基于麻雀搜索算法和长短期记忆神经网络的轨道交通站点客流预测

摘要

准确的短时客流预测可以为城市轨道交通的良好运营提供保障，但轨道交通的短时客流具有非线性和高随机性等特点，为了提高对短时客流的预测精度，提出将ISSA算法和LSTM模型进行组合，构建城市轨道交通短时客流预测模型.针对SSA算法收敛速度慢，容易陷入局部最优解的问题，引入黄金莱维飞行策略，通过动态调整探索者移动步长的方法，使得它在未知范围内搜索时，能够覆盖更大的范围，提高SSA算法全局搜索的能力.通过使用ISSA算法对LSTM模型的隐含层、学习率和迭代次数的神经元个数进行优化，构建ISSA-LSTM组合预测模型，用于城市轨道交通短时客流的预测.将该模型与BP、LSTM和SSA-LSTM等3种短时客流预测模型进行对比，结果表明：在针对工作日和非工作日客流的预测中，ISSA-LSTM模型预测误差最小，具有较好的预测效果.

关键词

短时客流预测 / 改进麻雀搜索算法 / 长短时记忆神经网络 / 组合模型

基金资助

重庆市科技局自然科学基金(CSTB2022NSCQ-MSX0256); 中国博士后第71批面上项目(2022M712619); 重庆市教委科学技术研究计划重点项目(KJZD-K202201502)