基于卷积长短时记忆网络的短时公交客流量预测.docx

下载文档

0
0
约1.99万字
约 22页
2024-12-02 发布于北京
举报
版权申诉
保障服务

基于卷积长短时记忆网络的短时公交客流量预测.docx

1、本文档共22页，可阅读全部内容。
2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。

第36

第36卷第2期2024年2月

Vol.36No.2Feb.2024

JournalofSystemSimulation

基于卷积长短时记忆网络的短时公交客流量预测

陈静1，张昭冲1*，王琳凯1，安脉2，王伟1

(1.天津职业技术师范大学信息技术工程学院，天津300222；2.中新天津生态城管委会智慧城市发展局，天津300467)

摘要：针对传统的短时客流预测方法没有考虑到时序特征中跨时段客流之间的相似性问题，提出一种改进k-means聚类算法与卷积神经网络和长短时记忆网络相结合的短时客流量预测模型k-CNN-LSTM。通过k-means算法对跨时段时序数据进行聚类，使用间隔统计确定k值，构建交通流矩阵模型，采用CNN-LSTM网络处理具有时空特征的短时客流。该模型能够对具有空间相关性的数据进行较为准确的预测。使用真实数据集对模型进行检验和参数调优，实验结果表明：k-CNN-LSTM模型较其他模型有相对较高的预测精度。

关键词：卷积神经网络；长短时记忆网络；时空数据预测；k-means聚类；客流量预测

中图分类号：TP181文献标志码：A文章编号：1004-731X(2024)02-0476-11

DOI:10.16182/j.issn1004731x.joss.22-1168

引用格式:陈静,张昭冲,王琳凯,等.基于卷积长短时记忆网络的短时公交客流量预测[J].系统仿真学报,2024,36

(2):476-486.

Referenceformat:ChenJing,ZhangZhaochong,WangLinkai,etal.Short-termBusPassengerFlowPredictionBasedonConvolutionalLong-short-termMemoryNetwork[J].JournalofSystemSimulation,2024,36(2):476-486.

Short-termBusPassengerFlowPredictionBasedonConvolutionalLong-short-termMemoryNetwork

ChenJing1,ZhangZhaochong1*,WangLinkai1,AnMai2,WangWei1

(1.SchoolofInformationTechnologyandEngineering,TianjinUniversityofTechnologyandEducation,Tianjin300222,China;

2.SmartCityDevelopmentAuthority,Sino-SingaporeTianjinEco-cityManagementCommittee,Tianjin300467,China)

Abstract:Toaddresstheproblemthatthetraditionalshort-timepassengerflowpredictionmethoddoesnotconsiderthetemporalcharacteristicssimilaritybetweentheinter-temporalpassengerflows,ashort-timepassengerflowpredictionmodelk-CNN-LSTMisproposedbycombiningtheimprovedk-meansclusteringalgorithmwiththeCNNandtheLSTM.Thek-meansisusedtoclustertheintertemporaltime-seriesdata,thek-valueisdeterminedbyusingthegap-statistic,andatrafficflowmatrixmodelisconstructed.ACNN-LSTMnetworkisusedtoprocesstheshort-timepassengerflowswithspatialandtemporalcharacteristics.Themodelistestedandparam