基于CNNLSTM组合模型的铁路枢纽站出租车需求量短时预测研究
文档名：基于CNNLSTM组合模型的铁路枢纽站出租车需求量短时预测研究
摘要：考虑铁路枢纽出租车客流需求量短时波动和历史时间序列等影响因素,为提升铁路枢纽站出租车需求量短时预测精度,提出了一维卷积神经网络(CNN)与长短时记忆神经网络(LSTM)的组合预测模型(CNN-LSTM).采用人工计数法,获取铁路枢纽站出租车客流需求的时间序列数据,根据供需量平衡理论,建立理想条件下需求量短时计算模型.以标准化原始数据为CNN的输入,分别通过双层卷积和池化,提取原始数据特征向量输入特征,并以此作为LSTM的训练数据进行短时预测,将预测数据标准化还原后可得到匹配原始数据的预测数据.对比分析SARIMA、LSTM预测模型,构建的CNN-LSTM组合模型RMSE值有所降低,表明构建模型适用于铁路枢纽出租车需求量短时预测.
作者：徐慧智杨冰冰Author：XUHuizhiYANGBingbing
作者单位：东北林业大学交通学院,黑龙江哈尔滨150040
刊名：大连交通大学学报 ISTIC
Journal：JournalofDalianJiaotongUniversity
年，卷(期)：2023, 44(1)
分类号：
关键词：需求量预测卷积神经网络长短时记忆神经网络
机标分类号：TP391U491.1TP183
在线出版日期：2023年3月24日
基金项目：基于CNN-LSTM组合模型的铁路枢纽站出租车需求量短时预测研究[
期刊论文]大连交通大学学报--2023, 44(1)徐慧智杨冰冰考虑铁路枢纽出租车客流需求量短时波动和历史时间序列等影响因素,为提升铁路枢纽站出租车需求量短时预测精度,提出了一维卷积神经网络(CNN)与长短时记忆神经网络(LSTM)的组合预测模型(CNN-LSTM).采用人工计数法,获取铁...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于CNN-LSTM组合模型的铁路枢纽站出租车需求量短时预测研究Research on Short-Term Forecast of Taxi Demand at Railway Hub Station Based on CNN-LSTM Combined Model
基于CNN-LSTM组合模型的铁路枢纽站出租车需求量短时预测研究.pdf
页:
[1]