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
1
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
基于多序列时空特征融合网络的轨道交通高峰客流预测研究
1
作者
赵荷花
孙希忠
+2 位作者
杨春霞
尹星
郭小龙
《铁道运输与经济》
北大核心
2025年第9期115-126,共12页
为研究城市轨道交通高峰期站点客流预测问题,通过提出一种结合季节性趋势分解算法(STL)、图卷积神经网络(GCN)和门控循环单元(GRU)的多序列时空特征融合网络模型(STL-MGCN-GRU模型),充分挖掘进站客流时间序列、站点邻接特征、站点距离...
为研究城市轨道交通高峰期站点客流预测问题,通过提出一种结合季节性趋势分解算法(STL)、图卷积神经网络(GCN)和门控循环单元(GRU)的多序列时空特征融合网络模型(STL-MGCN-GRU模型),充分挖掘进站客流时间序列、站点邻接特征、站点距离特征以及时间标签数据的复杂的时空关联性,实现城市轨道交通高峰期站点客流精准预测。实验结果表明,所提出的STL-MGCN-GRU模型在不同输入和预测步长组合的预测任务中均表现出卓越且稳定的性能,展现出强大的先进性、鲁棒性和适用性。与基线模型相比,该模型在高峰期客流预测和全日客流预测中均取得了最佳预测结果,特别是在高峰期预测任务中,STL-MGCN-GRU模型在所有子任务中始终保持最优性能,且在三步预测子任务的误差指标上领先第二名超过5%。该研究为城市轨道交通运营管理提供了新的客流预测方法,为实现精细化运营管理提供有力支持。
展开更多
关键词
轨道交通
客流预测
STL算法
GCN
GRU
深度学习
在线阅读
下载PDF
职称材料
题名
基于多序列时空特征融合网络的轨道交通高峰客流预测研究
1
作者
赵荷花
孙希忠
杨春霞
尹星
郭小龙
机构
青岛工程职业学院机电工程学院
济南轨道交通集团运营有限公司安全技术部
青岛地铁
运营
有限公司
车辆中心
出处
《铁道运输与经济》
北大核心
2025年第9期115-126,共12页
基金
山东省职业教育教学改革研究项目(2024360)。
文摘
为研究城市轨道交通高峰期站点客流预测问题,通过提出一种结合季节性趋势分解算法(STL)、图卷积神经网络(GCN)和门控循环单元(GRU)的多序列时空特征融合网络模型(STL-MGCN-GRU模型),充分挖掘进站客流时间序列、站点邻接特征、站点距离特征以及时间标签数据的复杂的时空关联性,实现城市轨道交通高峰期站点客流精准预测。实验结果表明,所提出的STL-MGCN-GRU模型在不同输入和预测步长组合的预测任务中均表现出卓越且稳定的性能,展现出强大的先进性、鲁棒性和适用性。与基线模型相比,该模型在高峰期客流预测和全日客流预测中均取得了最佳预测结果,特别是在高峰期预测任务中,STL-MGCN-GRU模型在所有子任务中始终保持最优性能,且在三步预测子任务的误差指标上领先第二名超过5%。该研究为城市轨道交通运营管理提供了新的客流预测方法,为实现精细化运营管理提供有力支持。
关键词
轨道交通
客流预测
STL算法
GCN
GRU
深度学习
Keywords
Rail Transit
Passenger Flow Prediction
STL Algorithm
GCN
GRU
Deep Learning
分类号
U293.13 [交通运输工程—交通运输规划与管理]
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
基于多序列时空特征融合网络的轨道交通高峰客流预测研究
赵荷花
孙希忠
杨春霞
尹星
郭小龙
《铁道运输与经济》
北大核心
2025
0
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
