基于时频分解与深度学习的轨道客流预测

摘要

为提高城市轨道线网站点短时客流预测精度，在对轨道站点分类的基础上分别对各类型站点进行客流预测。以动态时间弯曲作为度量，采用K-means算法对站点进行分类，分析各类型站点客流时序特征；为弱化原始客流数据中噪声的影响，利用经验模态分解(empirical mode decomposition, EMD)方法对各类站点原始客流进行时频分解；提出一种融合图卷积网络(graph convolution network, GCN)和门控循环单元(gated recurrent unit, GRU)的深度学习模型，并以分解得到的分量作为模型输入。以西安地铁为例进行研究，结果表明，根据连续一周站点客流时序特征可将站点分为办公就业型、密集居住型、休闲娱乐型、偏远居住型和职住均衡型5类。采用平均绝对百分比误差及均方根误差作为评价指标，结果表明本研究所提方法对各类站点客流预测的精度优于基准模型。

关键词

客流预测 / 图卷积 / 门控循环单元 / 站点分类 / 经验模态分解