基于多维可预知特征的TCN-LSTM城轨短期客流预测

摘要

地铁客流量波动受众多因素影响，准确的客流预测数据有利于制定更高效的行车控制方案和客流管控方案。为提高客流预测精度，提出一种基于多维可预知特征的时序卷积神经网络-长短期记忆神经网络模型（TCNLSTM）地铁短期客流预测方法。考虑外部因素的影响，引入Spearman相关系数分析并提取日期、天气等可预知特征及其状态集，以提升预测精度，缩小特征空间，克服了冗余特征数据导致的模型过于复杂问题；通过融合时序卷积神经网络（TCN）提取的客流时间序列特征和可预知特征状态集构建了长短期记忆神经网络（LSTM）层输入，组合模型学习客流与外部影响因素的长短期依赖，从而实现常规日、节假日、不同天气等多场景下的短期客流预测。基于某西南城市地铁刷卡交易数据，对比差分整合移动平均自回归模型（ARIMA）、TCN、LSTM及TCN-LSTM模型的短期客流预测结果，得出组合模型的总体平均绝对误差（MAE）值比其他方法低27%～48%，均方误差（MSE）值低13%～35%，平均绝对百分比误差（MAPE）值低2.8%～6.7%，上述3项指标均表明TCN-LSTM模型的客流预测效果更好。此外，对比实验表明通过融入提取的可预知特征数据，TCN-LSTM模型在测试集上的预测误差评价指标明显降低，所提方法能有效提高地铁短期客流预测精度。

关键词

城市轨道交通 / 客流预测 / 长短期记忆神经网络(LSTM) / 时序卷积神经网络(TCN) / Spearman相关系数

基金资助

国家重点研发计划（2019YFB1600200）