|
案例研究表明，相對于傳統(tǒng)的長短時記憶神經(jīng)網(wǎng)絡(luò)（LSTM）模型，卷積長短時記憶神經(jīng)網(wǎng)絡(luò)（Conv-LSTM）模型能夠更準確地預(yù)測地鐵站的乘客擁堵延誤情況。 乘客擁堵而導(dǎo)致的出行延誤是城市軌道交通普遍存在的一種現(xiàn)象。在高峰時段，乘客可能需要等待多列班車，導(dǎo)致站內(nèi)乘客總出行時間延長。因此，準確計算并預(yù)測地鐵站的擁堵延誤情況，對優(yōu)化交通流量至關(guān)重要。 在Journal of Advanced Transportation發(fā)表的一篇論文中，西南交通大學(xué)Wei Chen團隊利用卷積長短時記憶神經(jīng)（Conv-LSTM）網(wǎng)絡(luò)，解析了能夠預(yù)測潛在延誤的地鐵站乘客擁堵的時空特征。 研究團隊回顧了與鐵路延誤有關(guān)的現(xiàn)有文獻后發(fā)現(xiàn)，地鐵站內(nèi)的乘客擁堵情況不僅受特定站點進出站客流的影響，還與相鄰車站的擁堵情況相關(guān)。然而，傳統(tǒng)的長短時記憶神經(jīng)網(wǎng)絡(luò)（LSTM）交通延誤預(yù)測方法并未將后者考慮在內(nèi)。因此，需要采用更加先進的方法，對其進行更可靠的預(yù)測。 根據(jù)傳統(tǒng)的全連接長短時記憶神經(jīng)（FC-LSTM）網(wǎng)絡(luò)，研究團隊優(yōu)化了Conv-LSTM網(wǎng)絡(luò)。FC-LSTM網(wǎng)絡(luò)往往限于地鐵站或路線層面的預(yù)測。與之不同的是，Conv-LSTM網(wǎng)絡(luò)在輸入到狀態(tài)（input-to-state）和狀態(tài)到狀態(tài)（state-to-state）的轉(zhuǎn)換中都具有卷積結(jié)構(gòu)，并且可以有效捕獲擁堵延誤的時空關(guān)聯(lián)。 為了驗證這個新的模型，研究團隊開展了一項針對重慶地鐵的案例研究。他們選取了重慶地鐵2018年9月至10月40個工作日的運營數(shù)據(jù)，計算了地鐵乘客延誤率和擁擠延誤指數(shù)，以及預(yù)測結(jié)果的均方根差（RMSE）、平均絕對誤差（MAE）和決定系數(shù)（R2）值，從而對Conv-LSTM模型的能力和有效性進行了評估。 結(jié)果顯示，相比于基準模型，Conv-LSTM模型實現(xiàn)了最佳的預(yù)測性能（按RMSE衡量）。 Conv-LSTM模型的卷積層還意味著，其在編碼網(wǎng)絡(luò)中的時空相關(guān)性捕捉能力要優(yōu)于基準模型。 該研究的結(jié)論是，Conv-LSTM模型能夠有效地解決地鐵站乘客擁堵延誤預(yù)測問題。運營管理部門可根據(jù)該模型開發(fā)更好的管理和規(guī)劃方案。然而，作者指出，該模型并未考慮換乘乘客，因此未來必須開展更多研究來計算換乘乘客的擁堵延誤情況，并將其納入預(yù)測模型中。 完 整 論 文 關(guān) 于 本 刊  Journal of Advanced Transportation發(fā)表理論和創(chuàng)新論文，涵蓋多式聯(lián)運網(wǎng)絡(luò)、運輸和交通系統(tǒng)的分析、設(shè)計、運行、優(yōu)化和規(guī)劃，以及交通技術(shù)和交通安全。 期刊指標 CiteScore: 3.400 JIF：2.419 JCI：0.520 中科院期刊分區(qū)表：工程技術(shù)4區(qū) 錄用率：36% 投稿至最終編輯決定時間：106 天 論文錄用至發(fā)表時間：75天 *我們意識到期刊層面指標的重要性，它們可以幫助作者選擇研究發(fā)表平臺。然而，作為舊金山科研評估宣言（DORA）的簽署方，我們認為，不得將期刊層面的指標作為一種替代手段，來衡量研究論文的質(zhì)量，或者評估研究人員的貢獻度，也不得將其用作招聘、晉升或者研究資助決策的參考指標。我們堅信，不應(yīng)該單純地僅用一種指標來評價期刊。我們鼓勵在評價期刊時，對期刊的范圍、內(nèi)容、編輯流程以及許多期刊和論文層面的指標（如使用量和引用量）進行全面評估。 |
|
|
