基于LSTM深度神经网络的高速铁路短期客流预测研究
为验证长短期记忆网络(long short-term memory,LSTM)模型对于高速铁路短期客流预测的有效性,本文以京广高速铁路2010年1月至2015年12月车站发送客流实绩数据为基础,分析了车站发送客流的特征和变化规律,针对客流时间序列变化特征和LSTM模型数据输入要求,完成了客流时间序列的标准化处理和重构,构建了基于LSTM的高速铁路客流预测模型,利用多层网格搜索完成了模型的精细化调参,分析了模型参数对于预测效果的影响,并将LSTM模型与其它客流预测模型的预测效果进行了比较.结果 表明:相较于对比模型,LSTM客流模型预精度较高,郴州西站,衡阳东站,韶关站单步预测平均绝对百分比误差(mean absolute percentage error,MAPE)值分别为7.36%,7.33%,8.03%;模型中隐含层数,神经元个数,输入步长对客流预测精度影响较大,适当增加模型隐含层数及神经元数量可以提高模型收敛速度及预测效果;受客流周期性影响,模型输入步长为7时各车站客流预测误差最小.
高速铁路;短期客流预测;LSTM深度神经网络;深度学习;客流时间序列
41
U292.4(铁路运输管理工程)
国家自然科学基金;国家重点研发计划课题
2021-11-22(万方平台首次上网日期,不代表论文的发表时间)
共14页
2669-2682