论文摘要
短时客流预测在为人类构建智慧城市,提供风险预警,保证出行安全中扮演着重要的角色.本文在神经网络算法的基础上,结合卡尔曼滤波,提出了一种新型有效的地铁客流短时预测算法.对于要预测的时刻t,算法利用它之前24小时的客流量作为输入特征.由于实验数据存在噪声,本文利用卡尔曼滤波对实验数据进行去躁平滑处理.最后算法利用BP神经网络和LSTM递归神经网络进行建模与预测.我们利用杭州地铁提供的真实购票数据进行大量实验,证明了BP神经网络(基于adam算法和relu激活函数)以及LSTM递归神经网络(基于adam算法和tanh激活函数的)准确度最高,预测的平均绝对误差最小(5%左右).另外,实验还证明了卡尔曼滤波能够有效减少预测的平均绝对误差.相比于不使用卡尔曼滤波的神经网络,使用卡尔曼滤波后的神经网络算法可以降低相对25%的MAE.
论文目录
文章来源
类型: 期刊论文
作者: 侯晨煜,孙晖,周艺芳,曹斌,范菁
关键词: 地铁客流,短时预测,神经网络,递归神经网络,卡尔曼滤波
来源: 小型微型计算机系统 2019年01期
年度: 2019
分类: 信息科技,工程科技Ⅱ辑
专业: 铁路运输,自动化技术
单位: 浙江工业大学计算机科学与技术学院,杭州数梦工场科技有限公司
基金: 国家重点研发计划项目(2016YFB1001403)资助,浙江省重大科技专项项目(2015C01034)资助
分类号: TP183;U293.13
页码: 226-231
总页数: 6
文件大小: 636K
下载量: 790