基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型

发布时间：2025-01-10 23:02

　　 为降低样本噪声对客流预测模型的干扰,结合深度学习理论,提出了一种基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型;将预测过程分为3个阶段,第1阶段预处理原始地铁刷卡数据,构建进(出)站客流时间序列,运用经验模态分解法将时间序列转化为一系列本征模函数及残差,第2阶段利用偏自相关函数确定长短时记忆神经网络的输入变量,第3阶段基于深度学习库Keras,完成长短时记忆神经网络的搭建、训练及预测;以上海地铁2号线人民广场站客流数据验证了模型的有效性。计算结果表明:与代表性的预测模型(差分自回归移动平均模型、支持向量机、经验模态分解与反向传播神经网络、长短时记忆神经网络)相比,经验模态分解与长短时记忆神经网络预测模型分别将工作日高峰、平峰、全日的进(出)站客流预测精度分别至少提升了2.1%(2.5%)、2.7%(3.5%)、2.7%(3.4%),将非工作日全日的进(出)站客流预测精度至少提升了3.3%(3.5%),说明经验模态分解与长短时记忆神经网络的组合是一种预测短时地铁客流的有效模型;当预测步长由5 min逐渐增加至30 min时,工作日高峰、平峰和全日进(出)站客流的平均绝对百分比...

【文章页数】：11 页

【文章目录】：
0 引 言
1 预测方法
    1.1 经验模态分解法
    1.2 长短时记忆神经网络
    1.3 EMD-LSTM客流预测模型
2 实例分析
    2.1 试验数据
    2.2 进(出)客流时序数据分解
    2.3 偏自相关检验
    2.4 LSTMNN建立
        2.4.1 输入层
        2.4.2 隐藏层
        2.4.3 输出层
    2.5 预测结果分析
3 结 语



本文编号：4025560