基于改进蝙蝠算法优化LSTM网络的短时客流预测

摘要：

准确地预测地铁站短时客流量,对地铁站通风空调系统的节能优化具有重要意义.充分考虑地铁客流量非线性、随机性、周期性等特点,提出一种基于改进蝙蝠算法(IBA)优化长短期记忆(LSTM)神经网络的短时客流量预测模型(IBA-LSTM).引入反向学习、动态自适应惯性权重与拉格朗日插值法等方法改进蝙蝠的全局搜索与局部寻优能力,克服标准蝙蝠算法易早熟、易陷入局部最优值的问题;利用改进的蝙蝠算法对LSTM网络的隐含层节点数、迭代次数、初始学习率、学习率下降因子4个参数进行优化;利用西安某地铁站自动检票系统(AFC)采集的客流数据,对模型的有效性进行检验.实验结果表明:该预测模型在均方误差、均方根误差、平均绝对百分比误差等方面均优于标准蝙蝠-LSTM模型、LSTM预测模型、BP预测模型及BP-Adaboost预测模型,所提出的方法可有效应用于短时客流量预测.

关键词：短时客流量预测;改进蝙蝠算法;LSTM网络;反向学习;动态惯性自适应权重;拉格朗日插值法

所属期刊栏目：18

分类号：U231(特种铁路)

资助基金：国家自然科学基金资助项目51678470

在线出版日期：2021-12-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：2833-2840