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.47No.1Feb.2023北京交通大学学报JOURNALOFBEIJINGJIAOTONGUNIVERSITYCEEMDAN-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-directionalLongShort-TermMemory，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（CompleteEnsembleEmpiricalModeDecompositionWithAdaptiveNoise，CEEMDAN）提升客流观测数据的平稳性，用粒子群算法（ParticleSwarmOptimization，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：AImprovedCEEMDAN-PSO-BiLSTMmodelforshort-termpassengerflowpredictionatbusstopsYAOZhiganga,b,LUZhiyuana,LICongconga,WANGYuanqinga,b,c（a.CollegeofTransportationEngineering,b.TransportationPlanningandDesignInstitute,c.KeyLaboratoryofTrans⁃portIndustryofManagement,ControlandCycleRepairTechnologyforTrafficNetworkFacilitiesinEcologicalSecu⁃rityBarrierArea,Chang’anUniversity,Xi’an710061,China）Abstract:Thevolatilityofpassengerflowobservationdataandthesubjectivityofselectinglearningparam⁃etersareimportantfactorsaffectingtheaccuracyofBi-directionalLongShort-TermMemory(BiLSTM)forpredictingshort-termpassengerflowatbusstops.TheComple...
