Forecasting short‑term passenger fow via CBGC‑SCI: an in‑depth comparative study on Shenzhen Metro

地铁客流量的精准短期预测对地铁系统运营管理至关重要。然而，由于运营时段的时间依赖性、站点间基于图结构的远距离空间依赖性，以及进出站客流的关联性，地铁网络客流呈现出独特而复杂的模式。为应对这些挑战，研究提出了一种新型深度学习框架——切比雪夫图卷积采样交互网络（CBGC-SCI），该模型包含两个核心组件：基于切比雪夫多项式图卷积的空间模块，以及采用降采样-卷积-交互架构的时间模块。空间模块通过聚合高阶节点信息，有效捕捉地铁站点间（尤其是远距离站点）的图结构邻接关系；时间模块则能提取非线性客流动态与长期时间依赖性，提供具有高预测精度的多步预测结果。基于深圳地铁自动售检票系统（AFC）采集的智能卡数据，研究开展了涵盖不同输入时间步长、进出站客流相关性、多运营时段及各类图神经网络（GNN）模块的对比实验。结果表明：CBGC-SCI能有效建模远距离图空间依赖性与时间依赖性，其预测精度优于现有基准模型；考虑进出站客流相关性可提升模型预测性能；针对不同运营时段的客流模式差异，对比分析验证了本模型在所有运营条件下均具有优越性能。

该研究成果发表在《MACHINE LEARNING》2025年第114卷第1期，此期刊属于JCR二区期刊，近五年影响因子达到5.8。《MACHINE LEARNING》是研究计算式学习方法的国际学术论坛，发表各类学习方法应用于多样化学习问题的实质性研究成果。学院贺钰昕副教授为论文第一作者，罗钦教授为论文通讯作者。

论文链接：https://doi.org/10.1007/s10994-024-06711-y