杜文博 石婉君 廖盛時(shí) 朱熙

(1. 北京航空航天大學(xué) 電子信息工程學(xué)院, 北京 100083; 2. 北京航空航天大學(xué) 前沿科學(xué)技術(shù)創(chuàng)新研究院, 北京 100083)

相比于城市道路交通,機(jī)場快軌以準(zhǔn)點(diǎn)率高、速度快、運(yùn)能大、舒適性好等優(yōu)勢,成為銜接機(jī)場與市區(qū)的重要交通方式。 然而,目前中國各大機(jī)場的快軌系統(tǒng)時(shí)常出現(xiàn)繁忙時(shí)段運(yùn)力不足、空閑時(shí)段運(yùn)力浪費(fèi)的“客流-運(yùn)力”不匹配現(xiàn)象,成為進(jìn)一步提升民航旅客出行效率和機(jī)場運(yùn)轉(zhuǎn)效能的瓶頸之一。 因此,有必要依據(jù)機(jī)場客流動(dòng)態(tài)變化情況對快軌運(yùn)力進(jìn)行高效調(diào)配。 為達(dá)到該目的,首要一步便是設(shè)計(jì)機(jī)場快軌客流的準(zhǔn)確預(yù)測模型。

機(jī)場快軌客流受眾多非線性因素影響,如進(jìn)離港航班旅客量、天氣、時(shí)段、是否為工作日等,這些因素對快軌客流的影響機(jī)理及相互之間的影響方式和大小各不相同;同時(shí),這些影響在時(shí)間維度上也有著復(fù)雜的先后關(guān)系,難以定性和定量描述,如從機(jī)場到市區(qū)方向快軌的客流形成過程中,惡劣天氣會(huì)使到港航班靠橋時(shí)間延后,加上到港旅客從下機(jī)到抵達(dá)機(jī)場快軌站需要一定時(shí)間,造成了機(jī)場快軌客流變化在時(shí)序上相對于天氣與到港航班旅客數(shù)量等因素變化的復(fù)雜耦合性。 可見,機(jī)場快軌客流的形成是一個(gè)復(fù)雜多變的過程,準(zhǔn)確預(yù)測機(jī)場快軌客流極具挑戰(zhàn)。

目前專門針對機(jī)場快軌客流預(yù)測的研究較少,而對于地鐵、鐵路客流預(yù)測問題,國內(nèi)外已有不少研究,方法大體可分為2 類:①基于數(shù)學(xué)建模的方法;②基于機(jī)器學(xué)習(xí)的方法。 第1 類方法認(rèn)為客流在歷史上的統(tǒng)計(jì)規(guī)律也適用于未來,基于對歷史客流數(shù)據(jù)的挖掘分析構(gòu)建描述客流變化規(guī)律的統(tǒng)計(jì)學(xué)模型,從而實(shí)現(xiàn)對未來客流的預(yù)測。具體來說,Li[1]使用交通四階段預(yù)測模型,即基于交通產(chǎn)生量、吸引量、交通分布和交通方式劃分因素建立數(shù)學(xué)模型,對哈爾濱地鐵客流數(shù)據(jù)進(jìn)行了預(yù)測分析;Ding 等[2]在自回歸移動(dòng)平均(autoregressive integrated moving average,ARIMA)模型中增加自回歸條件異方差模塊,從地鐵歷史客流數(shù)據(jù)中捕捉軌道客流在一天中不同時(shí)段的平均值和方差;Zhang 和Liang[3]綜合考慮了客流數(shù)據(jù)的日相似性,計(jì)算2 周中同周次的客流量比值得到歸一化客流數(shù)據(jù),再基于該數(shù)據(jù)建立改進(jìn)后的卡爾曼濾波預(yù)測模型,實(shí)現(xiàn)了對北京地鐵站的客流預(yù)測。 總體上,基于數(shù)學(xué)建模的方法通常計(jì)算復(fù)雜度低、易于實(shí)現(xiàn),但就本文所研究的機(jī)場快軌在未來較短一段時(shí)間內(nèi)客流的預(yù)測問題來說,該類方法難以準(zhǔn)確建模與短時(shí)客流密切相關(guān)的氣象、航班載客數(shù)等高動(dòng)態(tài)因素對客流的影響,因此對機(jī)場快軌短時(shí)客流預(yù)測的精度較低。

