多模式运输系统的联合短期起点-终点需求预测

《IEEE Transactions on Pattern Analysis and Machine Intelligence》：Joint Short-Term Origin-Destination Demand Prediction for Multimodal Transport Systems

本文针对多模式交通系统中短期OD需求预测的三大挑战，提出PD-MTSOD模型，结合多任务学习与偏微分方程方法，有效解决数据缺失、高维稀疏特征及跨模式关联问题，经北京、纽约实测验证优于基线方法。

　　

摘要：

短期起点-终点（OD）需求预测在管理多模式运输系统中至关重要。多模式系统的联合短期OD需求预测面临三个挑战：（1）数据可用性：实时OD需求无法用于预测；（2）OD需求的稀疏性和高维度：OD需求在时空上具有稀疏性且通常维度较高；（3）不同运输模式的影响：一种模式的未来OD需求会受到其他模式的影响，而大多数研究主要关注单一运输模式，忽略了不同模式之间的相互作用。为了解决这些挑战，我们提出了一种基于多任务学习和偏微分的方法来预测多模式运输系统的短期OD需求（PD-MTSOD），该方法包括：（1）一个OD需求学习器用于估计实时OD需求；（2）利用超图注意力进行数据聚合以捕捉时空特征；（3）将OD需求分解为自生成增量、其他模式生成增量和实时OD需求，并使用基于偏微分的方法来建模不同模式之间的相关性。在北京和纽约的多模式系统上进行的广泛测试表明，PD-MTSOD优于基线模型。此外，我们还证明了综合考虑多种运输方式的好处，并探索了不同运输模式之间的相关性。本文提供了一种可靠的方法来理解多模式运输系统。

引言

城市交通系统（UTS）通常由多个子系统组成，如地铁系统和公交系统。由于乘客的出行行为（例如换乘行为），这些子系统通常是相互连接的。例如，乘客可能会乘坐公交车前往附近的地铁站，然后换乘以达到目的地，或者由于过度饱和而更换运输方式。如果不进行适当的管理，这些运输资源的利用率增加可能会加剧UTS的拥堵，从而降低交通系统的效率并减少乘客的出行舒适度。为了确保此类城市交通系统的顺畅运行，依赖于准确可靠的联合短期起点-终点（OD）需求预测对于多模式运输系统至关重要。多模式运输系统的联合短期OD需求预测旨在预测特定多模式运输系统中每种运输方式的未来OD需求。准确的联合短期OD需求预测可以应用于许多下游任务，如调度、时刻表优化等。对于运营商来说，多模式运输系统的短期OD预测有助于更好地监测每种运输方式的时空特征以及不同运输模式之间的相互联系，从而支持多模式运输系统的运输资源规划和运营。对于乘客而言，准确的预测可以帮助安排路线，从而节省出行时间并改善出行体验。