基于二次分解和MVO-TCN的城轨站点客流预测研究

为提升城轨站点客流预测精度,提出一种基于变分模态分解(VMD)、经验小波变换(EWT)和多元宇宙优化算法(MVO)优化的时间卷积神经网络(TCN)的复合预测模型。使用VMD对城轨站点客流数据进行初步分解,生成若干本征模态函数(IMF)。随后,计算每个IMF的样本熵,并利用K-means算法根据样本熵值将IMFs聚类为复合分量,对高频复合分量进一步应用EWT进行细化分解,以减少波动性强的城轨站点客流数据的分解残留。通过MVO算法对TCN模型的参数进行优化,以强化模型在各个分量上的预测能力。最后,将各分量的预测结果进行重构,得到最终的客流预测值。实验结果表明,文中所提出的VMD-EWT-MVO-TCN模型通过二次分解改善了分解残留问题,结合对TCN参数的寻优提升了城轨站点客流预测精度,RMSE和MAE值分别为14.936 5和5.789 3,相较TCN模型提升了45.46%和50.28%。该模型能够为城轨站点客流管理提供新的技术支持和决策参考。