10.3969/j.issn.1001-4632.2020.05.16
考虑日期属性和天气因素的铁路城际短期客流预测方法
分析2014-2018年上海至南京的单向铁路客流数据发现,日期属性和天气因素会对铁路城际短期客流的波动产生显著影响.为此,结合对非线性时间序列数据处理具有优势的长短期记忆(LSTM)神经网络模型,以及可弥补模型中超参数设置主观性的粒子群优化(PSO)算法,将日期属性和天气因素纳入模型的影响因素体系,提出1种基于PSO-LSTM组合预测模型的铁路城际短期客流预测方法,以解决因短期客流波动性大、随机性强而产生的准确预测难度大等问题.利用2014-2018年上海至南京的单向铁路客流以及上海的天气信息,设置预测输入步长为14 d、输出步长为7d,对模型进行实例验证.结果 表明:与实际客流相比,该模型的最终预测平均误差为6.75%;与删除1个影响因素的PSO-LSTM组合预测模型,以及结合了BP神经网络的PSO-BP组合预测模型相比,该模型具有最优预测精度.
铁路城际客流、短期预测、长短期记忆神经网络、粒子群优化算法、日期属性、天气因素
41
U293.13(铁路运输管理工程)
国家重点研发计划2018YFB1201401
2020-11-12(万方平台首次上网日期,不代表论文的发表时间)
共9页
136-144