基于CNN-Bi-LSTM网络的城轨短时客流预测

城市轨道交通短时客流预测的精确性对城轨站点在工作日早晚高峰的客流管控以及旅客出行方案决策等具有重要意义,因此提出基于深度学习技术构建卷积神经网络(CNN)结合双向长短时记忆神经网络(Bi-LSTM)的城轨短时客流预测模型,结合Bi-LSTM对时序数据特征双向提取能力的同时,利用CNN实现数据局部特征提取,增强模型的泛化能力。选取上海市地铁1号线徐家汇站的工作日客流数据为基础,对CNN层的层数和卷积核长度寻优,并分别对模型进行消融实验与对比实验。实验结果表明,CNN-Bi-LSTM的预测精度最优,RMSE与MAPE分别为16.699 9以及13.52%,证明了该模型在城轨短时客流预测的有效性。