期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
变时间尺度城轨客流的本征模量分解及组合深度学习预测
1
作者
朱广宇
孙歆霓
+3 位作者
杨荣正
刘康琳
魏运
吴波
《电子与信息学报》
EI
CSCD
北大核心
2023年第12期4421-4430,共10页
城市轨道交通的不同运营状态,通常对应着客流时间序列中不同的本征模态分量(IMF)及时间尺度特征。基于自适应噪声的完全总体经验模态分解(CEEMDAN)算法和双向长短期记忆(BiLSTM)网络,该文构建了地铁短时客流时间序列的组合深度学习预测...
城市轨道交通的不同运营状态,通常对应着客流时间序列中不同的本征模态分量(IMF)及时间尺度特征。基于自适应噪声的完全总体经验模态分解(CEEMDAN)算法和双向长短期记忆(BiLSTM)网络,该文构建了地铁短时客流时间序列的组合深度学习预测模型。具体包括:基于CEEMDAN算法实现了客流时间序列的模态分解。分别使用样本熵和层次聚类对IMF分量进行复杂性和相似度分析,并在此基础上完成IMF分量的分类合并与重构;使用Optuna框架中的树形Parzen优化器(TPE)对模型的超参数进行优化,构建CEEMDAN-TPE-BiLSTM组合预测模型。采用实际数据对该文模型进行验证,结果表明,对于特定特征的客流时间序列数据,该文模型的精确性、有效性指标均达到最优。
展开更多
关键词
城市轨道交通
短时
客流时间序列
自适应噪声的完全总体经验模态分解
双向长短期记忆
组合预测
下载PDF
职称材料
基于LSTM深度神经网络的高速铁路短期客流预测研究
被引量:
18
2
作者
李洁
彭其渊
文超
《系统工程理论与实践》
EI
CSSCI
CSCD
北大核心
2021年第10期2669-2682,共14页
为验证长短期记忆网络(long short-term memory,LSTM)模型对于高速铁路短期客流预测的有效性,本文以京广高速铁路2010年1月至2015年12月车站发送客流实绩数据为基础,分析了车站发送客流的特征和变化规律,针对客流时间序列变化特征和LST...
为验证长短期记忆网络(long short-term memory,LSTM)模型对于高速铁路短期客流预测的有效性,本文以京广高速铁路2010年1月至2015年12月车站发送客流实绩数据为基础,分析了车站发送客流的特征和变化规律,针对客流时间序列变化特征和LSTM模型数据输入要求,完成了客流时间序列的标准化处理和重构,构建了基于LSTM的高速铁路客流预测模型,利用多层网格搜索完成了模型的精细化调参,分析了模型参数对于预测效果的影响,并将LSTM模型与其它客流预测模型的预测效果进行了比较.结果表明:相较于对比模型,LSTM客流模型预精度较高,郴州西站,衡阳东站,韶关站单步预测平均绝对百分比误差(mean absolute percentage error,MAPE)值分别为7.36%,7.33%,8.03%;模型中隐含层数,神经元个数,输入步长对客流预测精度影响较大,适当增加模型隐含层数及神经元数量可以提高模型收敛速度及预测效果;受客流周期性影响,模型输入步长为7时各车站客流预测误差最小.
展开更多
关键词
高速铁路
短期
客流
预测
LSTM深度神经网络
深度学习
客流时间序列
原文传递
题名
变时间尺度城轨客流的本征模量分解及组合深度学习预测
1
作者
朱广宇
孙歆霓
杨荣正
刘康琳
魏运
吴波
机构
北京交通大学北京市城市交通信息智能感知与服务工程技术研究中心
北京市地铁运营有限公司
太原中铁轨道交通建设运营有限公司
出处
《电子与信息学报》
EI
CSCD
北大核心
2023年第12期4421-4430,共10页
基金
基本科研业务费(2022JBZX024)
国家自然科学基金(62272036,62173167,62132003)。
文摘
城市轨道交通的不同运营状态,通常对应着客流时间序列中不同的本征模态分量(IMF)及时间尺度特征。基于自适应噪声的完全总体经验模态分解(CEEMDAN)算法和双向长短期记忆(BiLSTM)网络,该文构建了地铁短时客流时间序列的组合深度学习预测模型。具体包括:基于CEEMDAN算法实现了客流时间序列的模态分解。分别使用样本熵和层次聚类对IMF分量进行复杂性和相似度分析,并在此基础上完成IMF分量的分类合并与重构;使用Optuna框架中的树形Parzen优化器(TPE)对模型的超参数进行优化,构建CEEMDAN-TPE-BiLSTM组合预测模型。采用实际数据对该文模型进行验证,结果表明,对于特定特征的客流时间序列数据,该文模型的精确性、有效性指标均达到最优。
关键词
城市轨道交通
短时
客流时间序列
自适应噪声的完全总体经验模态分解
双向长短期记忆
组合预测
Keywords
Urban railway transit
Short-term passenger flow time series
Complete Ensemble Empirical Mode Decomposition with Adaptive Noise(CEEMDAN)
Bidirectional Long Short Term Memory(BiLSTM)
Combined prediction
分类号
TP391.1 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
基于LSTM深度神经网络的高速铁路短期客流预测研究
被引量:
18
2
作者
李洁
彭其渊
文超
机构
西南交通大学交通运输与物流学院
西南交通大学综合交通运输智能化国家地方联合工程实验室
出处
《系统工程理论与实践》
EI
CSSCI
CSCD
北大核心
2021年第10期2669-2682,共14页
基金
国家自然科学基金(U1834209,71871188)
国家重点研发计划课题(2017YFB1200701)。
文摘
为验证长短期记忆网络(long short-term memory,LSTM)模型对于高速铁路短期客流预测的有效性,本文以京广高速铁路2010年1月至2015年12月车站发送客流实绩数据为基础,分析了车站发送客流的特征和变化规律,针对客流时间序列变化特征和LSTM模型数据输入要求,完成了客流时间序列的标准化处理和重构,构建了基于LSTM的高速铁路客流预测模型,利用多层网格搜索完成了模型的精细化调参,分析了模型参数对于预测效果的影响,并将LSTM模型与其它客流预测模型的预测效果进行了比较.结果表明:相较于对比模型,LSTM客流模型预精度较高,郴州西站,衡阳东站,韶关站单步预测平均绝对百分比误差(mean absolute percentage error,MAPE)值分别为7.36%,7.33%,8.03%;模型中隐含层数,神经元个数,输入步长对客流预测精度影响较大,适当增加模型隐含层数及神经元数量可以提高模型收敛速度及预测效果;受客流周期性影响,模型输入步长为7时各车站客流预测误差最小.
关键词
高速铁路
短期
客流
预测
LSTM深度神经网络
深度学习
客流时间序列
Keywords
high speed railway
short-term passenger flow prediction
long short-term memory deep neural network
deep learning
passenger flow time series
分类号
U292.4 [交通运输工程—交通运输规划与管理]
原文传递
题名
作者
出处
发文年
被引量
操作
1
变时间尺度城轨客流的本征模量分解及组合深度学习预测
朱广宇
孙歆霓
杨荣正
刘康琳
魏运
吴波
《电子与信息学报》
EI
CSCD
北大核心
2023
0
下载PDF
职称材料
2
基于LSTM深度神经网络的高速铁路短期客流预测研究
李洁
彭其渊
文超
《系统工程理论与实践》
EI
CSSCI
CSCD
北大核心
2021
18
原文传递
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部