基于SSA-LSTM组合模型的城市轨道交通短时客流预测

doi:10.3976/j.issn.1002-4026.2023.05.010

山东科学 ›› 2023, Vol. 36 ›› Issue (5): 75-84.doi: 10.3976/j.issn.1002-4026.2023.05.010

基于SSA-LSTM组合模型的城市轨道交通短时客流预测

姜嘉伟¹(), 赵金宝¹^,²^,^*(), 刘文静¹, 徐月娟¹, 李明星¹

1.山东理工大学交通与车辆工程学院,山东淄博 255000
2.东南大学交通学院,江苏南京 210009

收稿日期:2022-12-23 出版日期:2023-10-20 发布日期:2023-10-12
通信作者: 赵金宝 E-mail:jiawei_jiang_0609@163.com;jinbao@sdut.edu.cn
作者简介:姜嘉伟(1999—),男,硕士研究生,主要研究方向为交通运输管理与规划。E-mail:jiawei_jiang_0609@163.com
基金资助:
国家自然科学基金项目(51608313);山东省自然科学基金项目(ZR2021MF109);山东高速集团科技项目(2020-SDHS-GSJT-024)

Short-term prediction of urban railtransit passenger flow based on the Sparrow Search Algorithm-Long Short Term Memory combination model

JIANG Jiawei¹(), ZHAO Jinbao¹^,²^,^*(), LIU Wenjing¹, XU Yuejuan¹, LI Mingxing¹

1. School of Transportation and Vehicle Engineering, Shandong University of Technology, Zibo 255000,China
2. School of Transportation, Southeast University, Nanjing 210009,China

Received:2022-12-23 Online:2023-10-20 Published:2023-10-12
Contact: ZHAO Jinbao E-mail:jiawei_jiang_0609@163.com;jinbao@sdut.edu.cn

摘要/Abstract

摘要：

随着我国经济的快速增长及城市化水平的不断提高,轨道交通在居民出行中发挥着越来越重要的作用。作为影响城市轨道交通运营效益和服务水平的关键因素,客流精准预测受到运营管理者和研究者的日益重视。为提高城市轨道交通客流预测精度,提出了基于麻雀搜索算法(SSA)和长短期记忆网络(LSTM)的SSA-LSTM组合模型。本文以杭州地铁一号线客流量数据为例,在选取轨道交通客流相关影响因素的基础上,利用建立的SSA-LSTM模型对相关站点进行短时客流预测,并与LSTM模型、遗传算法(GA)优化的LSTM模型(GA-LSTM)以及粒子群算法(PSO)优化的LSTM模型(PSO-LSTM)预测结果进行对比分析。结果表明,相比于前述参照模型,SSA-LSTM模型的预测精度分别提升了19.1%、9.7%和2.4%,并在均方根误差指标方面有更优异的表现。SSA-LSTM组合模型在城市轨道交通客流预测中具有一定的应用价值,具有协助运营管理者提高城市轨道交通运营管理效益和提高服务水平的潜力。

关键词: 城市轨道交通, 短时客流预测, 麻雀搜索算法, 长短期记忆网络, 组合模型

Abstract:

With the rapid growth of China's economy and the continuous urbanization, rail transit plays an increasingly important role in residents' travel. As a key factor affecting the operation efficiency and service level of urban rail transit,accurate passenger flow prediction has attracted increasing attention from operation managers and researchers. To improve the prediction accuracy of the urban rail transit passenger flow, this paper combines sparrow search algorithm (SSA) and long short-term memory network (LSTM) and proposed a SSA-LSTM combined model. Based on the passenger flow data obtained from four stations of Hangzhou Metro Line 1 and the selected factors affecting the rail transit passenger flow, we used the proposed SSA-LSTM model to predict the short-term passenger flow of relevant stations. Then, we compared the predicted results with those estimated by the LSTM, GA-LSTM, and PSO-LSTM models. Results show that the prediction accuracy of the proposed model is 16.0%, 8.8%, and 2.3%, higher than the aforementioned models, respectively; furthermore, the proposed method exhibited better performance in terms of the root mean square error. Thus, the proposed model has potential applicationin predicting the urban rail transit passenger flow. Moreover, it can assistoperation managers in improving the operation efficiency and service level of urban rail transit.

