CEEMDAN-PSO组合...的公交站点短时客流预测方法_姚志刚.pdf

文章编号：1673-0291（2023）01-0074-07DOI：10.11860/j.issn.1673-0291.20220045第 47 卷 第 1 期2023 年 2 月Vol.47 No.1Feb.2023北京交通大学学报JOURNAL OF BEIJING JIAOTONG UNIVERSITYCEEMDAN-PSO 组合优化 BiLSTM 的公交站点短时客流预测方法姚志刚a，b，卢致远 a，李聪聪 a，王元庆a，b，c（长安大学 a.运输工程学院，b.交通规划与设计研究所，c.生态安全屏障区交通网设施管控及循环修复技术交通运输行业重点实验室，西安 710061）摘要：客流观测数据的非平稳性和选择学习参数的主观性，是影响双向长短时记忆神经网络（Bi-directional Long Short-Term Memory，BiLSTM）预测公交站点短时客流精度的重要因素.通过自适应噪声完备集合经验模态分解（Complete Ensemble Empirical Mode Decomposition With Adaptive Noise，CEEMDAN）提升客流观测数据的平稳性，用粒子群算法（Particle Swarm Optimization，PSO）优化 BiLSTM 隐藏层神经元个数、学习率与训练次数；基于 Theano和 Tensorflow深度学习库Keras，构建了公交站点短时客流预测组合模型 CEEMDAN-PSO-BiLSTM，用均方根误差与平均绝对误差进行预测精度检验，并在浙江省海宁市 2个公交站点进行了应用.研究结果表明：客流预测精度由高到低依次为 CEEMDAN-PSO-BiLSTM、CEEMDAN-BiLSTM、PSO-BiLSTM、BiLSTM和 LSTM，2 个站点 CEEMDAN-PSO-BiLSTM 比 BiLSTM 预测结果的均方根误差分别下降了53.76%和 48.36%、平均绝对误差分别下降了 45.71%和 40.22%，提升数据平稳性与优化学习参数组合改进BiLSTM的CEEMDAN-PSO-BiLSTM模型，能显著提高公交站点短时客流预测精度.关键词：公共交通；短时客流预测；BiLSTM；公交站点；CEEMDAN；PSO中图分类号：U491.1 文献标志码：AImproved CEEMDAN-PSO-BiLSTM model for short-term passenger flow prediction at bus stopsYAO Zhiganga,b,LU Zhiyuana,LI Congconga,WANG Yuanqinga,b,c（a.College of Transportation Engineering,b.Transportation Planning and Design Institute,c.Key Laboratory of Transport Industry of Management,Control and Cycle Repair Technology for Traffic Network Facilities in Ecological Security Barrier Area,Chang an University,Xi an 710061,China）Abstract:The volatility of passenger flow observation data and the subjectivity of selecting learning parameters are important factors affecting the accuracy of Bi-directional Long Short-Term Memory(BiLSTM)for predicting short-term passenger flow at bus stops.The Complete Ensemble Empirical Mode Decomposition with Adaptive Noise(CEEMDAN)is employed to reduce the fluctuation of short-term passenger flow observation data.The Particle Swarm Optimization(PSO)is used to optimize the number of hidden 收稿日期：2022-03-30；修回日期：2022-10-09基金项目：国家自然科学基金（51878062）Foundation item:National Natural Science Foundation of China（51878062）第一作者：姚志刚（1974），男，陕西澄城人，教授，博士.研究方向为公共交通规划.email：.引用格式：姚志刚，卢致远，李聪聪，等.CEEMDAN-PSO 组合优化 BiLSTM 的公交站点短时客流预测方法 J.北京交通大学学报，2023，47（1）：74-80.YAO Zhigang，LU Zhiyuan，LI Congcong，et al.Improved CEEMDAN-PSO-BiLSTM model for short-term passenger flow prediction at bus stops J.Journal of Beijing Jiaotong University，2023，47（1）：74-80.