.69%和18.16%，但預(yù)測效率分別提高75%和87.5%。因此，如果對預(yù)測準確度要求很高時，可以選擇15 min預(yù)測時長；如果想節(jié)省效率，可以采用2 h預(yù)測時長；如果想同時兼顧兩者，可以選擇1 h預(yù)測時長。

與Conv LSTM模型相比，無論在15min、1h還是2h的地鐵乘客流量預(yù)測，ASTLSTM模型預(yù)測結(jié)果與真實值擬合較好，即使在高峰期也可以保持較好的預(yù)測性能。隨著預(yù)測時長的增加，ASTLSTM模型預(yù)測誤差上升幅度比Conv LSTM模型平穩(wěn)。圖6、圖7分別代表該預(yù)測站點在未來15min、2h的流入量和流出量的預(yù)測結(jié)GxX01TT7SthcOVixH3x4ZCKzKb9eVAMimVvcPYvmkT0=果。

3 結(jié)論

本文提出ASTLSTM模型來提高地鐵乘客流量短時預(yù)測的準確度。通過將時空注意力機制和時空卷積結(jié)合起來，并引入外部因子空氣質(zhì)量，有效提升預(yù)測的準確度。

通過對比實驗，ASTLSTM模型與LSTM和Conv LSTM相比，在多步預(yù)測上具有較低的MAE、RMSE以及較高的預(yù)測準確度。同時，引入空氣質(zhì)量的ASTLSTM模型明顯優(yōu)于未引入空氣質(zhì)量的模型。

本文雖引入空氣質(zhì)量來提升模型預(yù)測準確度，但還有一些重要因素沒有考慮進去，例如站點所處位置的城市區(qū)域信息、發(fā)生事件等信息，后續(xù)工作將通過引入這些相關(guān)因素繼續(xù)優(yōu)化模型，并將模型應(yīng)用于其他交通預(yù)測場景，例如高速公路車流量預(yù)測等。

參考文獻：

［1］ 王瑞山， 靳瀾濤. 地鐵場所踩踏事故的生成特征與風(fēng)險治理： 2008年以來15起典型事故的考察［J］. 中國人民公安大學(xué)學(xué)報（社會科學(xué)版）， 2016， 32（4）： 141-148.

WANG R S， JIN L T. Generation characteristics and risk management of stampede accidents in subway places—investigation of 15 typical accidents since 2008［J］. Journal of People′s public security university of China （social sciences edition）， 2016， 32（4）： 141-148.

［2］ CHARBUTY B， ABDULAZEEZ A. Classification based on decision tree algorithm for machine learning［J］. Journal of applied science and technology trends， 2021， 2（1）： 20-28.

［3］ 楊曉敏. 改進灰狼算法優(yōu)化支持向量機的網(wǎng)絡(luò)流量預(yù)測［J］. 電子測量與儀器學(xué)報， 2021， 35（3）：ynIgswxLENQASY6iF87cgvJKk6OJI+5BXsO8nI3kSuM= 211-217.

YANG X M. Improved gray wolf algorithm to optimize support vector machine for network traffic prediction［J］. Journal of electronic measurement and instrumentation， 2021， 35（3）： 211-217.

［4］ ZIMMERMAN N， PRESTO A A， KUMAR S P N， et al. A machine learning calibration model using random forests to improve sensor performance for lower-cost air quality monitoring［J］. Atmospheric measurement techniques， 2018， 11（1）： 291-313.

［5］ ZHANG L Z， ALHARBE N R， LUO G C， et al. A hybrid forecasting framework based on support vector regression with a modified genetic algorithm and a random forest for traffic flow prediction［J］. Tsinghua science and technology， 2018， 23（4）： 479-492.

［6］ 李麗輝， 朱建生， 強麗霞， 等. 基于隨機森林回歸算法的高速鐵路短期客流預(yù)測研究［J］. 鐵道運輸與經(jīng)濟， 2017， 39（9）： 12-16.

LI L H， ZHU J S， QIANG L X， et al. Study on forecast of high-speed railway short-term passenger flow based on random forest regression［J］. Railway transport and economy， 2017， 39（9）： 12-16.

［7］ 趙建立， 石敬詩， 孫秋霞， 等. 基于混合深度學(xué)習(xí)的地鐵站進出客流量短時預(yù)測［J］. 交通運輸系統(tǒng)工程與信息， 2020， 20（5）： 128-134.

ZHAO J L， SHI J S， SUN Q X， et al. Short-time inflow and outflow prediction of metro stations based on hybrid deep learning［J］. Journal of transportation systems engineering and information technology， 2020， 20（5）： 128-134.

［8］ ZHU H L， XIE Y W， HE W， et al. A novel traffic flow forecasting method based on RNN-GCN and BRB［J］. Journal of advanced transportation， 2020， 2020： 1-11.

［9］ 陳俊彥， 黃雪鋒， 韋俊宇， 等. 基于多圖時空注意力的軌道交通客流預(yù)測模型［J］. 鄭州大學(xué)學(xué)報（理學(xué)版）， 2023， 55（4）： 39-45.

CHEN J Y， HUANG X F， WEI J Y， et al. A prediction method of rail transit passenger flow based on multi-graph spatial and temporal attention［J］. Journal of Zhengzhou university （natural science edilCe0XvgvQsXdnKO11/G1fj7sRbSUNVu5+Z7ltAEc6LQ=tion）， 2023， 55（4）： 39-45.

［10］GUO S N， LIN Y F， FENG N， et al. Attention based spatial-temporal graph convolutional networks for traffic flow forecasting［C］∥Proceedings of the AAAI Conference on Artificial Intelligence. Alto Palo： AAAI Press， 2019： 922-929.

［11］趙昱博．基于Conv-LSTM的短時交通流量預(yù)測方法［C］∥第十五屆中國智能交通年會．深圳：中國工信出版集團， 2020：344-352．

ZHAO Y B. Short-term traffic flow prediction method based on Conv-LSTM［C］∥The 15th China Intelligent Transportation Annual Conference. Shenzhen： China Industry and Information Publishing Group， 2022： 344-352.

［12］ZHANG J L， CHEN F， CUI Z Y， et al. Deep learning architecture for short-term passenger flow forecasting in urban rail transit［J］. IEEE transactions on intelligent transportation systems， 2021， 22（11）： 7004-7014.

［13］YANG B L， SUN S L， LI J Y， et al. Traffic flow prediction using LSTM with feature enhancement［J］. Neurocomputing， 2019， 332： 320-327.