典型文献
基于深度学习算法的城市轨道交通客流短时预测
文献摘要：
文中基于某地铁自动售检票数据,分析得到城市轨道交通短时客流时序数据具有非平稳性、非线性和非周期性波动等特征.借助深度学习算法,分别构建了基于LM-BP和LSTM神经网络的短时客流预测模型.选取苏州地铁中央花园站为例,以5 min为时间段,采用某一周的客流时序数据作为训练数据,预测未来一天内短时客流量的变化趋势,并对所提预测方法进行验证.结果表明:相较于参数模型中常用的三次指数平滑模型,所提方法的预测准确性和稳定性改进了50％左右,预测精度得到了大幅提升,LSTM模型具有更好的预测精度,而LM-BP模型则在计算效率方面更具优势.
文献关键词：
城市交通;短时客流预测;深度学习;城市轨道交通客流量;神经网络
中图分类号：
作者姓名：
陈丹;尹嘉男;刘钊;贾萌;吴金国;钟玉刚
作者机构：
南京工程学院汽车与轨道交通学院 南京 211167;南京航空航天大学民航学院 南京 211106
文献出处：
引用格式：
[1]陈丹;尹嘉男;刘钊;贾萌;吴金国;钟玉刚-.基于深度学习算法的城市轨道交通客流短时预测)[J].武汉理工大学学报（交通科学与工程版）,2022(05):792-796
A类：
B类：
深度学习算法,短时预测,地铁自动售检票,票数,流时,时序数据,非平稳性,非周期性,周期性波动,LM,短时客流预测,苏州地铁,花园,一周,训练数据,预测未来,天内,参数模型,指数平滑模型,预测准确性,稳定性改进,计算效率,城市交通,城市轨道交通客流量
AB值：
0.293246
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。
