基于多特征融合的城市轨道交通短时客流预测Short-term Passenger Flow Prediction of an Urban Rail Transit Based on Multi-feature Fusion
李兆丰;倪少权;孙克洋;吕苗苗;
摘要(Abstract):
客流需求是城市轨道交通运营组织的基础,随着信息采集技术、计算能力等的快速发展,短时客流推演的准确性在成网条件下尤为关键。考虑到客流的时间依赖性、空间关联性与外部因子随机性影响,以LSTM神经网络为基础预测框架,构建融合多特征的"端到端"短时客流预测框架,挖掘客流的时间依赖性特征,通过Embedding层嵌入外部因子稀疏矩阵,再利用全连接层融合时间特征、空间特征和其他因子得到预测结果。以成都地铁火车南站为实例研究对象,经多次实验,与ARIMA模型与LSTM神经网络相比,融合多特征的组合预测模型预测性能最佳,训练集和验证集MAE误差分别为11.49和10.85,并在测试集上对模型进行测试,结果表明,该模型具有较佳的预测精度和鲁棒性。
关键词(KeyWords): 城市轨道交通;短时客流预测;多特征融合;端到端预测框架;时空关联性
基金项目(Foundation): 国家重点研发计划资助(2017YFB1200702);; 国家自然基金项目(61703351,71971182);; 中国铁路总公司科技研究计划项目(P2018T001,P2018X001,N2018X006-01);; 四川省科技计划项目(2020YFH0035,2020YJ0268,2020YJ025,2020JDRC0032)
作者(Authors): 李兆丰;倪少权;孙克洋;吕苗苗;
参考文献(References):
- [1]吕田.基于SDZ-GRU的多特征短时交通流预测方法[J].计算机与现代化,2019(10):60-65.
- [2]崔洪涛,陈晓旭,杨超,等.基于深度长短期记忆网络的地铁进站客流预测[J].城市轨道交通研究,2019,22(9):41-45.
- [3]DING C,DUAN J,ZHANG Y,et al.Using an ARIMA-GARCH modeling approach to improve subway short-term ridership forecasting accounting for dynamic volatility[J].IEEE Transactions on Intelligent Transportation Systems,2017,pp(99):1-11.
- [4]LIU Yang,LIU Zhiyuan,JIA Ruo.Deep PF:a deep learning based architecture for metro passenger flow prediction[J].Transportation Research Part C,2019(101):18-34.
- [5]罗向龙,李丹阳,杨彧,等.基于KNN-LSTM的短时交通流预测[J].北京工业大学学报,2018,44 (12):1521-1527.
- [6]陆百川,舒芹,马广露.基于多源交通数据融合的短时交通流预测[J].重庆交通大学学报:自然科学版,2019,38(5):13-19,56.
- [7]刘帆洨,彭其渊.铁路旅客购票需求预测模型研究[J].交通运输工程与信息学报,2018,16(2):50-56.
- [8]ZHANG Y,ZHANG Y,HAGHANI A.A hybrid shortterm traffic flow forecasting method based on spectral analysis and statistical volatility model[J].Transportation Research Part C-emerging Technologies,2014,43:65-78.
- [9]LEE S,FAINBRO D.Application of subsct autoregressive integrated moving average model for short-term freeway traffic volume forecasting[J].Journal of the Transportation Research Board.1999:179-188
- [10]CHEN Mu chen,YU Wei.Forecasting the short-term metro passenger flow with empirical mode decomposition and neural networks[J].Transportation research,Part C.Emerging Technologies,2012,148-162
- [11]马小磊,丁川,于海洋,等.公共交通大数据挖掘与分析[M].北京:人民交通出版社,2017.
- [12]WEI Y,CHEN M.Forecasting the short-term metro passenger flow with empirical mode decomposition and neural networks[J].Transportation Research Part C:Emerging Technologies,2012,21(1):148-62.
- [13]胡进宝.基于双层分解和核函数极限学习机的城市轨道交通短时客流预测[D].北京:北京交通大学,2017.
- [14]ZHANG Y,ZHANG Y,HAGHANI A.A hybrid shortterm traffic flow forecasting method based on spectral analysis and statistical volatility model[J].Transportation Research Part C:Emerging Technologies,2014,(43)65-78.
- [15]黄梓荣.轨道交通线网客流预测方法研究[D].广州:华南理工大学,2015.
- [16]张琳.基于深度神经网络的地铁客流预测系统研究[D].北京:北京交通大学,2019.
- [17]张伟林.基于深度学习的地铁短时客流预测方法研究[D].深圳:中国科学院大学深圳先进技术研究院,2019.
- [18]周志华.机器学习[M].北京:清华大学出版社,2016.