基于循环神经网络的城市轨道交通短时客流预测

为更好地预测城市轨道交通的短时客流情况,提出了基于循环神经网络模型的预测方法.首先,针对轨道交通进出站客流数据,利用Pearson相关系数确定短时客流影响因素;然后,改进K-means聚类算法划分高、中、低客流量三类轨道站点,分析客流时空分布规律及高峰时间段;最后,采用分别基于长短时记忆神经网络(LSTM)与门控循环单元(GRU)的短时客流预测方法,预测不同类型站点在不同时段的客流.实验结果表明:5 min为预测的最佳时间粒度,在此时间粒度下GRU模型整体性能优于LSTM模型.