基于ConvLSTM-GRU的公交客流量预测模型

公共交通在城市智能交通系统中发挥着重要的作用,准确的公交客流量预测对智能交通的发展至关重要。为了提高公交客流量预测的准确度,提出一种基于卷积长短期记忆(convolutionallongshort-termmemory,ConvLSTM)网络和门控循环单元(gaterecurrent unit,GRU)算法的预测模型Conv LSTM-GRU,结合公交车客流量、天气特征和气温特征以及节假日特征来预测未来的公交客流量。通过提取不同时段公交客流量之间的相关性并采用编码器-解码器结构来减少递归多步预测中的累积误差,提高了预测精度。最后,将ConvLSTM-GRU模型与反向传播(back propagation,BP)神经网络、长短期神经网络、门控循环单元结构、卷积长短期神经网络和自回归网络5种算法进行比较,结果表明所提模型在预测准确度方面均优于对比算法。

基于Bi-LSTM-Attention的公交车头时距预测模型

公交车头时距预测作为公交车调度决策系统的重要依据,可以帮助公交公司及时发现交通拥堵,做出合理的调度决策.然而,现有的研究仅限于传统的预测方法,缺乏综合多种影响因素预测车头时距波动.为解决这个问题,本研究采用一种基于公交智能卡数据的双向长短时神经网络-注意力机制(Bi-LSTM-Attention)预测框架.该模型将注意力机制融入双向长短时记忆网络中,利用历史公交车头时距、公交运行时间、停靠时间预测每个站点的公交车头时距波动.通过某市两条公交线路实例对该模型进行验证.实验结果表明:与已有算法相比,Bi-LSTM-Attention在单步和多步预测中均表现出更高的准确度,可以为公交动态调度提供理论支持.