基于小波分解和长短时记忆网络的地铁进站量短时预测

• 作者: 昌锡铭 王欢 高梦琦
• 来源期刊: 山东科学
• 学科: 交通运输
• 关键词: 地铁进站量 短时预测 小波分解 长短时记忆网络 组合模型
• 年，卷（期）: 2019,（4）
• 所属期刊栏目: 交通运输
• 页码范围: 56-63
• 页数: 8页
• 分类号: U293.13
• 字数: 4375字
• 语种: 中文
• DOI: 10.3976/j.issn.1002-4026.2019.04.008

摘要

针对城市地铁车站进站客流量短时预测问题,提出了小波分解和长短时记忆网络(LSTM)相结合的组合预测模型,小波分解和重构可以有效处理数据的波动性,长短时记忆网络可以学习时序信息.以北京地铁西直门站为实例,实现了组合模型对进站量的预测,发现本方法能够得到比较准确的预测效果,平均绝对百分误差为5.48％,与单独使用LSTM和经验模态分解与LSTM结合这两种方法相比分别下降了8.59％和2.94％,表明本方法有更好的预测精度.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	王欢	北京交通大学交通运输学院	8	34	4.0	5.0
2	高梦琦	北京交通大学交通运输学院	1	0	0.0	0.0
3	昌锡铭	北京交通大学交通运输学院	1	0	0.0	0.0