基于SAE-LSTM的地铁进出站流量预测方法研究

摘要

大城市地铁路网日益复杂且承载着巨大的客流量,客流预测精度要求日益提高,地铁进出客流量的精确预测为地铁运营调度提供重要的决策基础.提出了一种基于堆叠式自编码器(stacked autoencoder)和长短时记忆(Long Short-Term Memory)结合的方法用来预测地铁工作日与周末的进出客流量.地铁客流量存在一定周期性,通过将刷卡数据转化为时序数据作为输入,构建SAE-LSTM模型,并且利用TensorFlow,Keras对模型进行搭建与验证,结果表明模型比单一的SAE与LSTM模型拟合优度提高了5.3％,证明SAE-LSTM方法能有效应用于地铁进出客流量的预测,为地铁进出站客流量预测提供了新的方法.