城市轨道交通多站点短时客流智能预测研究

摘要

【目的】为提高城市轨道交通资源调配效率并降低运营成本，需解决由客流时间序列的时空依赖性和不确定性导致的短时客流难以精准预测的问题。基于此，提出一种能提高不同类型站点短时客流预测精度的智能预测模型。【方法】首先，采用小波阈值法对地铁数据进行去噪处理，以消除误导性信息并提升数据质量；其次，根据客流特征运用K-means聚类方法对地铁站点进行分类，以明确各个站点的需求模式；接着，将处理后的短时客流样本分别输入长短期记忆网络（long short-term memory,LSTM）、门控循环单元（gated recurrent unit,GRU）及整合移动平均自回归模型（autoregressive integrated moving average model,ARIMA）三个单一模型进行预测；然后，根据每个模型在验证集上的预测误差表现赋予其不同的权重，通过堆叠集成学习训练元学习器得到不同模型的权重数值，从而完成模型的建立；最后，设置噪声容忍测试验证模型的稳定性，采用北京市地铁数据进行模型验证。【结果】该智能预测模型在不同环境下均展现出较低的预测误差及较强的抗噪声干扰能力。与单一模型及其他已有模型相比，该模型的客流预测精度均有所提高。【结论】基于深度学习的城市轨道交通多站点短时客流智能预测模型在面对多样化及复杂数据时，仍具备较高的准确性与鲁棒性，能够有效应对客流预测中的挑战。

关键词

短时交通客流预测 / 深度学习 / 小波阈值去噪 / 长短时记忆网络 / 自回归综合移动平均模型