包恒彬，马玉鹏，杨奉毅，韩云飞

（1.中国科学院新疆理化技术研究所新疆民族语音语言信息处理实验室，乌鲁木齐 830011；2.中国科学院大学，北京 100049）

0 概述

加油站流量可反映城市的能源消耗及经济水平，对加油站的客流量进行准确预测可帮助相关部门及企业制定更符合各站点实际需求的选址、运营以及调配策略，还可为需要加油的顾客提供推荐信息，以帮助其寻找排队时间最短的加油站［1］。

目前，针对加油站短时客流量预测的研究尚少，而加油站客流数据是一种典型的时空数据，这种时空特性使得加油站客流量预测问题与交通领域的其他问题具有概念上的相似性。早期研究通常采用如差分自回归移动平均（Autoregressive Integrated Moving Average，ARIMA）模型［2］及其改进方法来解决该类预测问题，而后期结合复杂特征工程与传统机器学习模型的方法被应用到该领域。然而，这些传统的时间序列模型或机器学习模型具有较大局限性，不能有效捕捉复杂的非线性时间与空间依赖的关系。

近年来，由于深度学习凭其优异的端到端学习能力而在解决自然语言处理、计算机视觉等领域任务时取得显著效果［3］，因此研究人员逐渐将循环神经网络（Recurrent Neural Network，RNN）［4］和卷积神经网络（Convolution Neural Network，CNN）［5］应用到交通领域预测问题中。RNN 可对时间序列数据进行复杂建模并提取数据中的时间依赖关系，CNN 通过在像素级矩阵中不断进行卷积操作来捕捉数据间的空间相关性。同时，结合RNN 与CNN 构成一个复杂深度神经网络模型以克服传统方法的局限性，使得整个模型具有强大的时空数据多维非线性关联处理能力。……