第2 類方法是基于機(jī)器學(xué)習(xí)的軌道客流預(yù)測方法,通過使用歷史軌道客流樣本訓(xùn)練機(jī)器學(xué)習(xí)模型,從樣本中挖掘客流受多種因素影響而動(dòng)態(tài)變化的知識(shí),從而實(shí)現(xiàn)對未來客流量的預(yù)測。 具體來說,Roos 等[4]從所研究站點(diǎn)客流與其自身歷史客流及臨近站點(diǎn)客流具有因果關(guān)系這一事實(shí)出發(fā),采用貝葉斯網(wǎng)絡(luò)對客流進(jìn)行預(yù)測,且提出了一種缺失數(shù)據(jù)擬合策略,在客流數(shù)據(jù)不完整時(shí)采用最大期望算法學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù),提升了該方法在數(shù)據(jù)缺失條件下的魯棒性;惠陽等[5]通過反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural network,BPNN)構(gòu)建節(jié)假日、是否為工作日、時(shí)段、天氣等多種因素與地鐵客流間的映射,實(shí)現(xiàn)了對西安地鐵各站客流的準(zhǔn)確預(yù)測;Sun 等[6]針對地鐵客流數(shù)據(jù)變化兼?zhèn)湟?guī)律性及隨機(jī)性,將客流變化曲線視作信號(hào),提出了先使用小波分析對客流變化曲線的高頻和低頻成分進(jìn)行拆解,再使用多個(gè)支持向量機(jī)對各成分分別學(xué)習(xí)預(yù)測,最后綜合預(yù)測結(jié)果,避免了客流曲線不同頻段成分在預(yù)測過程中的相互影響。 上述軌道客流預(yù)測方法所采用的機(jī)器學(xué)習(xí)模型較為經(jīng)典,較基于數(shù)學(xué)建模的方法對多維因素影響客流的非線性機(jī)理挖掘得更深,但在捕捉高動(dòng)態(tài)因素與快軌客流間的復(fù)雜時(shí)序關(guān)聯(lián)上仍較為欠缺,導(dǎo)致預(yù)測性能并未達(dá)到最佳。 為此,一些學(xué)者使用時(shí)序深度學(xué)習(xí)網(wǎng)絡(luò)來解決該問題。 Yang 等[7]使用長短時(shí)記憶(long short-term memory,LSTM)網(wǎng)絡(luò)對地鐵客流進(jìn)行預(yù)測,且考慮到每天相同時(shí)段的客流變化趨勢較為類似,因此,借助時(shí)間注意力機(jī)制重點(diǎn)關(guān)注所預(yù)測時(shí)段在歷史數(shù)據(jù)上的客流變化情況,提升了預(yù)測準(zhǔn)確性;Ma 等[8]將客流數(shù)據(jù)分布轉(zhuǎn)化為靜態(tài)圖像,采用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)提取其中的空間特征,進(jìn)而用Bi-LSTM 網(wǎng)絡(luò)對客流時(shí)間序列分別從前向和后向?qū)W習(xí)時(shí)間特征,實(shí)現(xiàn)了地鐵客流數(shù)據(jù)空間特征和周期性的有效提取;Liu 等[9]使用3 個(gè)LSTM 網(wǎng)絡(luò)分別提取地鐵客流的時(shí)、日、周特性,結(jié)合天氣、是否為工作日、降水、地鐵運(yùn)營時(shí)刻、站點(diǎn)間的交通時(shí)長等影響客流的因素對地鐵換乘站及常規(guī)站點(diǎn)客流進(jìn)行了準(zhǔn)確預(yù)測。

