文献类型：期刊文章

作　　者：龙小强[1] 李捷[2] 陈彦如[3]

LONG Xiao-qiang;LI Jie;CHEN Yan-ru(Guangzhou Transport Research Institute & Guangzhou Public Transport Research Center,Guangzhou 510627,China;CIO-Digital Application Center,BOE Technology Group Co.,Ltd,Beijing 100016,China;School of Economics and Management,Southwest Jiaotong University,Chengdu 610031,China)

机构地区：[1]广州市交通运输研究所与广州市公共交通研究中心,广州510627 [2]北京东方科技集团股份有限公司CIO组织数字化应用中心,北京100016 [3]西南交通大学经济管理学院,成都610031

出　　处：《控制与决策》

基　　金：国家自然科学基金项目(51578465,71771190)

年　　份：2019

卷　　号：34

期　　号：8

起止页码：1589-1600

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、INSPEC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：我国城市轨道交通已进入快速发展期,准确预测城轨交通短时客流量,对于城轨运营安全、运营效率及运营成本具有重要意义.城轨交通短时客流量由于具有强随机性、周期性、相关性及非线性的特征,浅层模型的预测精度并不理想.对此,基于深度信念网络(DBN)和支持向量回归机(SVM),提出城轨交通短时客流深层预测模型(DBN-P/GSVM),同时基于遗传算法(GA)和粒子群算法(PSO)实现SVM的参数寻优.最后,对成都地铁火车北站客流量预测进行实例分析.结果表明, DBN-P/GSVM深度预测模型在均方误差、均方根误差、绝对误差均值及绝对百分比误差均值等方面均优于浅层模型--GA-SVM模型、PSO-SVM模型和BP神经网络模型,以及深层模型长短期记忆网络(LSTM)与LSTM-Softmax.

关 键 词：城轨交通短时客流量  深度信念网络  支持向量机  遗传算法  粒子群算法 长短期记忆网络  

分 类 号：TP273]