在Journal of Advanced Transportation发表的一篇论文中，西南交通大学Wei Chen团队利用卷积长短时记忆神经（Conv-LSTM）网络，解析了能够预测潜在延误的地铁站乘客拥堵的时空特征。

研究团队回顾了与铁路延误有关的现有文献后发现，地铁站内的乘客拥堵情况不仅受特定站点进出站客流的影响，还与相邻车站的拥堵情况相关。然而，传统的长短时记忆神经网络（LSTM）交通延误预测方法并未将后者考虑在内。因此，需要采用更加先进的方法，对其进行更可靠的预测。

根据传统的全连接长短时记忆神经（FC-LSTM）网络，研究团队优化了Conv-LSTM网络。FC-LSTM网络往往限于地铁站或路线层面的预测。与之不同的是，Conv-LSTM网络在输入到状态（input-to-state）和状态到状态（state-to-state）的转换中都具有卷积结构，并且可以有效捕获拥堵延误的时空关联。

为了验证这个新的模型，研究团队开展了一项针对重庆地铁的案例研究。他们选取了重庆地铁2018年9月至10月40个工作日的运营数据，计算了地铁乘客延误率和拥挤延误指数，以及预测结果的均方根差（RMSE）、平均绝对误差（MAE）和决定系数（R2）值，从而对Conv-LSTM模型的能力和有效性进行了评估。

结果显示，相比于基准模型，Conv-LSTM模型实现了最佳的预测性能（按RMSE衡量）。

Conv-LSTM模型的卷积层还意味着，其在编码网络中的时空相关性捕捉能力要优于基准模型。

该研究的结论是，Conv-LSTM模型能够有效地解决地铁站乘客拥堵延误预测问题。运营管理部门可根据该模型开发更好的管理和规划方案。然而，作者指出，该模型并未考虑换乘乘客，因此未来必须开展更多研究来计算换乘乘客的拥堵延误情况，并将其纳入预测模型中。

*我们意识到期刊层面指标的重要性，它们可以帮助作者选择研究发表平台。然而，作为旧金山科研评估宣言（DORA）的签署方，我们认为，不得将期刊层面的指标作为一种替代手段，来衡量研究论文的质量，或者评估研究人员的贡献度，也不得将其用作招聘、晋升或者研究资助决策的参考指标。我们坚信，不应该单纯地仅用一种指标来评价期刊。我们鼓励在评价期刊时，对期刊的范围、内容、编辑流程以及许多期刊和论文层面的指标（如使用量和引用量）进行全面评估。

点击文末原文链接访问该刊主页，阅读Journal of Advanced Transportation发表的更多论文。

原文链接：https://www.hindawi.com/journals/jat/contents/year/2022/?utm_source=ScienceNet&utm_medium=owned%20referral&utm_campaign=HDW_MRKT_CNA_USG_SCIN_OWN_OSOC_JOUR_1409_10815