第4期 李伯涵，等：基于分割注意力机制残差网络的城市区域客流量预测 ·845· 续表1 如当序列长度选取48、时间间隔为30min时，数 参数名称 参数值 据的时间依赖性为24h。因此，有6种RNN的变 特征图高(map_height) 2 种：RNN-3、RNN-6、RNN-12、RNN-24、RNN-48和 邻近性数据长度(closeness_sequence_length) RNN-336。 8 周期性数据长度(period_sequence_.length) LSTM长短记忆单元网络(LSTM)B剧是 8 种特殊的RNN,能够学习到较长的时间依赖。与 趋势性数据长度(trend_sequence_length) 8 RNN的设置相同，做了6种LSTM的变种实验， 残差单元数量(num_of residual_units) 2 即LSTM-3、LSTM-6、LSTM-12、LSTM-24、LSTM- 学习率(Ir) 0.001 48和LSTM-336。 周期数量(num_epochs) 10 GRU门递归单元网络，是一种新的RNN, 过滤器数量(num_of_filters) 64 能够捕捉较长的时间依赖。与RNN的设置相同， 一阶矩估计的指数衰减因子(betal)》 0.8 有以下6种GRU变种作为对比实验：GRU-3、GRU 二阶矩估计的指数衰减因子(beta2) 0.999 6、GRU-12、GRU-24、GRU-48以及GRU-336。 采样数(nb flow) 2 3.4.2对比实验的结果与分析 基组数量(K) 与上述模型的对比实验结果如表2所示。 组内分支数量(R) 4 表2 TaxiBJ数据集下的各个模型RMSE对比实验 Table 2 Comparison of RMSE results of various frame- 3.4对比实验的设置与分析 works under Taxibj dataset 3.4.1对比实验的设置 模型框架 RMSE评估指标 实验过程中随机选择了数量为8周的数据作为 HA 57.69 测试集，剩余数据为训练集。选取了ST-ResNet和 ARIMA 22.78 DeepST两种人流量预测模型和ARMA、SARIMA、 SARIMA 26.88 VAR、RNN、LSTM、GRU等主流时间序列预测模 VAR 22.88 型作为对比模型。 ST-ANN 19.57 HA计算对应时间区间的所有历史输入流 DeepST 18.1 和外出流的平均流量。例如：周二上午9：00-9：30， RNN-3 23.42 对应所有历史数据中所有周二上午的9：00~9：30。 RNN-6 23.80 ARIMAIS阿自回归滑动平均(ARMA),著名 RNN-12 32.21 的预测时间序列的模型。 RNN-24 38.66 SARIMAB6T季节性ARIMA,在ARIMA的 RNN-48 46.41 基础上，SARIMA考虑了季节特性，能够同时学 RNN-336 39.10 习时间邻近性和周期性。 LSTM-3 22.90 VAR向量自回归模型(VAR)能够捕捉成 LSTM-6 20.62 对乘客流量之间的关系，但由于参数规模十分庞 LSTM-12 23.93 大，致使时间复杂度较高。 LSTM-24 21.97 ST-ANN抽取空间（周围8个区域的值）和 LSTM-48 23.02 时间（前8个时间区间）的特征作为模型预测的 LSTM-336 31.13 依据。 GRU-3 22.63 DeepST面向时空数据的深度神经网络 GRU-6 20.85 (DNN)预测模型，在交通领域数据预测问题上展 GRU-12 20.46 示了较好的特性。 RNN3刀递归神经网络是一种深度学习模 GRU-24 20.24 GRU-48 型，能够较好捕捉时间依赖性，可用于训练不同 21.37 GRU-336 31.34 维度的时间序列数据。本文的实验中，分别选取 了长度为3、6、12、24、48、336的输入序列作为对 ST-ResNet 16.89 比实验。