為降低樣本噪聲對(duì)客流預(yù)測(cè)模型的干擾,結(jié)合深度學(xué)習(xí)理論,提出了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解與長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的短時(shí)地鐵客流預(yù)測(cè)模型;將預(yù)測(cè)過程分為3個(gè)階段,第1階段預(yù)處理原始地鐵刷卡數(shù)據(jù),構(gòu)建進(jìn)(出)站客流時(shí)間序列,運(yùn)用經(jīng)驗(yàn)?zāi)B(tài)分解法將時(shí)間序列轉(zhuǎn)化為一系列本征模函數(shù)及殘差,第2階段利用偏自相關(guān)函數(shù)確定長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的輸入變量,第3階段基于深度學(xué)習(xí)庫(kù)Keras,完成長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的搭建、訓(xùn)練及預(yù)測(cè);以上海地鐵2號(hào)線人民廣場(chǎng)站客流數(shù)據(jù)驗(yàn)證了模型的有效性。計(jì)算結(jié)果表明:與代表性的預(yù)測(cè)模型(差分自回歸移動(dòng)平均模型、支持向量機(jī)、經(jīng)驗(yàn)?zāi)B(tài)分解與反向傳播神經(jīng)網(wǎng)絡(luò)、長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò))相比,經(jīng)驗(yàn)?zāi)B(tài)分解與長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型分別將工作日高峰、平峰、全日的進(jìn)(出)站客流預(yù)測(cè)精度分別至少提升了2.1%(2.5%)、2.7%(3.5%)、2.7%(3.4%),將非工作日全日的進(jìn)(出)站客流預(yù)測(cè)精度至少提升了3.3%(3.5%),說明經(jīng)驗(yàn)?zāi)B(tài)分解與長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的組合是一種預(yù)測(cè)短時(shí)地鐵客流的有效模型;當(dāng)預(yù)測(cè)步長(zhǎng)由5 min逐漸增加至30 min時(shí),工作日高峰、平峰和全日進(jìn)(出)站客流的平均絕對(duì)百分比...

【文章頁(yè)數(shù)】：11 頁(yè)

【文章目錄】：
0 引 言
1 預(yù)測(cè)方法
    1.1 經(jīng)驗(yàn)?zāi)B(tài)分解法
    1.2 長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)
    1.3 EMD-LSTM客流預(yù)測(cè)模型
2 實(shí)例分析
    2.1 試驗(yàn)數(shù)據(jù)
    2.2 進(jìn)(出)客流時(shí)序數(shù)據(jù)分解
    2.3 偏自相關(guān)檢驗(yàn)
    2.4 LSTMNN建立
        2.4.1 輸入層
        2.4.2 隱藏層
        2.4.3 輸出層
    2.5 預(yù)測(cè)結(jié)果分析
3 結(jié) 語(yǔ)



本文編號(hào)：4025560