文献类型：期刊文章

作　　者：王秋雯[1] 陈彦如[1] 刘媛春[2]

WANG Qiu-wen;CHEN Yan-ru;LIU Yuan-chun(School of Economics and Management,Southwest Jiaotong University,Chengdu 610031,China;School of Software,Jiangxi Normal University,Nanchang 330022,China)

机构地区：[1]西南交通大学经济管理学院,成都610031 [2]江西师范大学软件学院,南昌330022

出　　处：《控制与决策》

基　　金：国家重点研发计划项目(2018YFB1601402)。

年　　份：2021

卷　　号：36

期　　号：11

起止页码：2760-2770

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、MR、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：我国城市轨道交通正处在快速发展阶段,城轨交通短时客流预测对保障运营安全、优化线网结构,进而构建智慧城市具有重要意义.城轨短时客流除了具有周期性、随机性等时间特征之外,跨时段的断面客流具有相似性,并且相邻站点客流之间存在空间联系.对此,充分考虑以上城轨短时客流的时空特征,基于卷积长短时记忆神经网络(ConvLSTM)与自适应k-means聚类算法,提出城轨短时客流预测的深度学习模型k-ConvLSTM,并通过实验对模型关键参数进行寻优;同时,基于深圳市地铁IC卡的真实客流数据对模型的有效性进行检验.结果表明,kConvLSTM在均方根误差、绝对误差均值、绝对误差百分比方面,均优于仅考虑时空特征的深度学习模型--卷积网络(CNN)与长短时记忆网络(LSTM)的并行混合模型和ConvLSTM内嵌式网络模型,仅考虑时间特征的深度学习模型--LSTM网络和双向长短时记忆网络(Bi-LSTM),以及浅层机器学习模型--BP神经网络和支持向量回归模型(SVR).

关 键 词：城轨交通短时客流  时空特征  跨时段客流聚类  卷积长短时记忆神经网络  

分 类 号：TP181]