典型文献
基于SAE-ConvLSTM深度学习模型的多站城轨短时客流预测
文献摘要：
为准确预测多个站点城轨交通短时客流,提出卷积长短时记忆网络(ConvLSTM)与栈式自编码器(SAE)相结合的深度学习模型SAE-ConvLSTM.考虑了13个影响客流量的外部因素,并通过SAE对其进行逐层提取,获得更具代表性的外部特征.通过ConvLSTM充分提取客流量的时间与空间特征,并融合所获得的外部特征对轨道交通网络中多个站点的短时客流量进行同步预测.同时设计了隐动作蒙特卡罗树搜索方法(LA-MCT),对SAE进行参数寻优.为了验证寻优效果,与遗传算法、粒子群算法、模拟退火算法以及禁忌搜索算法进行对比.结果表明,LA-MCTS在寻优时间和寻优效果方面均具有优势.此外,以深圳地铁为例进行大量的数值实验,结果显示在预测均方根误差、绝对误差均值、平均绝对百分比误差以及拟合优度方面,所构建的SAE-ConvLSTM模型预测结果均优于浅层机器学习模型—反向传播神经网络、支持向量回归模型、整合移动平均自回归模型,及深度学习模型—长短时记忆网络、卷积神经网络、以及不加入外部特征的ConvLSTM、加外部特征无SAE的ConvLSTM、长短时记忆网络+卷积神经网络(CNN+LSTM)和加外部特征的CNN+LSTM.
文献关键词：
城轨交通短时客流;时空特征;多站点;外部特征;卷积长短时记忆网络
中图分类号：
作者姓名：
李莎;王秋雯;陈彦如;秦娟
作者机构：
西南交通大学经济管理学院,成都610031;滇西科技师范学院管理与经济学院,云南临沧677000
文献出处：
引用格式：
[1]李莎;王秋雯;陈彦如;秦娟-.基于SAE-ConvLSTM深度学习模型的多站城轨短时客流预测)[J].计算机应用研究,2022(07):2025-2031
A类：
城轨交通短时客流
B类：
SAE,ConvLSTM,深度学习模型,短时客流预测,准确预测,卷积长短时记忆网络,栈式自编码器,客流量,外部因素,逐层提取,外部特征,分提,时间与空间,空间特征,轨道交通网络,行同,蒙特卡罗树搜索,搜索方法,LA,参数寻优,优效,粒子群算法,模拟退火算法,禁忌搜索算法,MCTS,深圳地铁,数值实验,绝对误差,误差均值,平均绝对百分比误差,拟合优度,机器学习模型,反向传播神经网络,支持向量回归模型,整合移动平均自回归模型,不加,CNN+LSTM,时空特征,多站点
AB值：
0.24847
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。
