基于VMD-LSTM混合模...的城际高速铁路时变客流预测_苏焕银.pdf
《基于VMD-LSTM混合模...的城际高速铁路时变客流预测_苏焕银.pdf》由会员分享,可在线阅读,更多相关《基于VMD-LSTM混合模...的城际高速铁路时变客流预测_苏焕银.pdf(11页珍藏版)》请在咨信网上搜索。
1、第 20 卷 第 4 期2023 年 4 月铁道科学与工程学报Journal of Railway Science and EngineeringVolume 20 Number 4April 2023基于VMD-LSTM混合模型的城际高速铁路时变客流预测苏焕银1,彭舒婷1,曾琼芳2,代慧子3(1.五邑大学 轨道交通学院,广东 江门 529020;2.湖南工商大学 旅游管理学院,湖南 长沙 410205;3.广州地铁集团有限公司,广东 广州 510330)摘要:城际高速铁路1周内每天不同出发时段的旅客需求体现出较为稳定的波动规律特征,依据该特征,设计变分模态分解-长短时记忆神经网络(VMD-L
2、STM)混合模型对城际高速铁路的O-D对客流进行预测,获得1周内每天各时段的旅客需求。首先,依据广珠城际高速铁路的历史售票数据分析旅客出行需求的时间分布特征(时变特征),获取非平稳的客流时间序列;然后,采用VMD方法将非平稳的客流时间序列分解为若干个平稳的客流时间子序列,提取客流的波动特征,设计LSTM神经网络模型对分解后的客流时间子序列进行预测。设置不同的模型参数,选取广珠城际高速铁路的6个典型O-D对进行实验分析,结果表明:1)VMD-LSTM混合模型的隐藏神经元个数和迭代次数的有效增加可以降低预测误差,但是当两者增加到一定量时,误差反而会有增大的趋势,对预测效果影响较大。2)相比于单一的
3、LSTM神经网络模型,VMD-LSTM混合模型的预测误差明显降低,说明混合预测模型比单一预测模型具有较高的预测精度。3)VMD-LSTM混合模型获得的各时段预测值与实际值较为接近,分布特征整体一致,说明混合模型能够较好地拟合旅客出行需求的时变特征。4)VMD-LSTM混合模型的MAPE预测误差可控制在10%左右,对于时变特征较为规则的O-D对客流,整体预测效果较好。关键词:城际高速铁路;时变客流;VMD方法;LSTM神经网络;预测精度中图分类号:U293.5 文献标志码:A 开放科学(资源服务)标识码(OSID)文章编号:1672-7029(2023)04-1200-11Forecast of
4、 time-dependent passenger flow of Intercity high-speed railway based on VMD-LSTM mixed modelSU Huanyin1,PENG Shuting1,ZENG Qiongfang2,DAI Huizi3(1.School of Railway Tracks and Transportation,Wuyi University,Jiangmen 529020,China;2.School of Tourism Management,Hunan University of Technology and Busin
5、ess,Changsha 410205,China;3.Guangzhou Metro Group Co.,Ltd.,Guangzhou 510330,China)Abstract:The passenger demands of intercity high-speed railway in different departure times of every day in a week show a relatively stable fluctuation law.According to this characteristic,the mixed model of variationa
6、l 收稿日期:2022-04-07基金项目:五邑大学高层次人才科研启动项目(2017RC51);江门市基础与理论科学研究类科技计划项目(2022JC01004);国家自然科学基金资助项目(71901093)通信作者:苏焕银(1990),女,山东嘉祥人,讲师,博士,从事高速铁路运营组织优化研究;Email:DOI:10.19713/ki.43-1423/u.T20220690第 4 期苏焕银,等:基于VMD-LSTM混合模型的城际高速铁路时变客流预测mode decomposition and long short-term memory neural network(VMD-LSTM)was
7、designed to predict the O-D passenger flow of intercity high-speed railway to obtain daily passenger demand at different times in each day of one week.First,based on the historical ticket sales data of Guangzhou-Zhuhai intercity high-speed railway,the time distribution characteristics(time-dependent
8、 characteristics)of passenger travel demand were analyzed and the non-stationary passenger flow time series were obtained.The non-stationary time series of passenger flow were decomposed into several stationary time series by VMD method,and the fluctuation characteristics of passenger flow were extr
