典型文献
基于SSA-LSTM的城市轨道交通短时客流预测
文献摘要：
为了减小噪声在城市轨道交通短时客流预测中的干扰,提出了 一种基于奇异谱分析(SSA)和长短时记忆网络(LSTM)模型的短时客流预测方法.该模型利用SSA对原始客流数据进行嵌入、分解、分组、重组,重新划分为趋势、周期、残差三部分,其中残差部分即视为噪声,将去噪后的两个部分作为LSTM模型的输入.并利用上海地铁1号线进出站客流数据对模型的有效性进行验证.结果表明,SSA-LSTM混合模型的预测精度更高.
文献关键词：
短时客流预测;奇异谱分析;长短时记忆神经网络;地铁客流
中图分类号：
作者姓名：
任鹏达;左忠义;陈洪涛
作者机构：
大连交通大学交通运输工程学院,大连116021;深圳市城市交通规划设计研究中心交通信息与模型院,深圳518057
文献出处：
引用格式：
[1]任鹏达;左忠义;陈洪涛-.基于SSA-LSTM的城市轨道交通短时客流预测)[J].武汉理工大学学报,2022(02):44-52
A类：
B类：
SSA,城市轨道交通,短时客流预测,奇异谱分析,长短时记忆网络,流数据,重新划分,三部分,去噪,分作,上海地铁,进出站,混合模型,长短时记忆神经网络,地铁客流
AB值：
0.21919
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。
