李兆丰;倪少权;孙克洋;吕苗苗;

• 1:西南交通大学交通运输与物流学院
• 2:综合交通运输智能化国家地方联合工程实验室
• 3:综合交通大数据应用技术国家工程实验室

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

Abstract:

Keywords:

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.