典型文献
基于VMD-GRU的城市轨道交通短时客流预测
文献摘要：
精准的客流预测是轨道交通运输计划编制的基础和依据,为提高城市轨道交通短时客流的预测精准度,基于城市轨道交通短时客流的动态性、非线性、不确定性、周期性、非平稳性及时序性等特点,提出一种组合模型预测方法,即VMD-GRU神经网络预测模型,由变分模态分解和门控循环单元组合而成.变分模态分解的作用是分解短时客流,降低数据中的噪声,减少数据波动;门控循环单元的作用是基于分解的短时客流,进行客流预测.经南京地铁的数据验证,该模型在地铁短时客流预测方面效果良好.与GRU相比,VMD-GRU在15、30和60 min的时间粒度下,预测准确度分别提升7.57％,16.93％,18.47％.该模型可为地铁运营管理部门对车站客流管理、日常行车计划制定等提供有效的数据支撑,从而提升线网总体运营效率以及轨道交通系统的服务水平.
文献关键词：
城市轨道交通;客流预测;变分模态分解;门控循环单元
中图分类号：
作者姓名：
吴娟;何跃齐;张宁;吴海峰
作者机构：
南京地铁建设有限责任公司,南京210017;北京城建设计发展集团股份有限公司,北京100037;东南大学ITS研究中心轨道交通研究所,南京210018;浙江浙大网新众合轨道交通工程有限公司,杭州310012
文献出处：
引用格式：
[1]吴娟;何跃齐;张宁;吴海峰-.基于VMD-GRU的城市轨道交通短时客流预测)[J].都市快轨交通,2022(01):79-86
A类：
B类：
VMD,GRU,城市轨道交通,短时客流预测,计划编制,高城,非平稳性,时序性,组合模型预测,模型预测方法,神经网络预测模型,变分模态分解,门控循环单元,元组,组合而成,少数据,基于分解,行客,南京地铁,数据验证,时间粒度,预测准确度,地铁运营管理,车站,行车计划,计划制定,线网,运营效率,轨道交通系统
AB值：
0.261589
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。
