考虑多因素的城市轨道交通短时客流深度学习预测
小时粒度的短时客流预测，对城市轨道交通精准投放运力、预判早晚高峰大客流、采取限流等组织措施有重要意义.然而客流生成的机理复杂，影响因素众多，周期性、随机性和波动性兼有.既有研究在考虑因素、时间跨度、模型精度等方面尚存在问题.为充分挖掘城市轨道交通短时客流波动的内在机理，提高预测精度.本文基于深度学习方法，考虑长期、细粒度的时空天气数据，曰期等因素，提出了一种考虑多因素的长短期记忆神经网络模型(MUL-LSTM).利用2019年北京地铁1号线八宝山站的全年小时粒度进站客流及全年的小时粒度气象台站监测数据并结合日期属性数据，应用所建立的模型并标定了参数.结果表明，该模型最终的预测平均误差为6.99％，具有较好的预测精度.
城市轨道交通 短时客流预测 多因素 深度学习
王子甲 陈志翔 陈雍君 申晓鹏
北京交通大学土木建筑工程学院,北京,100044 北京建筑大学,北京,100044 中国国际工程咨询有限公司,北京,100044
国内会议
长沙
中文
1386-1399
2021-09-27（万方平台首次上网日期，不代表论文的发表时间）