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

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。

基于LSTM深度神经网络的高速铁路短期客流预测研究

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.