论文笔记《Physical-Virtual Collaboration Modeling for Intra-and Inter-Station Metro Ridership Prediction》

最新推荐文章于 2025-02-26 15:24:05 发布

原创

最新推荐文章于 2025-02-26 15:24:05 发布 · 1.6k 阅读

6 ·

CC 4.0 BY-SA版权

Abstract

本文主要工作有两方面，其一是基于地铁站点的流量预测，其二是在线OD预测。其中很值得学习的是三个图构造方式，也是论文题目中Physical-Virtual的体现，三个图分别是（后文详细说明）：

图1-传统的物理拓扑图 a physical graph
图2-流量相似性图 a similarity graph
图3-流量相关性图 a correlation graph

Introduction & Methodology

在引言部分，除了简单研究现状外，作者还主要介绍两方面内容：其一，针对流量相似性和相关性的说明；其二，介绍用于构造**流量相似性图（similarity graph）**的方法 Dynamic Time Warping（DTW），下文结合文中METHODOLOGY一节中的图构造相关内容一起说明。

物理图 (physical graph)

基于现实站点的连通特性构造拓扑图，并做 row normalization

$[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-cZGnAd0E-1605595284720)(C:\Users\RuiNan W\Desktop\3.png)]$

流量相似性图 (similarity graph)

在这里插入图片描述

流量相似性：现实世界的地铁系统中，距离很远或没有直接相连的两点（如B/C），可能因为具有相似功能性而具有类似流量分布特性，可以用虚拟边连接它们。
步骤1： 构造该图使用的是Dynamic Time Warping（DTW [1]），利用 DTW 计算各站点的相似性得分矩阵 $j)=\exp \left(-\operatorname{DWT}\left(\boldsymbol{X}^{i}, \boldsymbol{X}^{j}\right)\right)$ 。

[1] D. J. Berndt and J. Clifford, “Using dynamic time warping to find patterns in time series.” in KDD workshop, vol. 10, no. 16. Seattle, WA, 1994, pp. 359–370.
步骤2： 随后利用预先设定的阈值或取top-k个站点对建立虚拟边
步骤3： 对相似性得分矩阵 $S (i, j)$ 做 row normalization $W_{s}(i, j)=\frac{S(i, j)}{\sum_{k=1}^{N} S(i, k) \cdot L\left(\mathcal{E}_{s}, i, k\right)}$ ，其中如果点 $i / k$ 相连 $L\left(\mathcal{E}_{s}, i, k\right)=1$ ，反之 $L\left(\mathcal{E}_{s}, i, k\right)$