基于PSO-VMD-LSTM模型的城市轨道交通短期客流预测
张婉凝
郑明明
刘岩
大连交通大学交通运输工程学院,辽宁 大连 116028
摘要：为减少噪声对客流预测模型的干扰,采用粒子群优化(particle swarm optimization,PSO)算法确定变分模态分解(variational mode decomposition,VMD)的参数,通过PSO算法优化的VMD对原始客流序列进行降噪处理,将客流数据分解为不同时间尺度下的本征模态函数(intrinsic mode function,IMF)和余量;采用贝叶斯优化(Bayesian optimization,BO)算法确定长短期记忆(long short term memory,LSTM)神经网络的超参数,构建PSO-VMD-LSTM客流预测模型.以重庆轨道交通 1 号线沙坪坝站客流数据为例,验证模型的预测准确度.结果表明:PSO-VMD-LSTM模型的均方根误差比反向传播(back propagation,BP)神经网络、径向基函数(radial basis function,RBF)神经网络、LSTM 神经网络分别降低 268.03、204.41、221.66,平均绝对百分误差分别降低13.16%、10.21%、11.06%.PSO-VMD-LSTM模型对轨道交通短期客流预测具有较高的适用性和预测准确度.
关键词：客流预测PSO算法VMDBO算法LSTM神经网络
分类号：U293.13(铁路运输管理工程)
资助基金：辽宁省社会科学规划基金项目(L21BGL009)
论文发表日期：2023-12-30
在线出版日期：2026-05-22（本平台首次上网日期，不代表文献的发表时间）
页数：8( 43-50 )
英文信息