考虑到时空异质性的乘客流量预测：在CNN-BiLSTM模型中加入基于MGWR（多路径生成模型）信息的注意力机制，计算结果得到了显著提升

《Journal of Transport Geography》：Spatiotemporal heterogeneity-aware ridership prediThe calculation results are shction with MGWR-informed attention on CNN-BiLSTM

时空异质性下的出租车需求预测模型研究：结合多尺度地理加权回归与深度学习框架，通过MGWR捕捉城市空间异质性，嵌入CNN-BiLSTM-Attention模型融合时空特征，实验表明该模型在成都地区测试中调整R2达0.91，显著优于传统ARIMA和GWR模型。

　　

姚振星|徐浩月|赵阳|王亮|杨曦

长安大学交通工程学院，中国西安南二环中路126号，710064

摘要

准确的出租车客流量预测在提升乘客体验和缓解出租车供需不平衡方面发挥着至关重要的作用。然而，大多数现有方法都是从整个城市的角度来处理这个问题，忽略了建成环境中固有的时空异质性。此外，传统的预测模型往往强调时间动态性，而忽视了空间变化的环境特征，导致适应性和预测精度有限。为了解决这些挑战，本研究提出了一种新的框架，将多尺度地理加权回归（MGWR）作为注意力机制整合到深度学习模型中，以捕捉城市形态与客流量之间的复杂相互作用。首先使用MGWR揭示出租车需求与建成环境变量之间的局部化、多尺度依赖性，有效表征了区域异质性。然后将这些洞察作为空间注意力信号嵌入到CNN-BiLSTM模型中，增强了其融合空间和时间模式的能力，从而提高了客流量预测的准确性。在中国成都的真实世界出租车数据上的广泛实验证明了所提出方法的有效性。研究结果揭示了明显的时空异质性：购物中心、金融机构和公交车站等因素在市中心区域的影响更大，而在郊区则影响减弱。从时间上看，购物中心对周末客流量贡献更大，而在工作日通勤高峰期间，企业和居住区的作用更为显著。通过结合这些变化，CNN-BiLSTM-Attention模型实现了更高的预测精度，调整后的R2为0.91，远低于基线误差。这些发现为城市交通规划提供了实用见解，并支持基于数据的决策，以优化出租车调度和基础设施设计。

引言

随着共享经济的持续发展，出租车服务已成为城市交通的重要组成部分，通过提供灵活、按需的门到门出行选择来提升公共交通（赵等人，2023年）。尽管有这些优势，出租车供需之间的显著不匹配仍然存在，经常导致乘客等待时间过长以及闲置出租车的高效性低下（郭等人，2022年）。因此，准确的短期出租车客流量预测对于改进调度策略和提高整体交通效率至关重要。在这种情况下，来自大规模GPS轨迹数据的客流量可以作为旅行需求的量化代理。虽然客流量代表已完成的行程，在概念上不同于包括潜在未满足需求在内的更广泛的“需求”，但它可以为分析和建模城市出行模式提供可靠且细致的数据基础。

出租车需求模式受到建成环境的强烈影响，表现出明显的时空异质性，这是由于城市活动的复杂性和动态性（罗等人，2024年；王和诺兰德，2021年）。建成环境因素——如土地使用强度、可访问性和功能分区——在相邻区域之间相互作用，在塑造出租车客流量分布中起着关键作用（余和彭，2020年）。通常，高需求集中在市中心、居住区和交通枢纽（如机场和火车站）周围（谢等人，2022年；赵等人，2023年）。时间上的变化也很明显：在工作日，居住区的需求在早晨达到高峰，而在商业区则在晚上达到高峰；而在周末，购物中心和餐馆等休闲场所的活动增加（王和诺兰德，2021年；张等人，2020年）。鉴于土地使用与流动性之间的内在关系，结合这些时空变化对于推进预测建模能力至关重要。以往的研究已经广泛探讨了建成环境与出行行为之间的关系（曹等人，2009年；塞韦罗和科克尔曼，1997年；克雷恩和克雷波，1998年）。早期的模型通常采用具有固定参数的静态框架，忽略了局部变化，从而限制了其解释能力（特蕾西等人，2011年）。虽然引入了地理加权回归（GWR）来考虑空间非平稳性以解决上述问题（曹等人，2022年；吴等人，2022年），但GWR对所有解释变量的统一带宽限制了其在交通量预测任务中的灵活性和可解释性（吕等人，2023年；皮涅罗等人，2025年）。从方法论的角度来看，经典的时间序列模型（如自回归积分移动平均（ARIMA）已被广泛用于捕捉出租车客流量的时间依赖性（张等人，2010年）。然而，这些模型对于高维数据集尤其是不合适的，尤其是在涉及复杂的空间依赖性时。相比之下，深度学习的最新进展使得开发出能够学习空间和时间特征的混合模型成为可能，进一步采用注意力机制来提高空间异质性的可解释性（李等人，2012年；莫雷拉-马蒂亚斯等人，2013年；雷扎等人，2022年）。然而，现有的深度学习预测模型主要关注简单的时空特征提取和预测，将建成环境变量视为静态或同质的输入，而没有考虑它们的变化效应。机器学习算法的黑箱特性也使得难以解释不同时空建成环境因素对预测结果的影响机制。同样，使用GWR、MGWR和其他注意力机制的研究虽然能够有效揭示空间异质性，但往往仅停留在描述性层面，并未直接整合到预测框架中。因此，当前方法难以捕捉局部建成环境如何动态地影响空间和时间的客流量。关于将地理方法和深度学习方法相结合的集成框架以改进实时、区域时空异质性出租车需求预测效果的研究仍然是一个挑战。