綜上所述,基于時(shí)序深度學(xué)習(xí)的軌道客流預(yù)測方法因?qū)ι顚哟螘r(shí)空特征挖掘的能力強(qiáng)已成為軌道客流預(yù)測的主流方法。 但已有相關(guān)工作大多針對市區(qū)內(nèi)軌道交通,而本文所研究的機(jī)場快軌客流形成機(jī)理較之更為復(fù)雜。 機(jī)場快軌客流由乘機(jī)、下機(jī)、接機(jī)、送機(jī)等多類人員組成,受氣象、航班延誤、旅客通關(guān)等高動(dòng)態(tài)因素影響較大,同時(shí)這些因素變化與機(jī)場快軌客流形成之間存在顯著但難以量化的時(shí)序關(guān)聯(lián),這些特點(diǎn)導(dǎo)致傳統(tǒng)時(shí)序深度學(xué)習(xí)網(wǎng)絡(luò)難以高效學(xué)習(xí)機(jī)場快軌客流的變化規(guī)律。

為此,本文提出了一種基于“時(shí)間-特征”協(xié)同注意力機(jī)制的機(jī)場快軌客流預(yù)測方法。 該方法在LSTM 時(shí)序預(yù)測模型的基礎(chǔ)上嵌入了“時(shí)間-特征”注意力機(jī)制,用于精細(xì)化捕捉各維特征在不同時(shí)序上對機(jī)場快軌客流的影響規(guī)律。 將所提方法的性能與支持向量機(jī)(support vector machine,SVM)、BPNN、ARIMA、標(biāo)準(zhǔn)LSTM 等現(xiàn)有軌道客流預(yù)測代表性方法進(jìn)行了對比,驗(yàn)證了本文方法的優(yōu)越性。

1 預(yù)測方法

1.1 長短時(shí)記憶網(wǎng)絡(luò)

如圖1 所示,LSTM 網(wǎng)絡(luò)[10]由循環(huán)訓(xùn)練的LSTM 單元構(gòu)成,展開后呈現(xiàn)鏈狀,鏈中每個(gè)LSTM 單元對應(yīng)著一個(gè)時(shí)間片。 LSTM 單元內(nèi)部具體結(jié)構(gòu)如圖2 所示。

圖1 LSTM 網(wǎng)絡(luò)Fig.1 LSTM network

圖2 LSTM 單元結(jié)構(gòu)Fig.2 LSTM unit structure

LSTM 單元包含輸入門、遺忘門、輸出門和記憶細(xì)胞。 輸入門用來確定當(dāng)前輸入有多少新的信息可以加入到記憶細(xì)胞中;遺忘門用來確定當(dāng)前細(xì)胞需要遺忘的信息;輸入門和遺忘門共同更新記憶細(xì)胞在每個(gè)時(shí)間片的狀態(tài);輸出門用來控制記憶細(xì)胞要輸出的信息。 LSTM 單元涉及的計(jì)算公式如下:

式中:ft、it、ot∈Rm分別為遺忘門、輸入門、輸出門的計(jì)算結(jié)果;c⌒t、ct、ht∈Rm分別為新生成的細(xì)胞狀態(tài)、當(dāng)前細(xì)胞狀態(tài)、隱藏狀態(tài);Whf,Whi,Who,Whc∈Rm×m和Wxf,Wxi,Wxo,Wxc∈Rm×n為 遺 忘 門、輸 入門、輸出門和單元狀態(tài)分別涉及的2 個(gè)權(quán)重矩陣;bf,bi,bo,bc∈Rm分別為遺忘門、輸入門、輸出門和單元狀態(tài)的偏置向量;xt為t時(shí)刻的輸入時(shí)間序列值;σ(·)為Sigmoid 激活函數(shù);tanh(·)為雙曲正切函數(shù)激活函數(shù);⊙為哈達(dá)瑪積。

Therefore, we analyzed miRNA expressions of both LSTs and protruded tumors as a specific feature of the stepwise progression from adjacent non-neoplastic mucosa to adenoma and submucosal invasive carcinoma using matched samples to compare accurate miRNA expression in each phase.

1.2 “時(shí)間-特征”協(xié)同注意力

影響機(jī)場快軌客流的各個(gè)因素對快軌客流預(yù)測的貢獻(xiàn)程度、作用方式存在差異,為獲得準(zhǔn)確的預(yù)測效果,需要對不同特征受關(guān)注程度,以及同一特征在不同時(shí)間片上的受關(guān)注程度進(jìn)行學(xué)習(xí)和優(yōu)化。 為此,本文提出了一種“時(shí)間-特征”協(xié)同注意力機(jī)制,使得預(yù)測模型能夠?qū)Σ煌瑫r(shí)間片上不同特征的關(guān)注焦點(diǎn)進(jìn)行動(dòng)態(tài)調(diào)配。

近年來,注意力機(jī)制被廣泛應(yīng)用于基于深度學(xué)習(xí)的各種分類、預(yù)測、聚類等任務(wù)中[11-12],促使模型在學(xué)習(xí)樣本過程中重點(diǎn)關(guān)注相對重要的特征或歷史時(shí)序(對于時(shí)序樣本),以獲得更好的樣本泛化能力。 自注意力機(jī)制在捕獲全局長時(shí)序依賴關(guān)系上較傳統(tǒng)注意力機(jī)制優(yōu)勢明顯,然而自注意力機(jī)制對不同時(shí)間片使用的是同一組權(quán)重矩陣,不同特征之間權(quán)重不同,因此自注意力機(jī)制只能得到不同特征之間的相對注意力大小,無法得到一組時(shí)間序列中同一特征在不同時(shí)間片的注意力分布。 因此,本文通過對每一個(gè)時(shí)間片設(shè)置獨(dú)立的自注意力模塊,構(gòu)建“時(shí)間-特征”協(xié)同注意力機(jī)制,實(shí)現(xiàn)為不同時(shí)間片上的多維特征進(jìn)行獨(dú)立的權(quán)重分配。

本文所提出的基于“時(shí)間-特征”協(xié)同注意力(time and feature cooperative attention, TFATT)的快軌客流預(yù)測模型如圖3 所示。 首先,對客流及相關(guān)影響因素的原始數(shù)據(jù)進(jìn)行清洗,包括對數(shù)據(jù)缺失部分進(jìn)行推測補(bǔ)全,以及對異常數(shù)據(jù)進(jìn)行剔除;然后,為了消除不同客流影響因素(或稱輸入特征) 間的量綱差異,對數(shù)據(jù)進(jìn)行0-1 歸一化處理[13]。

圖3 機(jī)場快軌客流預(yù)測模型Fig.3 Passenger flow prediction model of airport express rail

歸一化后的輸入特征時(shí)序數(shù)據(jù)X= (x1,x2,…,xi,…,xT)∈Rn×T,其中n為輸入特征的數(shù)量,T為時(shí)間序列長度,隱藏層輸出H= (h1,h2,…,hT)∈Rm×T,其中m為LSTM 單元數(shù)量;再將H經(jīng)過全連接層得到新的時(shí)間序列A=WF·H=(a1,a2,…,ai,…,aT)∈Rn×T,其中WF∈Rn×m為全連接矩陣。

為構(gòu)建“時(shí)間-特征”協(xié)同注意力機(jī)制,本文方法針對每一個(gè)時(shí)間片設(shè)置了獨(dú)立的特征注意力模塊,即對于第i個(gè)時(shí)間片分別計(jì)算查詢(Query)矩陣Qi、關(guān)鍵字(Key)矩陣Ki、值(Value)矩陣Vi,1≤i≤T。

式中:e為K的維度大小。

對于每一個(gè)計(jì)算結(jié)果Attentioni(Q,K,V) ∈RT×n, 取其中第i個(gè)向量,記為atti,atti∈Rn。 將所有注意力模塊計(jì)算出的向量組合得到新的時(shí)間序列:ATT =(att1,att2,…,atti,…,attT)∈Rn×T,再經(jīng)過一個(gè)全連接層得到^yst=wF2·ATT·wF3(wF2∈R1×n,wF3∈RT×1為全連接向量),最后對^yst進(jìn)行反歸一化處理,得到機(jī)場快軌客流預(yù)測值^y。

2 實(shí)驗(yàn)驗(yàn)證

2.1 實(shí)驗(yàn)數(shù)據(jù)

本文選取2019 年1 月5 日至7 日、5 月9 日至11 日、8 月4 日至15 日、9 月27 日至30 日、12 月14 日至17 日共26 天的北京首都國際機(jī)場快軌站的進(jìn)出站刷卡數(shù)據(jù)、機(jī)場天氣數(shù)據(jù)(含晴、霧、雨3 類),以及航班起降計(jì)劃數(shù)據(jù)和實(shí)際起降數(shù)據(jù)。 目標(biāo)預(yù)測時(shí)段為6:30—23:00,選取10 min作為一個(gè)時(shí)間片長度(共計(jì)100 個(gè)時(shí)間片/天×26 天=2 600個(gè)時(shí)間片),統(tǒng)計(jì)每個(gè)時(shí)間片對應(yīng)的市區(qū)到機(jī)場方向客流、機(jī)場到市區(qū)方向客流、天氣、機(jī)場實(shí)際/計(jì)劃到離港航班載客數(shù)、時(shí)段信息(以1 h為單元,如19 ～20 時(shí)段)、工作日/非工作日信息。

2.2 模型參數(shù)

本文將所提TFATT 模型與近年來最常見的軌道客流預(yù)測模型SVR[6]、BPNN[5]、ARIMA[2]和標(biāo)準(zhǔn)LSTM[7]模型進(jìn)行對比,通過咨詢行業(yè)領(lǐng)域?qū)＜遗c調(diào)研文獻(xiàn),得到影響機(jī)場快軌客流的主要因素包括快軌客流歷史數(shù)據(jù)、進(jìn)離港航班旅客量、天氣、時(shí)段、是否工作日等。 為了明確機(jī)場到市區(qū)、市區(qū)到機(jī)場2 個(gè)方向上機(jī)場快軌客流的關(guān)鍵影響因素,本文基于2 600 條樣本,使用Pearson相關(guān)系數(shù)、SNR 信噪比對各個(gè)客流影響因素與2 個(gè)方向客流的關(guān)聯(lián)程度作初步檢驗(yàn),并挑選其中關(guān)聯(lián)度較大的特征作為模型輸入(ARIMA 模型除外,根據(jù)文獻(xiàn)[1]可知其輸入特征僅為客流)。具體為:對于機(jī)場到市區(qū)方向客流,特征包括機(jī)場到市區(qū)方向歷史客流、機(jī)場實(shí)際到港航班載客數(shù)(機(jī)場實(shí)際到港航班載客數(shù)與快軌客流間Pearson系數(shù)為- 0. 106)、實(shí)際與計(jì)劃離港航班載客數(shù)(實(shí)際離港航班載客數(shù)與快軌客流間Pearson 系數(shù)為0.302,計(jì)劃離港航班載客數(shù)與快軌客流間Pearson 系數(shù)為0.244)、天氣(晴、霧、雨天氣與快軌客流間信噪比為0.114)、時(shí)段(時(shí)段與快軌客流間信噪比為1.426)、是否工作日(是否工作日與快軌客流間信噪比為0.108);對于市區(qū)到機(jī)場方向客流,特征包括市區(qū)到機(jī)場方向歷史客流、機(jī)場計(jì)劃到港航班載客數(shù)(機(jī)場計(jì)劃到港航班載客數(shù)與快軌客流Pearson 系數(shù)為-0. 078)、機(jī)場實(shí)際與計(jì)劃離港航班載客數(shù)(機(jī)場實(shí)際離港航班數(shù)與快軌客流Pearson 系數(shù)為0.136,機(jī)場計(jì)劃離港航班數(shù)與快軌客流Pearson 系數(shù)為0.156)、天氣(晴、霧、雨天氣與快軌客流間信噪比為0.265)、時(shí)段(時(shí)段與快軌客流間信噪比為0.671)、是否工作日(是否工作日與快軌客流間信噪比為0.311)。 各模型采用目標(biāo)預(yù)測時(shí)間片的前6 個(gè)時(shí)間片的特征向量,對目標(biāo)預(yù)測時(shí)間片客流進(jìn)行預(yù)測。

考慮到模型的參數(shù)對模型性能有很大的影響,目前還沒有成熟的模型參數(shù)選取理論方法,因此,本文進(jìn)行了參數(shù)遍歷實(shí)驗(yàn)來挑選參數(shù)。 參數(shù)設(shè)置如下:①SVM。 核函數(shù)選擇徑向基函數(shù)(radio basic function,RBF),核系數(shù)gamma 設(shè)為auto,誤差項(xiàng)的懲罰參數(shù)C設(shè)為10。 ②BPNN。 BPNN 隱含層數(shù)設(shè)為2,每層大小設(shè)為36。 ③ARIMA。 自回歸系數(shù)p設(shè)為4,滑動(dòng)平均系數(shù)設(shè)為1,差分階數(shù)d設(shè)為0。 ④LSTM。 batch_size =128,timesteps =6,epochs =300,LSTM 單元數(shù)設(shè)為70,LSTM 隱藏層數(shù)設(shè)為2,損失函數(shù)設(shè)為MAE,激活函數(shù)設(shè)為Sigmoid,優(yōu)化函數(shù)設(shè)為Adam。 ⑤TFATT。 batch_size =128,epochs =300,隱藏層數(shù)設(shè)為2,損失函數(shù)設(shè)為MAE,激活函數(shù)為Sigmoid,優(yōu)化函數(shù)設(shè)為Adam。

本文實(shí)驗(yàn)在Windows10 系統(tǒng)中完成,CPU 為i7-8550U@ 1. 8 GHz,內(nèi)存8. 0 GB,IDE 為Pycharm2018.2,Python 版本為3.6,實(shí)驗(yàn)框架為Tensorflow2.6.2。

2.3 實(shí)驗(yàn)設(shè)計(jì)

將26 天的數(shù)據(jù)中某一天的數(shù)據(jù)作為測試集(含100 條樣本),剩下25 天作為訓(xùn)練集(含2 500 條樣本),設(shè)置26 組實(shí)驗(yàn),每組實(shí)驗(yàn)獨(dú)立開展10 次,共開展260 次實(shí)驗(yàn)。

本文使用均方誤差(mean square error,MSE)和平均絕對誤差(mean absolute error, MAE)來定量評估2 種模型的性能[14]。 計(jì)算公式如下:

式中:yi為實(shí)際值;^y為預(yù)測值;m為樣本總數(shù)。

2.4 實(shí)驗(yàn)結(jié)果對比分析

基于2.3 節(jié)所述實(shí)驗(yàn)設(shè)計(jì),表1 為260 次實(shí)驗(yàn)的平均結(jié)果。

由表1 可知,BPNN 和SVR 預(yù)測效果不如ARIMA、LSTM 及本文所提TFATT 模型,這是由于其雖然能夠在一定程度上挖掘出多維特征對客流的非線性影響,但不能捕捉多維輸入特征在前后時(shí)序上的關(guān)聯(lián);ARIMA 僅使用歷史客流數(shù)據(jù)作為輸入實(shí)現(xiàn)對未來客流的預(yù)測,但其只能挖掘內(nèi)生變量的時(shí)序影響而未考量其他多因素的綜合影響,因此預(yù)測效果不如本文所提TFATT 模型;LSTM 可學(xué)習(xí)客流受到的多元特征時(shí)序影響,但面對機(jī)場快軌運(yùn)行中復(fù)雜的多維因素與客流耦合機(jī)理,對于特征時(shí)序關(guān)聯(lián)的泛化準(zhǔn)確度仍不足;本文所提TFATT 模型通過“時(shí)間-特征”協(xié)同注意力機(jī)制充分捕捉不同特征影響客流的時(shí)序滯后性,由表1 可知,本文所提模型在2 個(gè)方向上的客流預(yù)測效果均優(yōu)于其他4個(gè)對比模型。

此外,由表1 還可看出,各模型對市區(qū)到機(jī)場方向客流的預(yù)測精度普遍低于機(jī)場到市區(qū)方向(后文將對該現(xiàn)象原因作進(jìn)一步分析),但本文TFATT 模型相比于其他4 個(gè)模型在2 個(gè)出行方向上均有更好的預(yù)測效果,說明了“時(shí)間-特征”協(xié)同注意力機(jī)制對于提升模型預(yù)測性能的有效性。

表1 機(jī)場快軌客流預(yù)測性能Table 1 Forecasting performance of airport express rail passenger flow

為更直觀地查看各模型的預(yù)測效果,圖4 展示了將前25 天的樣本作為訓(xùn)練集、最后1 天樣本作為測試集的預(yù)測曲線。

圖4 客流預(yù)測曲線Fig.4 Forecast results of passenger flow

由圖4 所示結(jié)果可知,5 種模型均能夠預(yù)測出機(jī)場快軌實(shí)際客流變化的總體趨勢,但仔細(xì)對比可發(fā)現(xiàn),本文TFATT 模型較其他模型在對實(shí)際客流曲線的擬合度上更優(yōu)。 機(jī)場快軌實(shí)際客流曲線均出現(xiàn)了在短時(shí)間內(nèi)波動(dòng)較大的現(xiàn)象,特別是在市區(qū)到機(jī)場方向,這是由一些偶然因素所致。例如,圖4(b)中市區(qū)到機(jī)場方向列車到達(dá)機(jī)場站時(shí)刻在各預(yù)測時(shí)間片上并非均勻分布,一旦有車到站則客流猛增,無車到站則客流稀少,造成實(shí)際客流曲線跳躍明顯。 由于偶然因素尚未被納入到本文實(shí)驗(yàn)?zāi)Ｐ偷妮斎胩卣髦?造成各模型的預(yù)測客流曲線均不能嚴(yán)密擬合于實(shí)際客流曲線,但實(shí)驗(yàn)結(jié)果仍能說明在現(xiàn)有數(shù)據(jù)基礎(chǔ)上,本文方法相比于其他方法具有優(yōu)越性。

3 結(jié) 論

1) 本文面向機(jī)場快軌運(yùn)力配置不能適應(yīng)客流動(dòng)態(tài)變化導(dǎo)致運(yùn)力不足或浪費(fèi)的問題,提出了一種基于“時(shí)間-特征”協(xié)同注意力機(jī)制的機(jī)場快軌客流預(yù)測模型TFATT,通過對不同因素在不同時(shí)序下對于機(jī)場快軌客流影響的顯著性進(jìn)行精細(xì)化建模,提升了機(jī)場快軌客流預(yù)測的精度,為機(jī)場運(yùn)控部門開展機(jī)場快軌運(yùn)力調(diào)控提供支撐。

2) 基于北京首都國際機(jī)場及其快軌實(shí)際運(yùn)行數(shù)據(jù)開展快軌客流預(yù)測實(shí)驗(yàn),將本文所提客流預(yù)測模型TFATT 與常用的基于BPNN、SVR、ARIMA、LSTM 模型的客流預(yù)測方法進(jìn)行了實(shí)驗(yàn)對比,結(jié)果驗(yàn)證了TFATT 模型的有效性。

目前僅考慮了機(jī)場路側(cè)的一種交通方式機(jī)場快軌進(jìn)行客流預(yù)測,而實(shí)際上路側(cè)具有多種交通方式,彼此之間互有影響,后續(xù)可以開展機(jī)場快軌[15]、巴士[16]、出租車[17]等多種交通方式客流協(xié)同預(yù)測研究,以提升預(yù)測精度。