基于K-LSTM-ecm模型的城市轨道交通短时客流预测
作者:王金锋; 孙连英; 张天; 涂帅
更新时间:
近年来,城市轨道的交通建设规模不断提高,随之而来的是大量客流进入城市轨道交通系统。城市轨道交通的短期客流预测对保证地铁的正常运营、优化地铁网络结构、构建智能高山出行具有积极作用。城市轨道的短期客流大部分是可预知的常规客流,具有时间周期性。根据地铁站的情况,所处具有独特的客流特征。因此,考虑到客流的时间周期性和不同地铁车站的区域唯一性,基于k均值聚类算法、lstm(长期和短期记忆)和误差模型(ecm),提出了一种用于短期客流预测的k-lstm-ecm深度学习模型,并进行了实验以寻找最佳参数。最后,以北京地铁回龙观站的入境数据为例,验证了模型的效果,并对LSTM和k-LSTM模型进行了比较。结果表明,k-lstm-ecm模型在效果上优于lstm和k-lstm模型。