多成分经验分解模型与网格寻优的地铁客流量预测算法

摘要

地铁客流量预测的数学建模和有效算法有助于合理配置地铁电力资源，优化调度计划，对城市交通路网的运营至关重要.地铁客流量一方面表现出特定的周期性，同时又有较大的随机性.现有大部分算法难以对早晚高峰期流量这一精细尺度进行高精度预测.本文根据对地铁客流量早晚高峰精细刻画的实际要求，通过多成分经验分解，首先将Prophet模型中的周期项进行了更为细化的多尺度分解，提出了包含6种成分的改进Prophet模型；进而对改进的Prophet模型，在待求解的模型参数服从一定先验概率分布的假定下，采用网格寻优算法在训练集上实现模型超参数的自动选取；最后设计了数据和模型双驱动的地铁客流量预测算法，并在天池平台提供的杭州地铁公开数据集上进行实验验证，结果表明该算法比基于Prophet模型的算法预测精度大为提高.其中最大误差、平均绝对误差和均方误差这3个评价指标在整体测试集上分别减少了42.39%、 52.13%和50.02%;在高峰期测试集上分别减少了89.49%、 93.20%和92.19%;相比LSTM算法，在高峰期测试集上分别减少了1.43%、 60.53%和62.12%.

关键词

地铁客流量 / 精细尺度预测 / 多成分经验分解 / 最大后验估计 / 网格自动寻优