9、acted,so is the LSTM neural network model designed to predict the decomposed time series.Six typical O-Ds of Guangzhou-Zhuhai intercity high-speed railway were selected and analyzed in the experiment based on different model parameters.The results show that:(1)increasing the number of hidden neurons
10、 and iteration times of the VMD-LSTM mixed model can reduce the prediction error;however,when both increase to a certain amount,the error increases and has a great influence on the prediction effect.(2)compared with the single LSTM model,the prediction error of VMD-LSTM mixed model is obviously lowe
11、r,which shows that the mixed model has higher prediction precision than the single prediction model.(3)the VMD-LSTM mixed model yields the forecast value of each time period close to the actual value,and the distribution characteristic is consistent.This shows that the mixed model can fit the time-d
12、ependent characteristic of the passenger travel demand well.(4)the MAPE prediction error of the VMD-LSTM mixed model can be controlled around 10%.For the O-D passenger flow with regular time-dependent characteristics,the overall prediction effect is better.Key words:intercity high-speed railway;time
13、-dependent passenger flow;VMD method;LSTM neural network;prediction accuracy 城际高速铁路是指位于人口稠密的都市圈或城市群的高速铁路客运专线,例如,京津城际高铁,沪宁城际铁路和广珠城际等,主要特点是线路距离较短、列车班次公交化运行以及设计速度不低于250 km/h。鉴于城际高速铁路的运输组织模式特征,沿线的旅客出行需求也体现出明显的时间分布特征。依据历史售票数据可知,一天内不同出发时段的旅客需求体现出波动规律特征,在短时期内,这种规律特征具有一定的稳定性。这种分时段的需求可称为时变客流,体现的规律特征可称为时变特征。时
14、变客流已经出现在一些学者的相关问题研究中,通常作为已知数据研究列车开行方案1或者列车时刻表23的优化问题,WEI等45基于列车时刻表采用rooftop模型研究旅客对列车的选择,以此估计不同时段的客流分布。时变客流的准确性可直接影响列车发车时间的分布与旅客出行需求的匹配程度,进而影响运输产品的市场投放效益。因此,有必要结合旅客的出行需求特征,设计城际高速铁路时变客流的预测方法。目前,铁路客流预测模型主要可分为3类:参数预测模型、非参数预测模型和混合预测模型。参数预测模型主要包括指数平滑模型、时间序列模型、回归分析、灰色预测模型和自回归综合移动平均模型(ARIMA)等6。非参数预测模型主要包括支持
15、向量机、随机森林模型和神经网络模型等,其中神经网络模型具有并行分布处理、高度鲁棒性和容错能力和能充分逼近复杂的非线性惯性等优点,应用较为广泛。李洁等7基于LSTM神经网络模型,对高速铁路车站的短期日发送客流预测,结果表明神经网络模型的预测误差相对于参数模型较小,且收敛效率较高。ZHANG等8对铁路车站客流以0.5 h为时间粒度进行短期预测,提出一种基于多层LSTM的预测方法,该方法将多元交通数据和基于Spearman相关的特征选择相结合,具有较高的预测精度。JING 等9利用 BP 神经网络,以小时为粒度预测高速铁路车站的短期客流,采用改进的步长更新方法防止了权值更新过程中误差函数陷入局部最小
16、值和振荡,该模型具有良好1201铁 道 科 学 与 工 程 学 报2023 年 4月的性能。参数预测模型和非参数预测模型均是单一的预测方法,其预测精度受模型的适用性影响较大,而混合预测模型则是通过组合多种方法进行预测,利用多个模型的优势,达到更高的预测精度,近年来运用比较广泛。李和壁等10提出混合模型 MLPs-dynFWA 预测高速铁路车站短期日客流,和EMD-BPN等模型相比,该混合模型具有较高的预测精度。WEN等11提出混合预测模型SRIMA-TrAdaboost,把时间序列分解为线性和非线性时间序列,通过嵌入随机森林模型预测京沪高铁车站的短期日客流。JIANG 等12提出混合模型EEM
17、D-GSVM,利用 EEMD 把时间序列分解为若干固有模式函数,然后使用粒子群校准的 GSVM预测高速铁路O-D对的短期日客流。滕靖等13基于PSO-LSTM 混合预测模型,对上海到南京铁路的O-D对进行短期日客流预测,其中粒子群优化算法能有效地对LSTM模型的超参数进行调优,结果表明该混合模型能有效降低误差。魏堂建等14提取高速铁路日客流量的自回归特征,构建混合模型DLP-WNN对高铁O-D对日客流进行中期预测。史峰等15提出混合模型 VMD-GA-BP,利用 VMD 方法分解出不同的子序列,然后再利用GA和BP模型对子序列分别进行高速铁路O-D对短期日客流预测。ZHAO 等16提出一种新的
