复杂地铁系统的时空人流量分布在线预测

1、文章信息

《Online Spatio-temporal Crowd Flow Distribution Prediction for Complex Metro System》，这是2020年悉尼科技大学和JD城市计算研究院联合发表在期刊TKDE（CCF A类）上的一篇文章。

2、摘要

人流预测(crowd flow prediction, CFP)作为现代交通管理的一项重要任务，在智能交通服务的诸多任务中发挥着重要作用。然而，现有的技术大多仅专注于预测地铁站的出入口流量，不能为交通管理提供足够有用的知识。在实际应用中，管理者迫切希望解决的问题是获得潜在的乘客分布来帮助当局改善交通服务，这被称为人流量分布(crowd flow distribution, CFD)预测。因此，为了提高交通服务的质量，本文提出了三种时空模型，以有效解决基于在线潜在空间(online latent space, OLS)策略的全网CFD预测问题。本文的模型考虑了各种趋势模式和气候影响，以及不同站点之间的固有相似性，它们能够精确地预测CFD和进出流量。在本文的在线系统中，一系列CFD用作训练数据。可以从先前的趋势中了解不同地铁站的潜在属性演变，并根据转移模式进行预测。所有的实验结果表明，在三个大型的真实数据集上，本文提出的三种模型优于所有其他最新方法。

3、研究意义

痛点：人群拥堵导致的公共安全，例如2015年12月31日晚上海外滩的踩踏事件。

一种可解决的方案：一个高效的人流量预警和预测系统可以利用应急机制有效地防止人们发生这样的现实悲剧。

4、动机

现有的技术大多仅专注于预测地铁站的出入口CFP，不能为交通管理提供足够有用的知识。在实际应用中，仅将注意力集中在进出站的流量上是不够的，管理者迫切希望解决的问题是获得潜在的乘客分布来帮助当局改善交通服务。

大多数现有的地铁人流量预测方法都是非网络范围(non-network-wide)的框架，他们在单独的车站或几条地铁线路上提出问题，而这些方法都不能直接应用于CFD预测。

目前，有限的技术可以直接用于解决网络范围内的CFD预测问题。传统的统计学方法已经成功地解决了经典的CFP问题，但它们很难在整个地铁网络中实现。尽管深度学习的方法能够解决全网络的CFP问题，但它们对参数和不完整的输入很敏感，并且需要与在线CFD预测任务不符的大量训练数据。

5、挑战

(1)高计算复杂度；CFD预测不仅需要得到整个地铁站的所有潜在流量，而且需要同时计算出入口流量和CFD。

(2)动态复杂度；人流量随着复杂的因素变化，例如时间、站点相似度和天气环境等。

(3)实时延迟数据收集；在线系统面临的挑战，在一位乘客进入一个车站和离开另一个车站之间存在一个出行时间差，这些时间差导致在线系统无法收集完整的数据。

6、贡献

本文提出了一种精准预测CFD和出口的人流量的方法，包括三种时空模型：

(1)Online Latent Space model with Average Optimization (OLS-AO)

OLS-AO利用给定时间窗口中预览时间戳的平均优化策略来学习平滑趋势。通过图拉普拉斯嵌入方法，将所有站点和气候的全局相似性体现在模型中。

但是，当遇到一些不正常的事件或高峰时段时，会出现流量的突然增加/减少。在这种情况下，平均策略可能会阻止OLS-AO获得流量的突然变化，从而误导下一个预测。因此继续设计了变体模型。

(2)Online Latent Space model with Most Recent trend (OLS-MR)

OLS-MR在人群流动变化剧烈的情况下，预测性能较好。

(3)Online Latent Space model with Dual-Track model (OLS-DT)

鉴于每种模型在各种情况下的性能都相对较好，本文提出了一种双轨道模型OLS-DT，它以并行的方式同时利用了OLS-AO和OLS-MR的优点。

7、模型

(1)图建模

V为站点的集合，E为OD对的集合。

图3(a)为图的顶点的分布示例，图(3)b为一个时间段的CFD矩阵。本文的主题是通过历史的CFD矩阵，预测下一个时间段的 CFD矩阵(15分钟为一个时间段)：

(2)OLS-AO

OLS-AO学习人流量的平稳变化趋势。首先，通过非负矩阵分解将CFD网络分解到两个潜在空间，分别为地铁站入口和出口站点。其次，融合时间信息来捕捉潜在属性，检测随时间变化呈现出的动态模式。最后，将每个时间戳的CFD值分解为两组潜在属性的乘积。

(3)OLS-MR和OLS-DT

本文提出OLS-MR通过学习最近时间的趋势来修正对突然的人流量变化不敏感的情况，具体区别如下：

OLS-AO和OLS-MR各有所长，前者适应人流量稳定变化的情况，如图8(a)；后者适应突然的变化，如图8(b)。因此，本文提出了一种双轨道策略OLS-DT将两种模型相结合，解决了多种情况下的预测任务。

8、实验

(1)实验数据

场景一：NSW Sydney Trains. 2016年11月7至12月11日，178个站点的3000万条轨迹。

场景二：2016年2月15日至4月10日，北京市出租车数据。

(2)比较结果

在工作日OLS-DT的效果较好，OLS-MR在晚高峰时效果较好。周末也是OLS-DT效果较好，在非高峰期，OLS-MR比 OLS-AO效果较好，因为周末的全天流量相对更稳定。

时间间隔越短，预测效果越好，因为时间间隔增加时的时空连续性会变弱。

(3)案例分析

2016年11月7日下午3:45-4:00的CFD预测可视化结果，红色表示预测结果，括号中是ground truth。在这段时间里，人们倾向于回家，少数人将前往中部。

9、总结

本文提出了三种时空模型，总结如下：

OLS-AO使用平均优化策略将人流量趋势与辅助信息结合，学习长期稳定的分布。

OLS-MR学习最新趋势的变化，能够应对人群流量的急剧变化。

OLS-DT结合OLS-AO和OLS-MR 的优势，增强模型在多种实际情况下的适用性。

这篇文章给出了一个新概念CFD（crowd flow distribution）的预测，本质上是基于图的OD矩阵预测（或时空图的动态链接预测）。在线预测系统近些年也成为了预测方向的热点，相比离线预测，在线预测系统更易于在应用中部署。然而，在线预测也面临着许多复杂的挑战，例如数据采集、实时计算等。文中指出由于最新的深度学习模型无法直接解决CFD预测问题，因此基于深度学习开发大规模在线模型是可探索的工作之一。

Attention

如果你和我一样是轨道交通、道路交通、城市规划相关领域的，可以加微信：Dr_JinleiZhang，备注“进群”，加入交通大数据交流群！希望我们共同进步！