基于深度学习的城市轨道交通短时客流量预测

摘要：

我国城市轨道交通已进入快速发展期,准确预测城轨交通短时客流量,对于城轨运营安全、运营效率及运营成本具有重要意义.城轨交通短时客流量由于具有强随机性、周期性、相关性及非线性的特征,浅层模型的预测精度并不理想.对此,基于深度信念网络(DBN)和支持向量回归机(SVM),提出城轨交通短时客流深层预测模型(DBN-P/GSVM),同时基于遗传算法(GA)和粒子群算法(PSO)实现SVM的参数寻优.最后,对成都地铁火车北站客流量预测进行实例分析.结果表明,DBN-P/GSVM深度预测模型在均方误差、均方根误差、绝对误差均值及绝对百分比误差均值等方面均优于浅层模型——GA-SVM模型、PSO-SVM模型和BP神经网络模型,以及深层模型长短期记忆网络(LSTM)与LSTM-Softmax.

关键词：城轨交通短时客流量、深度信念网络、支持向量机、遗传算法、粒子群算法、长短期记忆网络

所属期刊栏目：34

分类号：TP273(自动化技术及设备)

资助基金：国家自然科学基金项目51578465, 71771190

在线出版日期：2019-08-05（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：1589-1600