基于LSTM模型的城市公交客流预测研究

作     者：张宇希 

作者单位：沈阳大学 

学位级别：硕士

导师姓名：刘莹昕;梁爽

授予年度：2024年

学科分类：12[管理学] 02[经济学] 0202[经济学-应用经济学] 1202[管理学-工商管理] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 020205[经济学-产业经济学] 08[工学] 082303[工学-交通运输规划与管理] 082302[工学-交通信息工程及控制] 0823[工学-交通运输工程] 

主      题：客流预测 数据分析 长短时记忆神经网络 粒子群算法 注意力机制 

摘      要：随着城市中人口流动量不断加大,交通压力逐渐增强,城市交通问题日益突出,公交以其低碳、快捷、低价的优势成为更多人的出行选择。快速流动和大幅变化的城市人口,常常导致公交系统面临乘客滞留和候车时间过长等问题,尤其在重大节假日或恶劣天气的情况下,容易因乘客大面积滞留而引发交通安全事故。客流预测是解决当前交通问题的重要一环,挖掘公交客流在多维度下的分布特征规律,实现线路上的客流预测,以期提高公交公司服务管理水平,提升乘客出行效率。本研究以沈阳市131路公交为研究对象,提出基于长短时记忆神经网络（LSTM）、注意力机制（Attention）和粒子群算法（PSO）的组合预测模型,主要研究内容包括以下三个方面: （1）数据预处理和特征分析。清洗和预处理公交IC卡、天气等数据,分析客流在时间和天气维度上的分布特征规律。在时间维度上,分析客流在周、日、各时段维度下的分布特征规律;在天气维度上,分析客流在温度、风力等因素下的分布特征规律;将数据以15分钟为时间粒度划分,为后续实验分析做基础。 （2）建立LSTM城市公交客流预测模型。以历史客流数据为基础,考虑天气因素的影响,划分训练集和测试集,通过对LSTM模型参数设置和迭代训练后,对线路上客流进行预测实验与分析。 （3）建立PSO-Attention-LSTM城市公交客流预测模型。选取LSTM模型提取客流的时间特征规律,引入注意力机制增强对重要信息的学习,结合粒子群算法优化模型参数,考虑天气因素的影响,进行客流预测实验。经过与设置的其它预测模型作比较分析后发现,与LSTM模型相比,PSO-Attention-LSTM模型的MAE降低1.58%,MAPE降低22.67%,RMSE降低0.99%,R提升至0.894,预测误差最小,验证了本研究所提出的模型具有较好的预测效果,可以更加有效地对城市公交客流进行预测。