CEEMDAN-PSO组合优化BiLSTM的公交站点短时客流预测方法OACSTPCD
Improved CEEMDAN-PSO-BiLSTM model for short-term passenger flow prediction at bus stops
客流观测数据的非平稳性和选择学习参数的主观性,是影响双向长短时记忆神经网络(Bi-directional Long Short-Term Memory,BiLSTM)预测公交站点短时客流精度的重要因素.通过自适应噪声完备集合经验模态分解(Complete Ensemble Empirical Mode Decomposition With Adaptive Noise,CEEMDAN)提升客流观测数据的平稳性,用粒子群算法(Particle Swarm Optimization,PSO)优化BiLSTM隐藏层神经元个数、学习率与训练次数;基于Theano和Tensorflow深度学习库Keras,构建了公交站点短时客流预测组合模型CEEMDAN-PSO-BiLSTM,用均方根误差与平均绝对误差进行预测精度检验,并在浙江省海宁市2个公交站点进行了应用.研究结果表明:客流预测精度由高到低依次为CEEMDAN-PSO-BiLSTM、CEEMDAN-BiLSTM、PSO-BiLSTM、BiLSTM和LSTM,2个站点CEEMDAN-PSO-BiLSTM比BiLSTM预测结果的均方根误差分别下降了53.76％和48.36％、平均绝对误差分别下降了45.71％和40.22％,提升数据平稳性与优化学习参数组合改进BiLSTM的CEEMDAN-PSO-BiLSTM模型,能显著提高公交站点短时客流预测精度.
姚志刚;卢致远;李聪聪;王元庆
长安大学 运输工程学院, 西安 710061长安大学 交通规划与设计研究所, 西安 710061长安大学 运输工程学院, 西安 710061长安大学 运输工程学院, 西安 710061
交通工程
公共交通短时客流预测BiLSTM公交站点CEEMDANPSO
《北京交通大学学报》 2023 (1)
基于清洁生产的资源受限区道路几何与铺面设计基础理论研究
74-80,7
国家自然科学基金(51878062)
评论