本研究提出了一个考虑时空异质性的出租车客流量预测集成框架。首先应用多尺度地理加权回归（MGWR）模型来量化建成环境变量在空间和时间维度上的局部影响。随后，开发了一个混合深度学习模型——包括卷积神经网络（CNN）、双向长短期记忆（BiLSTM）网络和注意力机制。CNN模块捕捉空间变化性，BiLSTM模型捕捉序列时间依赖性，注意力层进一步提高了特征的可解释性和预测精度。

本文的其余部分组织如下：第2节回顾了现有研究关于建成环境如何影响出租车需求的研究，以及预测方法。第3节介绍了所提出的方法论，包括MGWR和混合深度学习架构。第4节概述了研究区域和数据集。第5节展示了实验结果。第6节全面讨论了研究结果，重点比较了模型性能和解释了建成环境的影响。最后，第7节总结了关键发现和潜在的未来研究方向。

章节片段

建成环境对出租车客流量的影响

理解建成环境与出租车客流量之间的关系对于城市规划和交通管理至关重要，吸引了大量研究关注（潘等人，2020年；杨等人，2018年）。早期研究主要通过传统的交通分析区（TAZs）和基于问卷的调查来研究城市土地使用特征对出租车客流量的影响。TAZs的划分通常基于自然地理特征和人口

方法论

本研究提出了一个考虑建成环境时空异质性的出租车客流量预测模型，采用三步法。首先，对出租车GPS数据和建成环境变量进行多重共线性和空间自相关性测试。这些测试评估数据的有效性，并检查建成环境特征的聚类模式（即高值或低值是否倾向于在空间上聚集）。其次，利用多带宽

研究区域

研究区域是四川省的省会成都，也是中国西南地区最大的都市中心。为了进行空间分析，使用ArcGIS将城市区域划分为均匀的空间单元。具体来说，城市地图上覆盖了一个1公里×1公里的网格（杨和赵，2022年），从而得到了571个用于分析的空间单元，如图3所示。

本研究使用的数据集包括两个主要来源：（1）高分辨率的出租车GPS轨迹数据

MGWR的结果

实验基于Windows 11环境中的MGWR2.2软件（Oshan等人，2018年）。CPU使用Intel(R) Core(TM) i7-13650HX处理器，GPU使用NVIDIA GeForce RTX 4090进行模型训练。本研究选择了OLS和GWR模型进行比较实验。表3显示了模型的比较结果。从表3可以看出，GWR和MGWR的R2约为0.9，高于OLS模型，表明其拟合性能

与现有模型的性能比较

为了证明本研究提出的模型的有效性，将其与一些流行的网络模型进行了比较（李等人，2018年；刘等人，2023年；雷扎等人，2022年）。表6比较了不同模型在工作日和周末三个代表性区域的性能。总体而言，所提出的CNN–BiLSTM–Attention模型在大多数情况下取得了最佳结果，表现出最低的MAE和RMSE值以及最高的调整后R2。这些发现突显了其优越性

结论

本研究通过将时空建成环境因素整合到混合建模框架中，研究了成都的出租车客流量预测。通过结合MGWR和CNN-BiLSTM-Attention神经网络，所提出的方法有效地捕捉和利用了空间和时间上的异质性。主要发现总结如下：

(1)

时空异质性分析：MGWR模型用于研究出租车客流量之间的空间变化关系

CRediT作者贡献声明

姚振星：撰写——审阅与编辑，撰写——初稿，方法论，概念化。徐浩月：撰写——初稿，可视化，方法论，数据整理。赵阳：撰写——审阅与编辑，撰写——初稿，方法论，形式分析。王亮：可视化，验证，数据整理。杨曦：验证，形式分析，数据整理。

致谢

本工作得到了国家自然科学基金[资助编号：52002030]、陕西省人文社会科学基金[资助编号：2025YB0433]、中央高校基本科研业务费[资助编号：300102344604]、Powerchina西北工程股份有限公司基金会[资助编号：XBY-KJ-2024-81]、陕西省自然科学基金[资助编号：2025JC-YBMS-428]以及科技计划项目的支持