在城市轨道交通系统中，准确预测起点到终点（OD）的客流需求对于提升运营效率和乘客出行体验至关重要。然而，这一任务在突发公共卫生事件期间面临诸多挑战，如数据实时性差、稀疏性、高维性以及外部因素的复杂影响。北京交通大学研究人员在《Engineering》期刊上发表了一篇题为“基于物理引导深度学习的突发公共卫生事件期间城市轨道交通短时OD客流预测”的研究论文。研究团队提出了一种名为“物理引导的自适应图时空注意力网络（PAG-STAN）”的模型，专门针对突发公共卫生事件背景下的地铁OD需求预测问题。

研究人员指出，突发公共卫生事件期间，人们的出行行为发生了显著变化，OD需求的随机性和波动性增加，这给地铁运营方及时调整列车运行计划带来了困难。此外，实时OD需求数据的获取存在延迟，数据稀疏性和高维性问题也给预测带来了挑战。为了解决这些问题，PAG-STAN模型引入了实时OD估计模块，通过结合实时进站流量和历史OD分布率，尽可能生成完整的实时OD需求矩阵。该模型还设计了一种动态OD需求矩阵压缩模块，能够筛选出高需求的OD对，生成稠密的OD需求矩阵，从而有效应对数据稀疏性和高维性问题。

图1 PAG-STAN 框架概览。Max：最大值；avg：平均值；add：加法；norm：归一化；pre：前一（指前一时间步）。

在模型架构方面，PAG-STAN采用了编码器-解码器框架。编码器部分引入了自适应图卷积长短期记忆网络（AGC-LSTM）和多周期交叉注意力机制（MPC-ATTN），用于学习OD需求的周期性时空分布信息。解码器部分则使用多个双向长短期记忆网络（BiLSTM）来建模上下文信息，并解码OD需求的全局分布特征。此外，模型还引入了异构信息融合模块（HIFB），结合相关数据、日期属性数据等，全面挖掘突发公共卫生事件期间外部因素对OD需求的影响。

为了进一步提升模型的可解释性，研究人员提出了一种掩码物理引导（MPG）损失函数，将OD需求与进站流量之间的物理量关系嵌入损失函数中。这种方法不仅保留了数据驱动模型的高预测准确性，还通过引入物理规律增强了模型的可解释性。

实验结果表明，PAG-STAN模型在突发公共卫生事件及常规情景下的地铁OD需求预测任务中均表现出色。研究人员在南宁地铁和北京地铁的真实数据集上进行了大量实验，结果显示PAG-STAN在预测准确性上优于现有方法。此外，通过一系列消融实验，研究人员验证了模型各模块的重要性，证明了多周期OD需求数据、实时OD估计、异构信息融合以及MPG损失函数等模块对提升预测性能的关键作用。

图2 使用PAG-STAN模型对比OD时间序列真值与预测值。

该研究不仅为城市轨道交通运营提供了有力的技术支持，也为未来应对类似突发公共卫生事件或其他非常规干扰场景下的交通需求预测提供了新的思路和方法。随着城市轨道交通系统的不断发展和复杂性增加，这种结合物理引导和深度学习的预测模型有望在更多场景中发挥重要作用，为乘客和运营方提供更精准、更可靠的出行规划和运营管理方案。