基于深度学习算法的城市轨道交通客流短时预测

摘要

文中基于某地铁自动售检票数据,分析得到城市轨道交通短时客流时序数据具有非平稳性、非线性和非周期性波动等特征.借助深度学习算法,分别构建了基于LM-BP和LSTM神经网络的短时客流预测模型.选取苏州地铁中央花园站为例,以5 min为时间段,采用某一周的客流时序数据作为训练数据,预测未来一天内短时客流量的变化趋势,并对所提预测方法进行验证.结果表明:相较于参数模型中常用的三次指数平滑模型,所提方法的预测准确性和稳定性改进了50%左右,预测精度得到了大幅提升,LSTM模型具有更好的预测精度,而LM-BP模型则在计算效率方面更具优势.