Key words: urban rail transit, short term passenger flow prediction, sparrow search algorithm, long short term memory network, combined model

中图分类号:

U231

姜嘉伟, 赵金宝, 刘文静, 徐月娟, 李明星. 基于SSA-LSTM组合模型的城市轨道交通短时客流预测[J]. 山东科学, 2023, 36(5): 75-84.

JIANG Jiawei, ZHAO Jinbao, LIU Wenjing, XU Yuejuan, LI Mingxing. Short-term prediction of urban railtransit passenger flow based on the Sparrow Search Algorithm-Long Short Term Memory combination model[J]. Shandong Science, 2023, 36(5): 75-84.

图/表 10

图1

图2

图3

表1

表2

图4

图5

图6

图7

表3

参考文献 12

[1]	施雪蓉, 王宠惠, 刘东杰, 等. 基于深度神经网络的轨道交通客流预测及可视化[J]. 电子技术与软件工程, 2020(19): 182-185.
[2]	吕秋霞, 钟晓情, 任雅思. 基于Bi-LSTM网络的广珠城际短期客流预测方法[J]. 五邑大学学报(自然科学版), 2022, 36(1): 50-56. DOI: 10.3969/j.issn.1006-7302.2022.01.007.
[3]	赵明伟, 张文胜. 基于IPSO-LSTM组合模型的城市轨道交通短时客流预测[J]. 铁道运输与经济, 2022, 44(2): 123-130. DOI: 10.16668/j.cnki.issn.1003-1421.2022.02.19.
[4]	HALYAL S. Forecasting public transit passenger demand: With neural networks using APC data[J]. Case Studies on Transport Policy, 2022, 10(2): 965-975. DOI: 10.1016/j.cstp.2022.03.011.
[5]	GUO J Y, XIE Z, QIN Y, et al. Short-term abnormal passenger flow prediction based on the fusion of SVR and LSTM[J]. IEEE Access, 2019, 7: 42946-42955. DOI: 10.1109/ACCESS.2019.2907739.
[6]	赵婧宇, 池越, 周亚同. 基于SSA-LSTM模型的短期电力负荷预测[J]. 电工电能新技术, 2022, 41(6): 71-79. DOI: 10.12067/ATEEE2107053.
[7]	吴娟, 何跃齐, 张宁, 等. 基于VMD-GRU的城市轨道交通短时客流预测[J]. 都市快轨交通, 2022, 35(1): 79-86. DOI: 10.3969/j.issn.1672-6073.2022.01.013.
[8]	马超群, 李培坤, 朱才华, 等. 基于不同时间粒度的城市轨道交通短时客流预测[J]. 长安大学学报(自然科学版), 2020, 40(3): 75-83. DOI: 10.19721/j.cnki.1671-8879.2020.03.008.
[9]	何九冉, 四兵锋. EMD-RBF组合模型在城市轨道交通客流预测中的应用[J]. 铁道运输与经济, 2014, 36(10): 87-92. DOI: 10.3969/j.issn.1003-1421.2014.10.017.
[10]	朱才华, 孙晓黎, 李培坤, 等. 融合车站分类和数据降噪的城市轨道交通短时客流预测[J]. 铁道科学与工程学报, 2022, 19(8): 2182-2192. DOI: 10.19713/j.cnki.43-1423/u.t20211018.
[11]	谢鑫鑫. 基于EMD-KNN的城市轨道站点客流预测方法研究[D]. 苏州: 苏州科技大学, 2021.
[12]	张惠臻, 高正凯, 李建强, 等. 基于循环神经网络的城市轨道交通短时客流预测[J]. 吉林大学学报(工学版), 2023, 53(2): 430-438. DOI: 10.13229/j.cnki.jdxbgxb.20210720.

