基于卷积长短时记忆神经网络的城市轨道交通短时客流预测

摘要：

我国城市轨道交通正处在快速发展阶段,城轨交通短时客流预测对保障运营安全、优化线网结构,进而构建智慧城市具有重要意义.城轨短时客流除了具有周期性、随机性等时间特征之外,跨时段的断面客流具有相似性,井且相邻站点客流之间存在空间联系.对此,充分考虑以上城轨短时客流的时空特征,基于卷积长短时记忆神经网络(ConvLSTM)与自适应k-means聚类算法,提出城轨短时客流预测的深度学习模型k-ConvLSTM,井通过实验对模型关键参数进行寻优;同时,基于深圳市地铁IC卡的真实客流数据对模型的有效性进行检验.结果表明,k-ConvLSTM在均方根误差、绝对误差均值、绝对误差百分比方面,均优于仅考虑时空特征的深度学习模型—–卷积网络(CNN)与长短时记忆网络(LSTM)的井行混合模型和ConvLSTM内嵌式网络模型,仅考虑时间特征的深度学习模型—–LSTM网络和双向长短时记忆网络(Bi-LSTM),以及浅层机器学习模型—–BP神经网络和支持向量回归模型(SVR).

关键词：城轨交通短时客流;时空特征;跨时段客流聚类;卷积长短时记忆神经网络

所属期刊栏目：36

分类号：TP181(自动化基础理论)

资助基金：国家重点研发计划项目2018YFB1601402

在线出版日期：2021-10-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：2760-2770