针对地铁站客流预测方法单一、预测准确度较低等问题,基于贝叶斯优化算法(Bayesian optimization algorithm,BOA)的全局寻优能力,寻找长短时记忆(long short time memory,LSTM)神经网络的最优超参数,提出BOA-LSTM客流预测模型。以石家...针对地铁站客流预测方法单一、预测准确度较低等问题,基于贝叶斯优化算法(Bayesian optimization algorithm,BOA)的全局寻优能力,寻找长短时记忆(long short time memory,LSTM)神经网络的最优超参数,提出BOA-LSTM客流预测模型。以石家庄地铁1号线北国商城站为例,根据该站客流特征分别采用自回归移动平均(autoregressive integrated moving average,ARIMA)模型、LSTM神经网络和BOA-LSTM模型预测2021年7、8月工作日与自然日的进、出站客流。结果表明:BOA-LSTM模型的客流量预测结果与实际客流量的平均绝对百分比误差、平均绝对误差、均方误差、均方根误差均最小,客流预测准确度较高;BOA-LSTM客流预测模型的适用期为1~2个月,在地铁站短时客流预测中具有较强的实用性。展开更多
文摘针对地铁站客流预测方法单一、预测准确度较低等问题,基于贝叶斯优化算法(Bayesian optimization algorithm,BOA)的全局寻优能力,寻找长短时记忆(long short time memory,LSTM)神经网络的最优超参数,提出BOA-LSTM客流预测模型。以石家庄地铁1号线北国商城站为例,根据该站客流特征分别采用自回归移动平均(autoregressive integrated moving average,ARIMA)模型、LSTM神经网络和BOA-LSTM模型预测2021年7、8月工作日与自然日的进、出站客流。结果表明:BOA-LSTM模型的客流量预测结果与实际客流量的平均绝对百分比误差、平均绝对误差、均方误差、均方根误差均最小,客流预测准确度较高;BOA-LSTM客流预测模型的适用期为1~2个月,在地铁站短时客流预测中具有较强的实用性。