基于时空特征提取及深度集成网络的交通韧性预测OA

目前,多制式交通跨线运营已成为提升城市交通网络性能的关键途径。精确量化多制式轨道交通网络的韧性,对于优化交通资源配置、增强交通系统抗风险能力具有重要意义。针对多制式交通跨线运营模式下时空特征关联性日渐复杂及多源异构数据处理困难的问题,提出一种基于时空特征提取及深度集成网络的交通韧性预测模型(spatial-temporal feature extraction and deep integrated network,STFEDIN)。该模型构建了时空特征融合网络(spatial-temporal feature fusion network,STNet),通过多尺度卷积与跨时间门控机制的协同实现对交通数据中非线性特征、时序依赖关系及空间异构性特征的有效提取。针对传统Transformer框架在时空特征建模中存在的长距离依赖捕获效率不足及空间结构信息利用不充分问题,引入混合头注意力机制(mixture-of-head,MoH)替代传统Transformer预测模型中的注意力结构,MoH模型可以通过动态路由策略实现注意力头间的协同优化,有效增强模型对多维度时空关联特征的动态解析能力与复杂场景适应性。以某城市的市域铁路与城市轨道交通系统跨线运营为例,验证模型的预测性能。实验结果表明,STFEDIN模型相对于传统的数理统计模型或单一机器学习模型有较好的预测性能,相较于时空演化建模图神经网络(spatial-temporal evolution modeling graph neural network,StemGNN)模型,平均绝对误差f_(mae)下降了0.01,均方根误差f_(rmse)下降了0.012,平均绝对百分比误差f_(mape)下降了1.701,决定系数f_(r2)上升了2.27%;与卷积长短时记忆网络(convolutional long short-term memory,ConvLSTM)模型相比,f_(mae)下降了0.045,f_(rmse)下降了0.057,f_(mape)下降了7.845,f_(r2)上升了26.60%。消融实验进一步证明了STFEDIN模型结构的合理性。研究成果为多制式交通跨线运营场景下的网络韧性评估提供了有效的解决途径。