面向动态交通分配的交通需求深度学习预测方法

为满足动态交通分配对高精度、高时效性交通需求的要求,本文建立了一种交通需求深度学习预测方法。根据动态交通分配要求确定交通需求数据的时间间隔,构建对复杂交通需求预测性能较优的长短期记忆神经网络预测方法;针对动态交通分配中交通需求的周期性、随机性和非线性等特征,为减少数据噪声的干扰,引入局部加权回归周期趋势分解方法将交通需求数据分解,将其中的趋势分量和余项分量作为深度学习预测方法的输入量,周期分量采用周期估计进行预测;选用具有随机寻优能力强、寻优效率高等特点的布谷鸟寻优算法优化预测方法的隐藏层单元数量、学习速率和训练迭代次数等核心参数。应用西安市长安区的卡口车牌数据验证该方法。结果表明:本文模型的预测结果在高峰及平峰各连续4个时段内相比于自回归滑动平均模型、长短期记忆神经网络模型、支持向量回归模型,平均绝对误差降低了10.55%~19.80%,均方根误差降低了11.20%~17.99%,决定系数提升了8.62%~12.48%;相比遗传算法、粒子群算法优化的模型,平均绝对误差降低了7.36%~13.81%,均方根误差降低了4.23%~10.67%,决定系数提升了3.50%~7.01%,且本文模型运行时间最短。说明与对比模型相比,本文所建立的预测方法在面向动态交通分配的交通需求预测中具有更高的预测精度。

考虑站点分类的城市轨道短时客流预测方法

精确、可靠的短时客流预测可为城市轨道交通运营提供保障。考虑不同站点的客流时序特征差异,在对站点分类的基础上,建立了一种城市轨道站点客流的深度学习预测方法。以动态时间规整及K-means算法对站点进行分类,分析各类站点的客流时序特征;采用自适应噪声完全集成经验模式分解算法对各类站点客流数据进行分解,以减少数据噪声的影响;提出一种融合长短期记忆网络和Transformer模型的深度学习预测方法,从而预测不同类型站点客流。应用西安市轨道交通客流数据验证该方法,结果表明:根据工作日及非工作日的客流数据时序特征可将站点分为职住均衡型、商务办公型、休闲娱乐型和密集居住型4类,所提出的方法在不同类型站点的客流预测结果相比于其他3种单一模型和3种组合模型,平均绝对误差降低16.36%~51.02%、均方根误差降低10.35%~50.76%,平均绝对百分比误差降低14.71%~48.62%,基于15 min、30 min、45 min及60 min不同时间间隔统计的站点客流数据的预测结果相比于其他6种模型,3种指标分别降低了12.63%~51.02%、8.08%~49.12%和6.83%~47.26%。