典型文献
基于IPSO-LSTM组合模型的城市轨道交通短时客流预测
文献摘要：
准确的短时客流预测能够为城市轨道交通的良好运营提供保障,为提高预测的精度,提出将IPSO算法和LSTM模型进行组合,构建城市轨道交通短时客流预测模型.针对PSO算法不能很好地区分全局搜索和局部搜索,易陷入局部极值的问题,引入自适应变化的惯性权重和时间因子,动态调整粒子的移动步长,提高PSO算法全局搜索的能力;借鉴遗传算法中的变异机制,引入自适应变异函数,使PSO算法具有跳出局部范围的能力.利用IPSO算法对LSTM模型的迭代次数、学习率和隐含层的神经元个数进行寻优,构建IPSO-LSTM组合预测模型,对城市轨道交通短时客流进行预测,并与BP,LSTM,PSO-LSTM共3种短时客流预测模型进行对比,在针对工作日和非工作日客流的预测中,结果显示IPSO-LSTM模型的预测误差最小,具有较好的预测效果.
文献关键词：
城市轨道交通;短时客流预测;改进粒子群算法;长短时记忆神经网络;组合模型
中图分类号：
作者姓名：
赵明伟;张文胜
作者机构：
济南轨道交通集团有限公司第一运营有限公司,山东济南 250300;石家庄铁道大学交通运输学院,河北石家庄 050043
文献出处：
引用格式：
[1]赵明伟;张文胜-.基于IPSO-LSTM组合模型的城市轨道交通短时客流预测)[J].铁道运输与经济,2022(02):123-130
A类：
B类：
IPSO,组合模型,城市轨道交通,短时客流预测,良好运营,全局搜索,局部搜索,局部极值,惯性权重,时间因子,整粒,步长,变异机制,自适应变异,变异函数,跳出局部,迭代次数,学习率,隐含层,组合预测模型,流进,工作日,预测误差,改进粒子群算法,长短时记忆神经网络
AB值：
0.236261
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。
