基于栈式自编码的高速铁路站间客流短期预测研究

doi:10.3969/j.issn.1674-0696.2021.05.05

重庆交通大学学报（自然科学版） ›› 2021, Vol. 40 ›› Issue (05): 26-30.DOI: 10.3969/j.issn.1674-0696.2021.05.05

• 交通+大数据人工智能 • 上一篇下一篇

基于栈式自编码的高速铁路站间客流短期预测研究

刘杰

(重庆工程职业技术学院智能制造与交通学院，重庆 402260)

收稿日期:2019-12-25 修回日期:2020-03-12 出版日期:2021-05-17 发布日期:2021-05-18
作者简介:刘杰 (1986—)，男，重庆垫江人，副教授，硕士，主要从事轨道交通运输组织与安全评估方面的研究。E-mail: 943069788@qq.com
基金资助:
国家自然科学基金项目(61703351)

Short-Term Passenger Flow Prediction between High-Speed Railway Stations Based on Stacked Auto-encoder

LIU Jie

(School of Intelligent Manufacturing and Transportation, Chongqing Vocational Institute of Engineering, Chongqing 402260, China)

Received:2019-12-25 Revised:2020-03-12 Online:2021-05-17 Published:2021-05-18
Supported by:

摘要/Abstract

摘要： 站间短期客流预测是高速铁路运营管理的重要依据。首先在提取原始客流数据特征的基础上得到样本和标签集，然后基于栈式自编码算法预训练神经网络模型参数，最后构建神经网络预测模型。以渝万高铁为例，采用2016年11月到2018年10月数据进行验证，结果表明:提出的模型预测误差为12.08%，与其它4种常用预测模型相比精度分别提高12.12%、1.12%、6.9%和19.12%，模型适用于短期客流预测。

关键词: 交通运输工程, 高速铁路, 客流预测, 特征提取, 栈式自编码, 神经网络

Abstract: Short-term passenger flow forecast between stations is an important basis for high-speed railway operation and management. Firstly, the samples and tag sets were obtained based on the extraction of the characteristics of the original passenger flow data; and then, the parameters of the neural network model were pre-trained based on the stacked auto-encoder algorithm; finally, the neural network prediction model was constructed. Taking Yuwan high-speed railway as an example, the data from November 2016 to October 2018 were used for verification. The results show that the prediction error of the proposed model is 12.08%, which improves the accuracy by 12.12%, 1.12%, 6.9% and 19.12% respectively, compared with the other four commonly used prediction models. The proposed model is suitable for short-term passenger flow prediction.

Key words: traffic and transportation engineering, high-speed railway, passenger flow forecast, feature extraction, stacked auto-encoder, neural network

中图分类号:

U293.13

刘杰. 基于栈式自编码的高速铁路站间客流短期预测研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 26-30.

LIU Jie. Short-Term Passenger Flow Prediction between High-Speed Railway Stations Based on Stacked Auto-encoder[J]. Journal of Chongqing Jiaotong University(Natural Science), 2021, 40(05): 26-30.