18、混合模型 SSAWPDCNNSVR对高速铁路O-D对的日客流进行短期预测,首先利用SSA方法将客流时间序列分解为一个主序列和若干个子序列,然后采用卷积神经网络模型预测主序列,SVR模型预测子序列,实验结果表明该混合方法的预测精度较高。上述铁路客流预测方法多以研究短期日客流为主,对于一天内铁路O-D对旅客需求的出发时段分布特征及预测缺少研究。对于较小时间粒度的客流预测研究一般集中在城市轨道交通中,通常以若干分钟为粒度(如15 min)进行研究,主要原因是地铁列车的发车间隔较小(多为 5 min以内)。XIU 等17提出EEMD-BiGRU混合预测模型,以15 min为时间粒度预测地铁进站短时客流
19、。YANG 等18提出Wave-LSTM混合预测模型,以15 min为粒度预测地铁进站短时客流。而城际高速铁路列车的发车间隔(广珠城际高速铁路列车发车间隔约为25 min)介于地铁列车和普通铁路列车之间,因此可选取时段(如1 h或者若干小时)为粒度研究城际高速铁路旅客的出行需求时变特征,进行时变客流预测。综上所述,本文设计变分模态分解长短时记忆神经网络(VMD-LSTM)混合模型对城际高速铁路的时变客流进行预测。首先,依据广珠城际铁路的历史售票数据对O-D对的旅客出行需求在一天内的时间分布特征进行分析;然后,采用VMD方法对客流时间序列进行变分模态分解,获得若干个子序列。最后,采用LSTM神经
20、网络模型进行时变客流的预测,获得O-D对一天内各个时段的旅客出行需求。1 时变客流依据广珠城际高速铁路的历史售票数据,对城际高速铁路旅客需求的时变特征进行分析。广珠城际高速铁路位于中国粤港澳大湾区,全长143 km,20个车站,设计速度250 km/h,如图1所示。广珠城际高速铁路沿线旅客需求量巨大,旅程时间可控制在1 h内,列车发车频率高,旅客需求体现出明显的时变特征(一天内不同出发时段的需求具有明显的波动,体现出一定的规律特征)。图1广珠城际高速铁路线路图Fig.1Route map of Guangzhou Zhuhai intercity high speed railway1202第
21、 4 期苏焕银,等:基于VMD-LSTM混合模型的城际高速铁路时变客流预测对旅客需求在出发时段和出发星期的维度上进行统计分析,可获得每个OD对在1周内每天的每个小时内的平均需求分布情况。其中,广州南站中山北站、广州南站珠海站、广州南站小榄站和中山北站珠海北站的客流需求分布情况如图2所示。由图2可知,旅客需求随着出发时段的变化体现出以下规律:1)不同O-D对的客流需求体现出来的波动特征具有明显的不同;2)客流需求随着出发时段的变化具有明显高峰与低谷,具有一定的波动规律性;3)1周内每天的客流需求体现的波动特征具有一定的趋势性。上述分析体现出来的有规律的波动特征可称为旅客需求的时变特征,对应的旅客
22、需求可称为时变客流。根据历史售票数据可知,旅客在7点之前和 23点之后的需求量均较小,因此,只研究 7点至23点之间的旅客需求。为了表述方便,将一天的运营时间以小时为间隔划分成时段,例如时间段7:00,7:59称为时段1,时间段8:00,8:59称为时段2,依次类推,一天内的时间划分为16个时段,即时段1至时段16。第n天第m个时段的实际客流量记为xmn,预测客流量记为x?mn,n=1,2,N,m=1,2,16。鉴于旅客日常生活规律和出行需求的时段分布周期规律特征(以1周为周期),对于一个O-D对,采用前14 d(连续2个周期)同时段的客流预测第15 d同时段的客流,即由xm(n-14),xm
23、(n-13),xm(n-1)预测x?mn,如图3所示。2 混合预测模型构建 VMD-LSTM 混合模型进行时变客流预测,首先用VMD方法把非平稳的原客流时间序列分解为平稳的子序列,然后再用LSTM神经网络模(a)广州南珠海;(b)广州南中山北;(c)广州南小榄;(d)中山北珠海北图2客流需求分布Fig.2Passenger flow demand distribution图3客流时间序列预测过程Fig.3Passenger flow time series prediction process chart1203铁 道 科 学 与 工 程 学 报2023 年 4月型进行预测。2.1变分模态分解
24、模型铁路客流时间序列具有非平稳性,采用信号分解的方法对客流时间序列分解能有效分解成平稳时间序列,从而提取铁路客流的波动特征。本文采用目前信号分解领域应用广泛的变分模态分解方法VMD对广珠城际高速铁路客流时间序列进行分解。VMD方法是一种自适应、完全非递归模态变分和信号处理的方法,能够通过迭代搜寻变分模型的最优解。原客流时间序列具有非平稳性,使用VMD方法可以将该序列分解为离散且平稳的子信号模态,即把复杂的信号xmn分解成多个不同频率尺度且相对平稳的子序列xmn,1,xmn,2,xmn,k,即本征模态函数(IMF),其中k为模态分量个数。每一个模态在一个中心频率k周围是紧密的,每个模态都有各自的
25、中心频率和有限带宽,也就是说这个模态包含的频率成分都在k附近,而且k随着分解确定。分解过程如下19:1)对于每一个子序列xmn,k进行 Hilbert 变换得到单侧频谱|(t)+jt*xmn,k(t)(1)式中:(t)表示Dirac分布函数即脉冲函数;*表示卷积运算。2)将已经变换得到的xmn,k乘以指数混合解调中心频率e-jkt,将频谱转移到基带|(t)+jt*xmn,k(t)e-jkt(2)3)每个xmn,k的带宽可以通过解调信号的高斯平滑估计得到,即梯度的L2范数,其中约束变分模型表示为minxmn,k,kk|t|(t)+jt*xmn,k(t)e-jkt|22s.t.kxmn,k=xmn
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 VMD LSTM 混合 城际 高速铁路 客流 预测 苏焕银
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。