基于循环神经网络的城市轨道交通短时客流预测

作     者：张惠臻 高正凯 李建强 王晨曦 潘玉彪 王成 王靖 ZHANG Hui-zhen;GAO Zheng-kai;LI Jian-qiang;WANG Chen-xi;PAN Yu-biao;WANG Cheng;WANG Jing

作者机构：华侨大学计算机科学与技术学院福建厦门361021 北京工业大学信息学部软件学院北京100124 南威软件股份有限公司福建泉州362000 

出 版 物：《吉林大学学报（工学版）》 (Journal of Jilin University:Engineering and Technology Edition)

年 卷 期：2023年第53卷第2期

页      面：430-438页

核心收录：

学科分类：0831[工学-生物医学工程（可授工学、理学、医学学位）] 1002[医学-临床医学] 08[工学] 0805[工学-材料科学与工程（可授工学、理学学位）] 0714[理学-统计学（可授理学、经济学学位）] 0701[理学-数学] 0823[工学-交通运输工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金项目(61802133) 福建省科技计划重点项目(2020H0016,2021H0019)。 

主　　题：交通运输工程 城市轨道交通 短时客流预测 循环神经网络 长短时记忆神经网络 门控循环单元 

摘      要：为更好地预测城市轨道交通的短时客流情况,提出了基于循环神经网络模型的预测方法。首先,针对轨道交通进出站客流数据,利用Pearson相关系数确定短时客流影响因素;然后,改进K-means聚类算法划分高、中、低客流量三类轨道站点,分析客流时空分布规律及高峰时间段;最后,采用分别基于长短时记忆神经网络(LSTM)与门控循环单元(GRU)的短时客流预测方法,预测不同类型站点在不同时段的客流。实验结果表明:5 min为预测的最佳时间粒度,在此时间粒度下GRU模型整体性能优于LSTM模型。