详情

原文传递基于双层分解的城市轨道交通短时客流量组合预测模型研究

论文题名：	基于双层分解的城市轨道交通短时客流量组合预测模型研究
关键词：	城市轨道交通;短时客流量预测;STL分解;长短时记忆神经网络;麻雀搜索算法
摘要：	近年来，城市轨道交通发展迅猛，有效缓解了城市交通拥堵问题。然而轨道交通网络化运营、超负荷运行给客流组织与管理带来了新的挑战。本文针对这一关键问题，研究非线性、非平稳性强的城市轨道交通短时客流量预测问题，旨在准确把握轨道交通客流时空发展态势，推动客流的精细化管理。主要研究内容如下：　　首先，对轨道交通智能化自动售检票系统（AutomaticFareCollection,AFC）数据进行预处理，从时间层面分析轨道交通客流分布特征，发现整体客流分布具有周期性，一周不同日及单日不同时段具有不同的变化趋势，同时由于站点性质差异导致不同类型站点呈现不同峰型变化。并利用相似性系数和层次聚类方法对居住型、服务型、综合型和普通型四种类型站点进行时间相似性分析，为客流预测提供数据支撑。　　其次，针对轨道交通客流数据具有非线性、非平稳性特征，利用基于LOESS的季节趋势分解算法（seasonal-trenddecompositionprocedurebasedonLOESS,STL）对进站客流序列进行单层分解，并运用样本熵及白噪声对分解所得成分进行分析。然后利用经验模态分解法及其改进算法对包含未完全分解信息的残差成分进行二次分解，通过排列熵和重构误差分析，得到分解性能最优的改进的自适应噪声完备经验模态分解算法（ICEEMDAN）。构建STL-ICEEMDAN双层分解模型，能够获得平稳性更高、规律性更强的分量，有效降低了原始进站客流序列的随机性。　　最后，选用对短时客流具有良好适应能力的长短时记忆神经网络（LSTM）作为基础预测模型，通过实验确定神经网络模型的时间步长、激活函数和隐含层层数，并利用麻雀搜索算法（SSA）对模型的神经元个数、学习率、批处理大小和迭代次数进行寻优，得到神经网络的最佳参数组合。构建STL-ICEEMDAN-SSA-LSTM组合预测模型分别对双层分解所得分量进行预测，叠加得到最终客流预测结果。选取RMSE、MAE和MAPE作为评价指标，从不同预测模型、不同分解算法和不同时间三个方面对模型的预测效果进行对比分析。结果表明：在预测性能方面，SSA-LSTM组合预测模型比单一LSTM模型的MAPE降低了1.84%；在分解性能方面，结合双层分解的STL-ICEEMDAN-SSA-LSTM组合预测模型的MAPE在单层分解的基础上，进一步降低了2.04%～2.94%；在不同时间预测方面，STL-ICEEMDAN-SSA-LSTM组合预测模型对高峰时段的预测精度高于平峰时段，对工作日的预测精度高于非工作日。　　本文引入STL分解和改进的自适应噪声完备经验模态分解算法对进站客流序列进行分解，为轨道客流预测提供了一种有效的数据处理方法。同时，利用麻雀搜索算法对神经网络超参数进行寻优，提高了预测模型的精度，为城市轨道交通的运营管理提供一定理论方法。
作者：	宋熙燕
专业：	交通运输
导师：	向红艳
授予学位：	硕士
授予学位单位：	重庆交通大学
学位年度：	2023