基于组合深度学习模型的轨道交通短时进站客流预测

作者：李淑庆; 李伟; 刘耀鸿^*; 马波

来源：重庆交通大学学报(自然科学版), 2023, 1-8.

• 交通工程
• 短时客流预测
• 组合深度学习模型
• 轨道进站客流

针对轨道交通短时进站客流预测模型考虑因素和特征学习不全面而导致预测精度不高的问题，选取客流特征、天气、空气质量和道路交通拥堵指数等多因素，提出了一种基于组合深度学习模型的轨道交通短时进站客流预测方法(CNN-ResNet-BiLSTM)。基于卷积神经网络(CNN)对多因素客流时间序列进行自动提取，在CNN网络中插入多个残差神经网络(ResNet)来加深网络深度，利用双向长短时记忆神经网络(BiLSTM)捕捉前后两个方向的客流时间序列特征并得到预测结果；以杭州市全网80个站点工作日的进站客流预测为例，验证了该预测方法的有效性。研究结果表明：与常用的几种模型相比，多因素CNN-ResNet-BiLSTM组合模型的均方根误差(RMSE)至少降低了8.50%，平均绝对误差(MAE)至少降低了6.74%，平均绝对百分比误差(MAPE)至少降低了6.52%。

• 单位
  重庆交通大学; 交通运输学院