基于深度学习长短期记忆网络结构的地铁站短时客流量预测

被引：34

作者：

李梅

李静

魏子健

王思达

陈赖谨

机构：

[1] 北京交通大学经济管理学院

来源：

城市轨道交通研究 | 2018年 / 21卷 / 11期

关键词：

地铁站; 短时客流量预测; 深度学习; 长短期记忆网络;

D O I：

10.16037/j.1007-869x.2018.11.009

中图分类号：

U293.6 [地铁过轨运输];

学科分类号：

摘要：

准确预测地铁站短时客流量,有助于提前开展安全预警工作,快速做出人员疏导方案。根据上海轨道交通2016年3月2. 4亿条刷卡数据,以及该时间段的天气数据,利用Pearson相关分析法提取了客流量的7个外部天气影响因子,以及3个基于历史数据的内部影响因子。通过对数据的分析,综合考虑工作日、非工作日和高峰时段对客流的影响,提取2个内部显著影响因子。以上海轨道交通莘庄站为例,提出了一种基于深度学习长短期记忆(LSTM)网络结构的地铁站短时客流预测方法。最后,将预测结果与典型时间序列预测算法MLR(多元线性回归)和BP(反向传播)神经网络进行对比,验证了LSTM网络在地铁站短时客流量预测中具有更高的准确性和很好的适用性。

引用

页码：42 / 46+77 +77

页数：6

共 6 条

[1] 基于BP神经网络人群流量预测的实现 [J].

孙赟 ;

李明涛 ;

姚晓晖 .

中国安全生产科学技术, 2010, 6 (02) :61-65

[2]

Impact of weather on urban transit ridership[J] . Abhishek Singhal,Camille Kamga,Anil Yazici.Transportation Research Part A . 2014

[3]

Adaptive Kalman filter approach for stochastic short-term traffic flow rate prediction and uncertainty quantification[J] . Jianhua Guo,Wei Huang,Billy M. Williams.Transportation Research Part C . 2014

[4]

The impact of weather variability on British outbound flows[J] . Rosselló-nadal,Jaume,Riera-font,Antoni,Cárdenas,Vivian.Climatic Change . 2011 (1-2)

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

Hochreiter, S ;

Schmidhuber, J .

NEURAL COMPUTATION, 1997, 9 (08) :1735-1780

[6]

Forecasting Daily Pedestrian Flow s in the Tiananmen Square Based on Historical Data and Weather Conditions .2 HUANG L,CHEN T,WANG Y et al. The International Conference on Information Systems for Crisis Response and M anagement . 2015

← 1 →