期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
2
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于IPSO-LSTM组合模型的城市轨道交通短时客流预测
被引量：
12
1
作者
赵明伟
张文胜
《铁道运输与经济》
北大核心
2022年第2期123-130,共8页
准确的短时客流预测能够为城市轨道交通的良好运营提供保障,为提高预测的精度,提出将IPSO算法和LSTM模型进行组合,构建城市轨道交通短时客流预测模型。针对PSO算法不能很好地区分全局搜索和局部搜索,易陷入局部极值的问题,引入自适应变...
准确的短时客流预测能够为城市轨道交通的良好运营提供保障,为提高预测的精度,提出将IPSO算法和LSTM模型进行组合,构建城市轨道交通短时客流预测模型。针对PSO算法不能很好地区分全局搜索和局部搜索,易陷入局部极值的问题,引入自适应变化的惯性权重和时间因子,动态调整粒子的移动步长,提高PSO算法全局搜索的能力;借鉴遗传算法中的变异机制,引入自适应变异函数,使PSO算法具有跳出局部范围的能力。利用IPSO算法对LSTM模型的迭代次数、学习率和隐含层的神经元个数进行寻优,构建IPSO-LSTM组合预测模型,对城市轨道交通短时客流进行预测,并与BP,LSTM,PSOLSTM共3种短时客流预测模型进行对比,在针对工作日和非工作日客流的预测中,结果显示IPSO-LSTM模型的预测误差最小,具有较好的预测效果。
展开更多
关键词
城市轨道交通
短时客流预测
改进粒子群算法
长短时记忆神经网络
组合模型
在线阅读
下载PDF
职称材料
基于EMD-PSO-LSTM组合模型的城市轨道交通短时客流预测
被引量：
13
2
作者
赵明伟
张文胜
+1 位作者
王克文
李红
《铁道运输与经济》
北大核心
2022年第7期110-118,共9页
准确的短时客流预测能够为城市轨道交通的良好运营提供保障,针对客流的非线性和强随机性特点以及LSTM神经网络参数较难确定的问题,提出一种基于EMD和PSO优化LSTM神经网络的组合预测模型。首先利用EMD降低数据噪声的干扰,将客流数据分解...
准确的短时客流预测能够为城市轨道交通的良好运营提供保障,针对客流的非线性和强随机性特点以及LSTM神经网络参数较难确定的问题,提出一种基于EMD和PSO优化LSTM神经网络的组合预测模型。首先利用EMD降低数据噪声的干扰,将客流数据分解为多个IMF,然后利用PSO优化LSTM神经网络的学习率、迭代次数和隐含层的神经元个数,并对各IMF进行预测,将各IMF的预测结果加和得到最终的预测结果。以上海陆家嘴站的客流预测为例验证组合模型的有效性,并与LSTM,EMD-LSTM,PSOLSTM 3种短时客流预测模型做比较,结果显示EMD-PSO-LSTM组合模型的预测误差均小于其他3种模型,在针对工作日和非工作日的客流预测中,预测值和真实值的决定系数分别达到0.992和0.963,可以有效提高客流预测模型的预测精度。
展开更多
关键词
城市轨道交通
短时客流预测
EMD
PSO
LSTM神经网络
EMD-PSO-LSTM组合模型
在线阅读
下载PDF
职称材料
题名
基于IPSO-LSTM组合模型的城市轨道交通短时客流预测
被引量：
12
1
作者
赵明伟
张文胜
机构
济南轨道交通集团有限公司第一运营有限公司
石家庄铁道大学
交通
运输学院
出处
《铁道运输与经济》
北大核心
2022年第2期123-130,共8页
基金
中央引导地方科技发展资金项目(206Z0801G)
河北省引进国外智力项目(2020)
石家庄市科学技术研究与发展计划(211130204A)。
文摘
准确的短时客流预测能够为城市轨道交通的良好运营提供保障,为提高预测的精度,提出将IPSO算法和LSTM模型进行组合,构建城市轨道交通短时客流预测模型。针对PSO算法不能很好地区分全局搜索和局部搜索,易陷入局部极值的问题,引入自适应变化的惯性权重和时间因子,动态调整粒子的移动步长,提高PSO算法全局搜索的能力;借鉴遗传算法中的变异机制,引入自适应变异函数,使PSO算法具有跳出局部范围的能力。利用IPSO算法对LSTM模型的迭代次数、学习率和隐含层的神经元个数进行寻优,构建IPSO-LSTM组合预测模型,对城市轨道交通短时客流进行预测,并与BP,LSTM,PSOLSTM共3种短时客流预测模型进行对比,在针对工作日和非工作日客流的预测中,结果显示IPSO-LSTM模型的预测误差最小,具有较好的预测效果。
关键词
城市轨道交通
短时客流预测
改进粒子群算法
长短时记忆神经网络
组合模型
Keywords
Urban Rail Transit
Short-Term Passenger Flow Prediction
Improved Particle Swarm Optimization Algorithm
LSTM Neural Network
Combined Model
分类号
U121 [交通运输工程]
在线阅读
下载PDF
职称材料
题名
基于EMD-PSO-LSTM组合模型的城市轨道交通短时客流预测
被引量：
13
2
作者
赵明伟
张文胜
王克文
李红
机构
济南轨道交通集团有限公司第一运营有限公司
石家庄铁道大学
交通
运输学院
中铁十四局
集团
有限公司
城市发展
有限公司
出处
《铁道运输与经济》
北大核心
2022年第7期110-118,共9页
基金
中央引导地方科技发展资金项目(206Z0801G)
河北省引进国外智力项目(2020)
河北省科技计划重点项目(18390324D)。
文摘
准确的短时客流预测能够为城市轨道交通的良好运营提供保障,针对客流的非线性和强随机性特点以及LSTM神经网络参数较难确定的问题,提出一种基于EMD和PSO优化LSTM神经网络的组合预测模型。首先利用EMD降低数据噪声的干扰,将客流数据分解为多个IMF,然后利用PSO优化LSTM神经网络的学习率、迭代次数和隐含层的神经元个数,并对各IMF进行预测,将各IMF的预测结果加和得到最终的预测结果。以上海陆家嘴站的客流预测为例验证组合模型的有效性,并与LSTM,EMD-LSTM,PSOLSTM 3种短时客流预测模型做比较,结果显示EMD-PSO-LSTM组合模型的预测误差均小于其他3种模型,在针对工作日和非工作日的客流预测中,预测值和真实值的决定系数分别达到0.992和0.963,可以有效提高客流预测模型的预测精度。
关键词
城市轨道交通
短时客流预测
EMD
PSO
LSTM神经网络
EMD-PSO-LSTM组合模型
Keywords
Urban Rail Transit
Short-Term Passenger Flow Prediction
Empirical Mode Decomposition
Particle Swarm Optimization
LSTM Neural Network
EMD-PSO-LSTM Combined Model
分类号
F530.7 [经济管理—产业经济]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于IPSO-LSTM组合模型的城市轨道交通短时客流预测
赵明伟
张文胜
《铁道运输与经济》
北大核心
2022
12
在线阅读
下载PDF
职称材料
2
基于EMD-PSO-LSTM组合模型的城市轨道交通短时客流预测
赵明伟
张文胜
王克文
李红
《铁道运输与经济》
北大核心
2022
13
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