不同的序列长度预测效果不尽相同，例 ST-SANet 14.27续表 1 参数名称 参数值 特征图高（map_height） 32 邻近性数据长度（closeness_sequence_length） 8 周期性数据长度（period_sequence_length） 8 趋势性数据长度（trend_sequence_length） 8 残差单元数量（num_of_residual_units） 12 学习率 （lr） 0.001 周期数量（num_epochs） 10 过滤器数量（num_of_filters） 64 一阶矩估计的指数衰减因子（beta1） 0.8 二阶矩估计的指数衰减因子（beta2） 0.999 采样数（nb_flow） 2 基组数量（K） 4 组内分支数量（R） 4 3.4 对比实验的设置与分析 3.4.1 对比实验的设置 实验过程中随机选择了数量为 8 周的数据作为 测试集，剩余数据为训练集。选取了 ST-ResNet 和 DeepST[34] 两种人流量预测模型和 ARIMA、SARIMA、 VAR、RNN、LSTM、GRU 等主流时间序列预测模 型作为对比模型。 HA 计算对应时间区间的所有历史输入流 和外出流的平均流量。例如：周二上午 9:00~9:30， 对应所有历史数据中所有周二上午的 9:00~9:30。 ARIMA[35] 自回归滑动平均（ARIMA），著名 的预测时间序列的模型。 SARIMA[36] 季节性 ARIMA，在 ARIMA 的 基础上，SARIMA 考虑了季节特性，能够同时学 习时间邻近性和周期性。 VAR 向量自回归模型（VAR）能够捕捉成 对乘客流量之间的关系，但由于参数规模十分庞 大，致使时间复杂度较高。 ST-ANN 抽取空间（周围 8 个区域的值）和 时间（前 8 个时间区间）的特征作为模型预测的 依据。 DeepST 面向时空数据的深度神经网络 （DNN）预测模型，在交通领域数据预测问题上展 示了较好的特性。 RNN[37] 递归神经网络是一种深度学习模 型，能够较好捕捉时间依赖性，可用于训练不同 维度的时间序列数据。本文的实验中，分别选取 了长度为 3、6、12、24、48、336 的输入序列作为对 比实验。不同的序列长度预测效果不尽相同，例 如当序列长度选取 48、时间间隔为 30min 时，数 据的时间依赖性为 24 h。因此，有 6 种 RNN 的变 种：RNN-3、RNN-6、RNN-12、RNN-24、RNN-48 和 RNN-336。 LSTM 长短记忆单元网络（LSTM） [38] 是一 种特殊的 RNN，能够学习到较长的时间依赖。与 RNN 的设置相同，做了 6 种 LSTM 的变种实验， 即 LSTM-3、LSTM-6、LSTM-12、LSTM-24、LSTM- 48 和 LSTM-336。 GRU[39] 门递归单元网络，是一种新的 RNN， 能够捕捉较长的时间依赖。与 RNN 的设置相同， 有以下 6 种 GRU 变种作为对比实验：GRU-3、GRU- 6、GRU-12、GRU-24、GRU-48 以及 GRU-336。 3.4.2 对比实验的结果与分析 与上述模型的对比实验结果如表 2 所示。 表 2 TaxiBJ 数据集下的各个模型 RMSE 对比实验 Table 2 Comparison of RMSE results of various frame￾works under Taxibj dataset 模型框架 RMSE评估指标 HA 57.69 ARIMA 22.78 SARIMA 26.88 VAR 22.88 ST-ANN 19.57 DeepST 18.1 RNN-3 23.42 RNN-6 23.80 RNN-12 32.21 RNN-24 38.66 RNN-48 46.41 RNN-336 39.10 LSTM-3 22.90 LSTM-6 20.62 LSTM-12 23.93 LSTM-24 21.97 LSTM-48 23.02 LSTM-336 31.13 GRU-3 22.63 GRU-6 20.85 GRU-12 20.46 GRU-24 20.24 GRU-48 21.37 GRU-336 31.34 ST-ResNet 16.89 ST-SANet 14.27 第 4 期 李伯涵，等：基于分割注意力机制残差网络的城市区域客流量预测 ·845·