典型文献
基于时间序列分解与门控循环单元的地铁换乘客流预测
文献摘要：
为丰富地铁内部换乘客流预测理论,更好地制定地铁运营计划,提出了一种基于时间序列分解方法(STL)与门控循环单元(GRU)的地铁换乘客流预测模型.该模型将预测过程分为3个阶段,第1阶段为原始地铁刷卡数据预处理,采用基于图的深度优先搜索算法识别乘客的出行路径,构建换乘客流时间序列;第2阶段运用STL时间序列分解算法将换乘客流时间序列转化为趋势量、周期量以及余量,并利用3σ原则对余量进行异常值的剔除与填充;第3阶段基于深度学习库Keras,完成GRU模型的搭建、训练及预测.以北京地铁西直门站的换乘客流数据为研究对象,对模型的有效性进行了验证,结果表明:与长短时记忆神经网络(LSTM)、门控循环单元、STL时间序列分解方法与长短时记忆神经网络组合模型(STL-LSTM)相比,STL-GRU组合预测模型可提升工作日(不含周五)、周五、休息日的换乘客流预测精度,预测结果的平均绝对百分比误差至少分别降低了2.3、1.36、6.42个百分点.
文献关键词：
城市交通;换乘客流预测;门控循环单元;地铁;时间序列分解;深度学习;预测精度
中图分类号：
作者姓名：
赵建东;朱丹;刘佳欣
作者机构：
北京交通大学交通运输学院,北京100044;北京交通大学综合交通运输大数据应用技术交通运输行业重点实验室,北京100044
文献出处：
引用格式：
[1]赵建东;朱丹;刘佳欣-.基于时间序列分解与门控循环单元的地铁换乘客流预测)[J].华南理工大学学报（自然科学版）,2022(05):22-31
A类：
换乘客流预测,时间序列分解算法
B类：
门控循环单元,地铁换乘,预测理论,地铁运营,分解方法,STL,GRU,刷卡数据,数据预处理,深度优先搜索算法,算法识别,流时,余量,异常值,Keras,北京地铁,铁西,西直门,流数据,长短时记忆神经网络,组合模型,组合预测模型,工作日,周五,休息日,平均绝对百分比误差,少分,百分点,城市交通
AB值：
0.193106
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
