典型文献
基于GA-SLSTM模型的城市轨道交通短时客流预测
文献摘要：
城市轨道交通短时客流预测可为相关运营部门实时调整行车调度、提高运营效率提供重要的决策依据,为乘客提供合理出行建议.因此,针对具有非线性和随机性等特性的地铁进出站短时客流预测问题,文章在堆叠式长短时记忆(SLSTM,Stacked Long Short Term Memory)模型的基础上,引入遗传算法(GA,Genetic Algorithm),构建了GA-SLSTM预测模型.以10 min为预测粒度对地铁历史运营数据进行整理,分析了客流变化特征,并将其与GA-循环神经网络(RNN,Recurrent Neural Network)模型和LSTM模型的预测效果进行对比.GA-SLSTM预测模型对普通站点和换乘站点预测值的决定系数R2的平均值分别达到0.95和0.90,预测值对真实值的拟合效果较好,预测误差低于其他2种模型,证明该方法可提高地铁短时客流预测的准确性.
文献关键词：
城市轨道交通;短时客流预测;堆叠式长短时记忆(SLSTM)模型;智能交通;遗传算法
中图分类号：
作者姓名：
滕腾;刘正琦;王小敏
作者机构：
西南交通大学 信息科学与技术学院,成都 611756
文献出处：
引用格式：
[1]滕腾;刘正琦;王小敏-.基于GA-SLSTM模型的城市轨道交通短时客流预测)[J].铁路计算机应用,2022(08):7-12
A类：
B类：
GA,SLSTM,城市轨道交通,短时客流预测,运营部,整行,行车调度,提高运营效率,决策依据,乘客,随机性,进出站,堆叠式,长短时记忆,Stacked,Long,Short,Term,Memory,Genetic,Algorithm,运营数据,客流变化,循环神经网络,RNN,Recurrent,Neural,Network,换乘站,点预测,决定系数,真实值,拟合效果,预测误差,智能交通
AB值：
0.327995
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。
