论文部分内容阅读
客流需求是城市轨道交通运营组织的基础,随着信息采集技术、计算能力等的快速发展,短时客流推演的准确性在成网条件下尤为关键。考虑到客流的时间依赖性、空间关联性与外部因子随机性影响,以LSTM神经网络为基础预测框架,构建融合多特征的“端到端”短时客流预测框架,挖掘客流的时间依赖性特征,通过Embedding层嵌入外部因子稀疏矩阵,再利用全连接层融合时间特征、空间特征和其他因子得到预测结果。以成都地铁火车南站为实例研究对象,经多次实验,与ARIMA模型与LSTM神经网络相比,融合多特征的组合预测模型预测性能最佳,