基于双向长短期记忆网络的公交到站时间预测模型

摘要：

为实现准确预测公交到站时间,提高城市公交出行分担率,本文提出一种基于双向长短期记忆神经网络(BiLSTM)并考虑超参数寻优的公交到站时间预测模型.通过引入非线性收敛因子、正弦余弦算子及自适应参数改进海鸥算法对双向LSTM模型实现超参数寻优,并增加Attention机制以提高双向LSTM处理信息能力,构建改进海鸥算法优化增加Attention机制的双向LSTM(ISOA-BiLSTM-Attention)预测模型.使用中国江西省南昌市220路公交GPS数据分方向和分时段预测车辆到站时间,验证模型预测精度.结果表明:整体上来说,Attention机制优化后的双向LSTM模型比单独采用双向LSTM模型预测精度更好;改进的海鸥算法可对双向LSTM-Attention模型实现较好的优化效果,相较于现有模型及标准海鸥算法(SOA)优化双向LSTM-Attention模型,ISOA-BiLSTM-Attention对于不同方向及不同时段公交到站时间预测的平均绝对百分比误差、均方根误差及平均绝对误差至少分别降低5.96％、9.87％及7.99％;同时,ISOA-BiLSTM-Attention具有最大的模型决定系数R2 值,体现了该预测模型泛化能力及稳定性较好,可针对公交到站时间进行较为准确地拟合.

关键词：城市交通、公交到站时间预测、改进海鸥优化算法、双向LSTM模型、Attention机制

所属期刊栏目：23

分类号：U121(城市交通运输)

在线出版日期：2023-05-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：148-160