摘要
近年来,城市轨道交通建设规模不断提升,随之而来的是大量客流涌入城市轨道交通系统。城市轨道交通短时客流预测对保证地铁正常运营,优化地铁线网结构,构建智慧轨道交通出行有着积极作用。城市轨道交通短时客流多数情况为可预知常规客流,具有时间周期性,又根据地铁站所处区域具有独特的客流特点。因此,考虑客流的时间周期性以及不同地铁站的区域独特性,基于K-means聚类算法、LSTM(长短时记忆神经网络)以及误差模型(ecm),提出短时客流预测的K-LSTM-ecm深度学习模型,并进行试验寻找最优参数。最后以北京地铁回龙观站进站数据为例验证模型效果,并对比LSTM、K-LSTM模型。结果表明K-LSTM-ecm模型在效果上优于LSTM、K-LSTM模型。
作者
王金锋
孙连英
张天
涂帅
WANG Jin-feng;SUN Lian-ying;ZHANG Tian;TU Shuai
出处
《制造业自动化》
CSCD
北大核心
2022年第5期103-107,133,共6页
Manufacturing Automation