影响因素	相关系数	P值
5 min前客流量	0.929	0
10 min前客流量	0.905	0
15 min前客流量	0.892	0
AQI	0.609	0.001
天气状况	0.338	0.107
是否为节假日	-0.587	0.003

AQI指数	空气状况	量化参数
(0,50]	优	0
(50,100]	良	1
(100,150]	轻度污染	2
(150,200]	中度污染	3
(200,300]	重度污染	4
>300	严重污染	5

站点名称	步长	LSTM		GA-LSTM		PSO-LSTM		SSA-LSTM
站点名称	步长	δ_RMSE	R²	δ_RMSE	R²	δ_RMSE	R²	δ_RMSE	R²
	1	24.391	0.769	13.457	0.929	8.038	0.974	5.750	0.987
湘湖站	3	23.239	0.790	16.986	0.888	10.637	0.956	6.149	0.985
	10	20.834	0.832	14.68	0.916	9.188	0.967	3.291	0.996
	1	34.703	0.771	27.982	0.851	11.598	0.974	9.187	0.983
近江站	3	31.090	0.816	27.982	0.85	11.207	0.976	3.770	0.997
	10	32.898	0.794	22.058	0.907	12.432	0.970	2.498	0.997
	1	31.993	0.806	21.527	0.913	11.867	0.973	9.719	0.982
城站	3	28.950	0.841	25.534	0.876	16.214	0.950	3.874	0.997
	10	27.057	0.862	19.881	0.925	11.866	0.974	9.719	0.982
	1	52.293	0.885	39.235	0.935	28.441	0.966	23.711	0.976
火车东站	3	51.425	0.889	48.458	0.901	35.976	0.945	10.587	0.995
	10	45.744	0.912	40.672	0.931	28.692	0.965	14.498	0.991

[1]	张仪果, 屈云超, 尹浩东, 吴建军. 轨道交通封站条件下应急疏散车辆路径优化[J]. 山东科学, 2023, 36(4): 80-88.
[2]	赵庆亮, 冯晓斌, 吴枫, 王一多. 基于滚动时域控制的轨道交通车站单站限流策略研究[J]. 山东科学, 2023, 36(1): 99-106.
[3]	彭磊, 樊葱, 汪茜, 王晓潮, 柏赟. 地铁线路纵断面优化系统设计与实现[J]. 山东科学, 2022, 35(4): 136-143.
[4]	汪波, 鲍枫, 吴欣然. 基于充分可观控实验方法的城市轨道交通客流随机分配模型优化[J]. 山东科学, 2022, 35(4): 90-97.
[5]	柳雪丽,修春,杨立晨. 基于主客观多维变量的城市轨道网络规模影响[J]. 山东科学, 2022, 35(1): 107-114.
[6]	宁丽巧,谢秉磊,张希,徐文恺. 城市轨道交通换乘站点失效下网络脆弱性分析[J]. 山东科学, 2022, 35(1): 81-87.
[7]	朱士光, 四兵锋, 崔鸿蒙, 薛景文. 基于时空特征提取的城市轨道交通乘客出行目的地预测[J]. 山东科学, 2021, 34(4): 104-113.
[8]	彭磊, 孙元广, 金华 . 城市轨道交通双列位停车线设计[J]. 山东科学, 2021, 34(3): 54-61.
[9]	曹璐, 曹成铉. 基于客流需求的城市轨道交通行车计划与列车时刻表优化[J]. 山东科学, 2020, 33(6): 87-95.
[10]	张树天, 李虎, 李作周, 牛凌, 杨欣, 吴建军. 突发事件下的城市轨道交通列车运行仿真与延误评估[J]. 山东科学, 2020, 33(4): 72-82.
[11]	林禹童, 曹成铉, 柳雨彤, 冯紫嫣. 基于客流需求的列车时刻表和车底调度协同优化[J]. 山东科学, 2020, 33(2): 63-70.
[12]	王兴蓉, 王石生. 客流需求不确定下城市轨道交通线路协同限流鲁棒优化研究[J]. 山东科学, 2019, 32(6): 69-78.
[13]	宋周敏, 刘葛辉, 张晨曦. 车辆段接轨站出入段作业能力与运营组织分析[J]. 山东科学, 2019, 32(6): 79-88.
[14]	高梦琦, 昌锡铭, 王欢. 基于小波分解和长短时记忆网络的地铁进站量短时预测[J]. 山东科学, 2019, 32(4): 56-63.
[15]	陈明钿，郑宣传，高国飞. 行人仿真在城市轨道交通换乘站客运现状评价中的应用[J]. 山东科学, 2018, 31(4): 100-109.

基于SSA-LSTM组合模型的城市轨道交通短时客流预测

Short-term prediction of urban railtransit passenger flow based on the Sparrow Search Algorithm-Long Short Term Memory combination model

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 10

参考文献 12

相关文章 15

Metrics

本文评价

推荐阅读 0