（in Chinese）姚志刚等：CEEMDAN-PSO组合优化 BiLSTM 的公交站点短时客流预测方法第 1 期layer neurons,learning rate and number of iterations of BiLSTM.A combined deep learning model,CEEMDAN-PSO-BiLSTM,is constructed to predict short-term passenger flow at bus stops with the Keras,which is a deep learning library for Theano and TensorFlow.The prediction accuracy is tested with Root Mean Square Error(RMSE)and Mean Absolute Error(MAE),and applied to two bus stops in Haining,Zhejiang Province.The results show that the prediction accuracy order from high to low is CEEMDAN-PSO-BiLSTM,CEEMDAN-BiLSTM,PSO-BiLSTM,BiLSTM and LSTM.When compared with BiLSTM,the RMSEs of CEEMDAN-PSO-BiLSTM at two bus stops decrease by 53.76%and 48.36%,respectively,and the MAEs decrease by 45.71%and 40.22%,respectively.The results indicate that the accuracy of short-time passenger flow prediction at bus stops can be improved greatly when improving CEEMDAN-PSO-BiLSTM model with more stable input data and reliable learning parameters for BiLSTM.Keywords:public transport；short-term passenger flow prediction；BiLSTM；bus stop；CEEMDAN；PSO公交站点短时客流预测是乘客出行信息服务的基础和运力优化的重要依据.但是，由于公交站点客流波动大、随机性强，准确预测公交站点短时客流难度大.传统上，以自回归积分移动平均为代表的参数模型1用历史数据标定参数时，依赖先验认知存在主观性，随着数据非线性或不稳定特征增加而使预测精度下降2；Liu 等3发现虽然支持向量机、卡尔曼滤波等非参数模型已较好地用于客流预测，神经网络模型更能使短时客流预测精度明显提升.Hao 等4认为神经网络模型处理海量数据时，存在训练时间长等不足，而改进后的长短时记忆神经网络（Long Short-Term Memory，LSTM）实现了更准确的短时客流预测5.而且，Ma 等6发现 BiLSTM的正、反双向学习时序数据特征，使其在道路交通流与轨道交通客流预测方面表现出色.Ma等7认为双向长短时记忆神经网络（Bi-directional Long Short-Term Memory，BiLSTM）与 LSTM 类似，需根据经验选取训练次数、学习率及隐藏层神经元个数等，使模型训练耗时长、容易过拟合且降低了预测精度.不过，遗传算法优化 BiLSTM 训练参数可有效降低其预测误差，而用 PSO 寻找参数最优解可使 BiLSTM 预测效果更佳8-9.针对短时客流的非平稳性特征，赵阳阳等10将数据进行分解后输入模型，能提高预测精度.经验模 态 分 解 法（Empirical Mode Decomposition，EMD）弱化了样本数据噪声的干扰，能提高输入数据的稳定性和神经网络模型的拟合精度11.但由于EMD容易出现模态混叠而产生分解偏差，集合经验模 态 分 解（Ensemble Empirical Mode Decomposition，EEMD）能提升神经网络模型短期客流预测精度，Jiang等12用自适应噪声完备集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN）消除了模态混叠与白噪声残留，使客流预测结果更准确.基于此，本文将数据平稳性与参数优化相结合改进 BiLSTM，以提升公交站点短时客流预测精度.先用CEEMDAN对公交站点短时客流观测数据进行平稳化处理，再用粒子群算法优化 BiLSTM 的训练次数、学习率与隐藏层神经元个数，构建新的组合方法CEEEMDAN-PSO-BiLSTM 预测公交站点短时客流，旨在为公交运营与管理提供更加准确的决策依据.1 研究方法非平稳的公交站点短时客流观测数据直接输入预测模型，数据噪声会降低预测准确性13.因此，先用 CEEMDAN 将观测数据分解为n个本征模态分量（Intrinsic Mode Function，IMF）及第n次分解的残 差mn以 弱 化 噪 声 干 扰，然 后 用 PSO 优 化 BiLSTM 学习参数，构建的 CEEMDAN-PSO-BiLSTM组合深度学习客流预测流程如图 1所示.1.1 数据分解与输入用 CEEMDAN 分解客流观测数据时，分(=1，2，I)次向观测数据序列x(t)=(x1，x2，xt，xT)添加标准正态分布的白噪声v(t)，其中T为数据序列长度、xt为时段t客流观测值、I为 噪 声 添 加 次 数，重 构 后 的 观 测 数 据 序 列x(t)为x(t)=x(t)+v(t)（1）对x(t)进行第一次 EMD 分解，得到的分量IMF1及其残差m1(t)为IMF1=1I=1IIMF1（2）75北京交通大学学报第 47 卷m1(t)=x(t)-IMF1（3）对m1(t)添 加v(t)并 进 行 EMD 分 解，得 到IMF2和m2(t)；分 解n-1次 后 向mn-1(t)添 加v(t)