参考文献

［1］汪健雄，张军锋，王炜炜，等.一种改进的神经网络预测模型在铁路春运客流预测中的应用［J］. 中南大学学报(自然科学版)，2011,42(1):1020-1025.
WANG Jianxiong,ZHANG Junfeng,WANG Weiwei, et al.An improved neural network and its application in prediction of railway passenger volume during spring festival［J］.Journal of Central South University(Science and Technology)，2011，
42(1):1020-1025.
［2］李晓俊，吕晓艳，刘军，基于径向基神经网络的铁路短期客流预测［J］.铁道运输与经济，2011，33(6):86-89.
LI Xiaojun，LYU Xiaoyan，LIU Jun. Forecast of railway short-term passenger flow based on RBF neural network［J］. Railway Transport and Economy，2011，33(6):86-89.
［3］杨晓，崔艳萍,基于改进重力模型的高速铁路短期客流预测研究［J］.铁道运输与经济，2012，34(9):29-33.
YANG Xiao，CUI Yanping. Research on prediction of short-period passenger flow of high-speed railway based on updated gravity model ［J］.Railway Transport and Economy，2012，34(9):29-33.
［4］ SUN Yaxing, LENG Biao, GUAN Wei. A novel wavelet-SVM short-time passenger flow prediction in Beijing subway system［J］.Neurocomputing,2015,166(1):109-121.
［5］李丽辉,朱建生,徐彦,等.京沪高速铁路客流空间分布预测方法研究［J］.铁道运输与经济，2017，39(6):32-36.
LI Lihui，ZHU Jiansheng，XU Yan，et al. Study on forecast methods of passenger flow spatial distribution for Beijing-Shanghai high-speed railway［J］. Railway Transport and Economy,2017,39(6):32-36.
［6］王贵平. 滇中城市群城际铁路网客流预测［J］.铁道标准设计,2017,61（7）：5-9.
WANG Guiping. Passenger flow forecast of intercity railway network in central Yunnan urban agglomeration［J］ Railway Standard Design,2017，61（7）：5-9.
［7］ LAI Qingying, LIU Jun, LUO Yongji, et al. A hybrid short-term forecasting model of passenger flow on high-speed rail considering the impact of train service frequency［J］. Mathematical Problems in Engineering,2017,1(3):1-9.
［8］ MILO M, LIBOR , VLASTIMIL M,et al. Sarima modelling app-roach for railway passenger flow forecasting［J］Transport, 2018,33(5): 1113-1120.
［9］ LIU Lijuan, CHEN Rungching. A novel passenger flow prediction model using deep learning methods［J］. Transportation Research Part C,2017,84(1): 74-91.
［10］ YAN Jieduan, LYU Yisheng, LIU Yuliang, et al. An efficient realiza-tion of deep learning for traffic data imputation［J］. Transportation Research Part C: Emerging Technologies, 2016, 72:168-181.

[1]	李晶1,2，钟鹏1，吕靖1,2. 基于系统动力学的陆港与城市经济互动研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 1-7.
[2]	李军1，朱云升2. 三角模糊层次分析的综合评价在黄河库区船舶安全评估中的应用[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 16-22.
[3]	邓萍1,2，宋莲1，黄承锋1,2. 三峡坝区过闸船舶拥堵成本测算及对坝区货物总价值影响研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 23-30.
[4]	程谦1 ，朱晓宁2 ，卢万胜3. 中长运距城际旅客出行方式选择行为模型——以高铁、民航为例[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 39-45.
[5]	连齐才1，李涵1，石小林1，闫章存2. 基于面板数据Mixed logit模型的自动驾驶选择行为分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 46-52.
[6]	戚春华，王笑男，朱守林，李航天. 基于驾驶员视觉兴趣区域的交通工程设施信息量阈值研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 53-60.
[7]	李升朝，吴越，白雪萌，王玥，张海. 基于TOPSIS与灰色关联的危货车辆违规报警研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 61-66.
[8]	杨庆芳1,2,3，王立强2，郑黎黎1,2,3，孟凡运2. 一种环形交叉口交通排放及燃油消耗模型研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 67-73.
[9]	白翰，张康宇，王修光，燕翔，冯启龙. 合放交通流条件下城市交叉口通行能力研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 12-20.
[10]	张重阳,黄淑萍. 路网抗震可靠性及震后运输调度路径选择研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 43-51.
[11]	郭文文1，计明军2，祝慧灵3，周文杰2. 集装箱码头场桥调度优化模型研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 66-72.
[12]	李广儒，张新，朱庆辉. 基于Adaboost的改进Elman神经网络港口吞吐量预测方法[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 1-5.
[13]	孙元广1，茧敏2，金华2，陈绍宽2. 城市轨道交通列车故障救援延误计算与仿真[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 6-12.
[14]	王宏刚1,2，白朋1，邹庆茹2，赵玲1. 地铁车辆段股道运用优化模型[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 13-18.
[15]	孙延浩1,2，张琦1,2，任禹谋1,2,3，孙鹏举4. 高速铁路列车调度员应急处置能力评价研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 19-25.

基于栈式自编码的高速铁路站间客流短期预测研究

Short-Term Passenger Flow Prediction between High-Speed Railway Stations Based on Stacked Auto-encoder

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics