来源：期刊VIP网 时间：
作者：谢余晨;杨静;李欣然;张红亮;周浪雅;
单位：北京建筑大学土木与交通工程学院;北京交通大学交通运输学院;北京交通大学智能铁路研究院;中国铁道科学研究院集团有限公司运输及经济研究所;
摘要：城市轨道交通站点短时客流预测是交通管理和人群调控的关键环节。为解决捕获客流动态空间相关性时存在的复杂度高及过拟合问题，提出一种基于Tucker张量分解的动态混合时空图卷积网络模型。该模型由多个时间注意力模块与混合图卷积模块交替堆叠构成，分别进行时间和空间特征的学习。其中混合图卷积模块融合预定义静态图卷积与动态图卷积，预定义图反映站点间的物理连通关系，动态图卷积采用基于Tucker分解生成的动态邻接矩阵，通过在不同层间共享邻接矩阵的方法，高效学习站间的动态空间关系，将计算复杂度从O(T×N~2)降为O(N×d)，同时有效解决过拟合问题。实验结果表明，研究设计的模型在北京、上海、杭州3个真实数据集上的预测精度优于现有方法；在客流变化趋势明显，特别是有潮汐现象的站点表现更好；动态混合时空图卷积网络模型中的动态邻接矩阵能够自适应捕捉动态空间相关性；动态图卷积与混合图卷积模块在模型性能提升中具有关键作用。
关键词：城市轨道交通;;短时客流预测;;动态时空图卷积网络;;Tucker分解;;图神经网络
基金资助：中国国家铁路集团有限公司科技研究开发计划课题(P2024X001);; 北京市属高等学校高水平科研创新团队建设支持计划项目(BPHR20220109)
