基于LSTM的城市公交车站短时客流量预测研究

被引：31

作者：

李高盛 ^{[1
,2
]}

彭玲 ^{[1
]}

李祥 ^{[1
,2
]}

吴同 ^{[1
,2
]}

机构：

[1] 中国科学院遥感与数字地球研究所

[2] 中国科学院大学

来源：

公路交通科技 | 2019年 / 36卷 / 02期

关键词：

交通工程; 客流量预测; LSTM; 神经网络; 长时间序列数据; 相关性;

D O I：

暂无

中图分类号：

U491.17 [];

学科分类号：

摘要：

智慧交通是智慧城市的重要组成部分,公共汽车(以下简称公交车)作为城市公共交通工具中最重要出行方式之一,不但方便了城市居民的工作和生活,而且为城市节能和环境保护提供了有效的解决方案。提高公交车站点客流量预测的准确度是智慧公交的研究内容之一。为了弥补传统时间序列模型(如ARMA和SVR)所具有的仅限单站点预测、短时间记忆等局限性,提高城市公交车站点客流量的短时预测精度,文中提出采用基于LSTM的神经网络模型对多个站点上下车客流量的长时间序列数据进行学习,从而对同一时段多个站点的客流量进行预测。试验结果表明,同时进行多站点客流量的学习能够提高预测结果的准确度,并且对抑制MSE和MAE有较好的表现,其中测试集MSE和MAE分别为3. 18人和1. 43人。基于LSTM的神经网络模型不仅能够很好发挥模型固有的长期记忆的能力,并且可以学习站点之间的潜在相关性,不仅对短时客流量预测具有明显的优势,而且拥有一定的泛化能力。使用LSTM进行多站点的公交车站客流量预测是可行的,并且较单一站点的客流量预测效果有明显提高;从客流量监测数据方面分析得出,多个公交车站点的客流量数据间存在相关性。论文成果对城市公交运营部门的快速决策和综合管理提供及时准确的数据参考具有现实意义。

引用

页码：128 / 135

页数：8

共 10 条

[1]

Long short-term memory neural network for traffic speed prediction using remote microwave sensor data.[J].Xiaolei Ma;Zhimin Tao;Yinhai Wang;Haiyang Yu;Yunpeng Wang.Transportation Research Part C.2015,

[2]

Travel Time Prediction Using k Nearest Neighbor Method with Combined Data from Vehicle Detector System and Automatic Toll Collection System.[J].Jiwon Myung;Dong-Kyu Kim;Seung-Young Kho;Chang-Ho Park.Transportation Research Record.2011, 1

[3] Long short-term memory [J].