基于VMD-LSTM轨道交通客流预测模型
客流量预测是城市智能交通系统的重要组成部分.为实现客流量的准确预测,首先采用变分模态分解(VMD)将时序客流数据分解成不同时间尺度下的本征模态函数(IMF),降低数据噪声对客流预测模型的影响,再结合长短时记忆神经网络(LSTM)进行预测,提出VMD-LSTM预测模型.采集明尼苏达州州际轨道交通客流数据对模型进行验证.结果 表明:相对传统LSTM预测模型,VMD改进LSTM使平均绝对百分误差(MAPE)减少8.38%,均方根误差(RMSE)减小256.99,有效提高LSTM神经网络的预测精度与鲁棒性.
轨道交通、客流预测、变分模态分解、长短时记忆神经网络、深度学习
38
U293.5(铁路运输管理工程)
国家自然科学基金项目52078190
2021-05-17(万方平台首次上网日期,不代表论文的发表时间)
共5页
95-99