[1] |
中国城市轨道交通协会. 城市轨道交通2021年度统计和分析报告. [EB/OL]. [2022-04-22]. https://www.camet.org.cn/tjxx/9944
|
[2] |
李梅, 李静, 魏子健, 等. 基于深度学习长短期记忆网络结构的地铁站短时客流量预测[J]. 城市轨道交通研究, 2018, 21(11): 42-46. DOI: 10.16037/j.1007-869x.2018.11.009.
|
[3] |
LIU Y, LIU Z Y, JIA R. DeepPF: A deep learning based architecture for metro passenger flow prediction[J]. Transportation Research Part C: Emerging Technologies, 2019, 101: 18-34. DOI: 10.1016/j.trc.2019.01.027.
|
[4] |
施俊庆, 李睿, 程明慧, 等. 基于动态时空神经网络模型的地铁客流预测[J]. 交通运输系统工程与信息, 2023, 23(2): 139-147. DOI: 10.16097/j.cnki.1009-6744.2023.02.015.
|
[5] |
赵阳阳, 夏亮, 江欣国. 基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型[J]. 交通运输工程学报, 2020, 20(4): 194-204. DOI: 10.19818/j.cnki.1671-1637.2020.04.016.
|
[6] |
LI Y, WANG X D, SUN S, et al. Forecasting short-term subway passenger flow under special events scenarios using multiscale radial basis function networks[J]. Transportation Research Part C: Emerging Technologies, 2017, 77: 306-328. DOI: 10.1016/j.trc.2017.02.005.
|
[7] |
XUE G, LIU S F, REN L, et al. Forecasting the subway passenger flow under event occurrences with multivariate disturbances[J]. Expert Systems With Applications, 2022, 188: 116057. DOI: 10.1016/j.eswa.2021.116057.
|
[8] |
赵建东, 朱丹, 刘佳欣. 基于时间序列分解与门控循环单元的地铁换乘客流预测[J]. 华南理工大学学报(自然科学版), 2022, 50(5): 22-31. DOI: 10.12141/j.issn.1000-565X.210559.
|
[9] |
惠阳, 王永岗, 彭辉, 等. 基于优化PSO-BP算法的耦合时空特征下地铁客流预测[J]. 交通运输工程学报, 2021, 21(4): 210-222. DOI: 10.19818/j.cnki.1671-1637.2021.04.016.
|
[10] |
LI C, BAI L, LIU W, et al. A multi-task memory network with knowledge adaptation for multimodal demand forecasting[J]. Transportation Research Part C: Emerging Technologies, 2021, 131: 103352. DOI: 10.1016/j.trc.2021.103352.
|
[11] |
李德奎, 杜书波, 张鹏. 基于ARIMA和LSTM的城市轨道交通延时客流预测方法比较[J]. 青岛理工大学学报, 2021, 42(4): 135-142. DOI: 10.3969/j.issn.1673-4602.2021.04.020.
|
[12] |
邵必林, 饶媛, 何欣. 基于SARIMA-SVM组合模型的地铁客流量预测研究[J]. 软件导刊, 2022, 21(11): 24-30. DOI: 10.11907/rjdk.212729.
|
[13] |
韩皓, 徐圣安, 赵蒙. 考虑线网结构的LightGBM轨道交通短时客流预测模型[J]. 铁道运输与经济, 2021, 43(10): 109-117. DOI: 10.16668/j.cnki.issn.1003-1421.2021.10.17.
|
[14] |
ROOS J, GAVIN G, BONNEVAY S. A dynamic Bayesian network approach to forecast short-term urban rail passenger flows with incomplete data[J]. Transportation Research Procedia, 2017, 26: 53-61. DOI: 10.1016/j.trpro.2017.07.008.
|
[15] |
CHEN P F, FU X D, WANG X. A graph convolutional stacked bidirectional unidirectional-LSTM neural network for metro ridership prediction[J]. IEEE Transactions on Intelligent Transportation Systems, 2022, 23(7): 6950-6962. DOI: 10.1109/TITS.2021.3065404.
|
[16] |
沈永发, 郑煜, 刘辉冉, 等. 基于历史数据的轨道交通站内客流预测模型[J]. 武汉理工大学学报(信息与管理工程版), 2022, 44(6): 887-893. DOI: 10.3963/j.issn.2095-3852.2022.06.003.
|
[17] |
王金水, 欧雪雯, 陈俊岩, 等. 基于组合模型的城市轨道站点短时客流分类预测[J]. 铁道科学与工程学报, 2023, 20(6): 2004-2012. DOI: 10.19713/j.cnki.43-1423/u.t20221280.
|
[18] |
张金雷, 陈奕洁, Panchamy Krishnakumari, 等. 基于注意力机制的城市轨道交通网络级多步短时客流时空综合预测模型[J]. 地球信息科学学报, 2023, 25(4): 698-713.
doi: 10.12082/dqxxkx.2023.220817
|