基于深度学习的地铁短时客流量预测研究

摘要

随着绿色出行的理念深入人心，地铁以其快捷、方便和舒适的特点，成为人们出行方式的又一种重要选择。为了提高地铁的运行效率，保证地铁运营的安全，地铁短时客流量预测成为一个亟待解决的重要课题。相较于浅层的机器学习模型，深度学习模型通过网络结构的深度来获得更加抽象的数据特征表达，在海量数据中寻找出符合数据内在变化规律的数据特征，现已成功运用在多个领域，但在地铁短时客流量预测的研究领域中成果较少。深度信念网络（Deep Belief Network）是深度学习理论中的一种重要模型，模型的双层结构使其在处理大数据量、非线性和强随机性的数据时具有较大优势。因此，本文将以DBN模型为基础设计并实现客流量预测模型，从而有效的解决地铁短时客流量预测的问题。 本文基于深度学习理论和支持向量回归理论设计并实现了DBN-P/GSVM预测模型。模型整体的设计分为两个部分：顶层结构通过支持向量回归机构造回归模型，为获得最优参数组合，采用三种参数寻优方法（遗传算法、粒子群算法和网格搜索算法）分别为支持向量回归机进行参数寻优。并通过对比实验确定了支持向量回归机的核函数，提升了模型对地铁短时客流量数据的映射能力；底层结构构建出DBN模型来完成地铁短时客流量数据的特征提取，通过每一层RBM模型对数据的重构，形成更加抽象的数据表达方式，凸显出地铁短时客流量数据的内在变化规律，为顶层回归机提供良好的数据基础。通过无监督的权值产生和有监督的整体微调两阶段的模型训练，增强了预测模型的鲁棒性和稳定性，并结合实验确定了最终的网络结构参数。 以成都地铁火车北站地铁站进站客流量预测的实例，验证了DBN-P/GSVM预测模型在处理地铁短时客流量预测问题时的优势。实验结果表明，与其余三种浅层预测模型相比，DBN-P/GSVM预测模型的预测精度更高，预测稳定性更强，说明DBN-P/GSVM预测模型通过底层的深度网络结构对地铁短时客流量数据进行了有效的特征提取，大大降低了数据中的噪声，从而获得了更为优质的预测结果。

目录

第一个书签之前