典型文献
基于CEEMDAN-BLSTM模型的城轨交通短时客流预测
文献摘要：
针对工作日和休息日客流变化的不同特征,分别构建工作日和休息日客流数据的预测模型,采用Pearson相关系数分析历史客流数据与预测值的相关程度.采用完全噪声辅助聚合经验模态分解(CEEMDAN)算法对客流数据进行分解,减少数据波动所带来的误差.根据客流的时间变化,采用改进的双向长短期记忆网络(BLSTM)对分解后的客流数据进行预测.将LSTM、BLSTM、EMD-BLSTM等模型与文中所提CEEMDAN-BLSTM模型进行对比,验证了文中提所提模型的有效性和准确性.
文献关键词：
城轨客流预测;时间序列;CEEMDAN-BLSTM模型;神经网络
中图分类号：
作者姓名：
陈园园
作者机构：
北京城建设计发展集团股份有限公司 北京 100037
文献出处：
引用格式：
[1]陈园园-.基于CEEMDAN-BLSTM模型的城轨交通短时客流预测)[J].武汉理工大学学报（交通科学与工程版）,2022(05):816-820
A类：
城轨交通短时客流,完全噪声辅助聚合经验模态分解,城轨客流预测
B类：
CEEMDAN,BLSTM,短时客流预测,工作日,休息日,客流变化,流数据,相关系数分析,少数据,双向长短期记忆网络
AB值：
0.15992
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。
