LTiT: Um Modelo de Aprendizado Profundo para Predição do Fluxo de Passageiros em Seções de Metrô com Base em LSTM-TSSA-iTransformer

Como uma parte vital do sistema de transporte público urbano, a predição do fluxo de passageiros do metrô desempenha um papel crucial na mitigação da congestão do tráfego, na melhoria da infraestrutura de transporte e na otimização da experiência de viagem. A predição existente do fluxo de passageiros do metrô concentra-se principalmente em previsões de curto prazo do fluxo de passageiros de entrada/saída e demanda de origem-destino (O-D). A predição do fluxo de passageiros em seções de metrô pode fornecer um reflexo mais direto das flutuações de passageiros em diferentes segmentos de linha e oferecer suporte robusto para gestão e alocação de recursos. Propomos um modelo de geração de fluxo de passageiros em seções de metrô e um método de predição baseado em LTiT (LSTM-TSSA-iTransformer). Este modelo é baseado na arquitetura geral do codificador iTransformer, e uma rede LSTM (Long Short-Term Memory) é empregada para capturar as características temporais do fluxo de passageiros em seções de metrô. Isso é combinado com o TSSA (Token Statistics Self-Attention) para ponderar de forma adaptativa as informações em pontos-chave no tempo. O desempenho eficiente do modelo foi avaliado comparando suas previsões com outros modelos, incluindo SARIMA (Seasonal Auto-Regressive integrated moving average), redes neurais BP, LightGBM (Light Gradient Boosting Machine) e LSTM (Long Short-Term Memory). Resultados experimentais mostram que o modelo proposto supera modelos de referência tradicionais em métricas de avaliação como R2, MAE, MSE e MAPE. Por fim, investigamos ainda a seleção do comprimento da janela de entrada e do tamanho do passo de previsão, e realizamos análise de robustez sob diferentes condições de ruído.