摘要

针对地铁站域网约出行需求时空耦合特征显著、传统模型预测精度不足的问题,本研究提出一种基i于Stackng集成学习的地铁站域网约出行需求预测框架,通过耦合经验模态分解（EMD）、长短期记忆网络（LSTM）与时空图卷积网络（ST-GCN）构建集成模型。首先,采用EMD算法分解网约车订单数据,进而通过LSTM模型提取其多尺度时间特征;利用ST-GCN模型挖掘各站点网约出行需求的空间依赖性;采用i Stackng集成策略融合LSTM模型与ST-GCN模型的预测结果;将成都滴滴盖亚公开数据与基准模型进行对比试验,结果显示该模型的预测精度相较于时空特征直接连接的GCN-LSTM模型有了显著提升,其中,MAE提升约.69%,RMSE提升约拓扑连接关系的时空数据预测分析。

关键词