论文部分内容阅读
在我国城市公共交通体系中,公交站点作为独立单元是公共交通运输组织的基础,其短时客流数量与短时客流变化能反映出乘客的实际需求以及乘客在客观外部影响因素下的不稳定性。如何利用科学的方法对公交站点短时客流进行预测,获取乘客精确的出行规律与特征,帮助公交企业科学地管理与乘客便捷地出行已经成为了热点问题。本文基于HN市公交相关的基础数据来获取站点客流,利用天气数据与POI数据结合站点客流数据来分析时间、天气以及站点用地因素对站点客流的影响,为站点短时客流预测问题中如何构建客流数据特征以及预测对象的选择提供依据。在构建模型时,以双向长短时记忆神经网络模型（Bi LSTM）为基础,针对该模型中隐藏层神经元个数、学习率与迭代次数等参数选取的问题引入粒子群算法（PSO）进行优化,针对短时客流数据的非稳定性特征问题引入自适应噪声完备集合经验模态分解法（CEEMDAN）进行客流数据分解,构建组合模型CEEMDAN-PSO-Bi LSTM作为新的短时客流预测模型。以RMSE、MAE与MSE三种误差评价方法构建评价指标体系进行预测模型效果评价。研究发现:以选取三个客流量相对集中的站点作为预测对象构建短时客流预测方案,Bi LSTM模型比LSTM模型的误差评价函数RMSE、MAE和MSE分别下降了1.23～2.58%、0.86～3.45%、0.00～4.17%;组合模型相较于Bi LSTM基础模型的RMSE、MAE、MSE分别下降幅度为6.62～18.01%、0.90～11.30%、13.04～30.77%;相较于PSO-Bi LSTM优化模型误差评价指标分别下降了2.08～10.81%、0.90～2.86%、4.76～18.18%;相较于CEEMDAN-Bi LSTM分解模型误差评价指标分别下降了0.70～6.38%、0.90～2.78%、0.00～10.00%。以选取的不同用地性质的站点作为预测对象构建短时客流预测方案,组合模型对预测对象整体的预测精度评价指标范围为RMSE[7.0%,16.8%]、MAE[3.3%,13.0%]与MSE[0.5%,2.8%],均高于其他模型的预测精度;从不同用地性质站点短时客流预测结果评价指标平均值的区间对比来看,组合模型的评价指标平均值范围为RMSE[8.5%,15.9%]、MSE[0.8%,2.5%]与MAE[4.4%,11.8%],低于其他模型的评价指标平均值范围。研究表明:从模型的预测精度来看,组合模型相较于LSTM、GRU与Bi LSTM等模型来说预测精度相对较高,证明组合模型具有良好的有效性;从模型的预测性能适用性来看,组合模型相较于Bi LSTM与PSO-Bi LSTM模型等模型,对于不同用地性质站点的预测结果评价指标平均值范围相对较低,证明了组合模型具有更好的普遍适用性。