变时间尺度城轨客流的本征模量分解及组合深度学习预测

作者：朱广宇^*; 孙歆霓; 杨荣正; 刘康琳; 魏运; 吴波

来源：电子与信息学报, 2023, 45(12): 4421-4430.

• 城市轨道交通
• 短时客流时间序列
• 自适应噪声的完全总体经验模态分解
• 双向长短期记忆
• 组合预测

城市轨道交通的不同运营状态，通常对应着客流时间序列中不同的本征模态分量(IMF)及时间尺度特征。基于自适应噪声的完全总体经验模态分解(CEEMDAN)算法和双向长短期记忆(BiLSTM)网络，该文构建了地铁短时客流时间序列的组合深度学习预测模型。具体包括：基于CEEMDAN算法实现了客流时间序列的模态分解。分别使用样本熵和层次聚类对IMF分量进行复杂性和相似度分析，并在此基础上完成IMF分量的分类合并与重构；使用Optuna框架中的树形Parzen优化器(TPE)对模型的超参数进行优化，构建CEEMDAN-TPE-BiLSTM组合预测模型。采用实际数据对该文模型进行验证，结果表明，对于特定特征的客流时间序列数据，该文模型的精确性、有效性指标均达到最优。

• 单位
  北京交通大学; 北京市地铁运营有限公司