多因素轨道交通客流量预测模型研究
针对传统预测模型只关注时间因素的不足,提出一种引入天气因素同时考虑日期属性的预测模型.首先通过显著性检验确定天气因素与客流量的相关程度,再采用灰色关联度分析(GRA)计算各天气因素与客流量的非线性关联度,逐步筛选关联度低的天气因素.每次筛选后利用双向长短期记忆(BiLSTM)神经网络进行预测,提出GRA-BiLSTM预测模型.结果表明:将GRA值低于0.6的天气因素作为变量会降低预测精度,逐步剔除关联度低的天气因素获得的GRA-BiLSTM相较于传统LSTM,无论工作日还是非工作日,预测误差均显著降低,同时收敛速度与鲁棒性也优于传统机器学习.
城市交通、客流预测、多因素、灰色关联度分析、双向长短期记忆神经网络
38
U293.5(铁路运输管理工程)
国家自然科学基金;教育部人文社会科学研究项目
2021-07-28(万方平台首次上网日期,不代表论文的发表时间)
共6页
61-66