【论文】 Deep Learning Architecture for Short-Term Passenger Flow Forecasting in Urban Rail Transit

1、文章信息

《Deep Learning Architecture for Short-Term Passenger Flow Forecasting in Urban Rail Transit》

2020年北京交通大学博士发在IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS（中科院分区1区，IF：6.319）

2、创新点

• 在交通客流预测模型上，提出ResLSTM模型，既考虑特征的时空性，又考虑到交通网络的拓扑特性，融合天气、空气质量等外部因素，完善已有客流量预测模型。
• 数据处理上，inflow和outflow分开处理，在不降低精度的情况下减少模型的复杂性。

3、概述

文章提出的模型主要包括4个部分，Branch1和Branch2是残差神经网络部分，Branch3是将图信号输入残差网络，Branch4是外部特征（天气和空气质量）输入LSTM中进行训练，最后将这四个部分进行融合，输入AttentionLSTM中完成模型的最后输出。【深度学习渣渣的浅薄理解：作者提出的模型就是ResNet+GCN+LSTM+Attention机制，融合外部因素天气和空气质量】

4、特别之处

• 文章的Introduction部分写得特别详细，涵盖短时交通客流量预测（Short-term Passenger Flow Forecasting,STPFF)的发展全过程，对于新手的我来说特别友好，感觉看了综述就拥有了全世界哈哈哈哈，跟着作者的思路找相关文献可以学到很多领域的前沿，在这里请作者请收下我的膝盖，平时的积淀就在综述中体现了。
• 渣渣小白现阶段还是GitHub的搬运工，偶然看到作者的GitHub主页才找到这篇文章的，论文的代码是用Keras框架搭建的，非常易懂，可以更了解整个模型搭建的过程，对于在修改模型上出现各种奇奇怪怪bug的我还是很有借鉴作用的。下面就是这篇文章的源码：
  https://github.com/JinleiZhangBJTU/ResNet-LSTM-GCN