结合时序直觉模糊粗糙集和TCN-BiGRU的城市轨道交通客流预测

摘要

提高城市轨道交通客流的预测效率与精度，对智慧城市交通系统的实现具有重要意义。近年来，深度学习作为一种强大的数据驱动方法，在客流预测任务中得到了广泛应用。然而，面对多源异构的高维数据，传统预测模型往往难以有效识别对输出结果影响最显著的特征属性。基于此，本文提出一种融合时序直觉模糊粗糙集(temporal intuitionistic fuzzy rough sets,TIFRS)、时序卷积网络(temporal convolutional networks,TCN)和双向门控循环单元(bidirectional gated recurrent units,BiGRU)的城市轨道交通客流预测模型。TIFRS能够在高维的时序数据属性中识别关键属性，TCN-BiGRU的组合模型增强了对时间序列数据信息的处理能力。算例表明，与其他模型相比，提出的TIFRS-TCNBiGRU预测模型具有更好的预测效果。

关键词

城市轨道交通 / 客流预测 / 时序直觉模糊粗糙集 / 时序卷积网络 / 双向门控循环单元