A Hybrid Spatiotemporal Deep Learning Model for Short-Term Metro Passenger Flow Prediction
Notice bibliographique
Résumé
The primary objective of this study is to predict the short-term metro passenger flow using the proposed hybrid spatiotemporal deep learning neural network (HSTDL-net). The metro passenger flow data is collected from line 2 of Nanjing metro system to illustrate the study procedure. A hybrid spatiotemporal deep learning model is developed to predict both inbound and outbound passenger flows for every 10 minutes. The results suggest that the proposed HSTDL-net achieves better prediction performance on suburban stations than on urban stations, as well as generating the best prediction accuracy on transfer stations in terms of the lowest MAPE value. Moreover, a comparative analysis is conducted to compare the performance of proposed HSTDL-net with other typical methods, such as ARIMA, MLP, CNN, LSTM, and GBRT. The results indicate that, for both inbound and outbound passenger flow predictions, the HSTDL-net outperforms all the compared models on three types of stations. The results suggest that the proposed hybrid spatiotemporal deep learning neural network can more effectively and fully discover both spatial and temporal hidden correlations between stations for short-term metro passenger flow prediction. The results of this study could provide insightful suggestions for metro system authorities to adjust the operation plans and enhance the service quality of the entire metro system.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».