【成果简介】

消除客流数据随机噪声和确定神经网络超参数是城市轨道交通短时 客流预测组合模型需要解决的关键问题。基于弱化客流数据噪声的自适 应噪声完全集成经验模式分解算法（CEEMDAN）将客流时序数据分解 为若干个频率和复杂度均不同的固有模态函数分量和剩余分量后，利用 引入自适应策略的改进粒子群算法（IPSO）动态求解长短期记忆神经网 络（LSTM）超参数的最优值，以 Deep Learning Toolbox 为基本框架构建 CEEMDAN-IPSO-LSTM 组合模型预测城市轨道交通短时客流量。

【技术指标】

基于 CEEMDAN-IPSO-LSTM 的城市轨道交通短时客流预测方法， 降低了客流数据噪声，并通过 IPSO 算法科学确定了 LSTM 中一组超参 数的最优值，有效解决了PSO 算法的局部优化和收敛精度低等问题，提 高 了 客 流 预 测 模 型 的 精 度 。 以 广 州 地 铁 杨 箕 站 为 实 例 ， CEEMDAN-IPSO-LSTM 模型将全月全日进（出）站客流的 SD、RMSE、 MAE 和 MAPE 分别降低了 12-40 人次（13-35 人次）、13-44 人次（12-35  人次） 、6-37 人次（ 12-31 人次）和 5.08%-46.89%（6.5%-35.1%），R  和 R2  分 别 提 高 了 0.07%-2.32% 、 （ 0.86%-3.63% ） 和 0.13%-2.19%  （0.67%-1.67%），同时在工作日不同时段和非工作日全日的预测性能均 达到最优效果。

【技术成熟度】

正在搭建磁浮运输系统客流量分析可视化仿真和实验平台，可实时 显示客流分布、强度及未来预测结果，包括线路、断面、车站客流拥挤 程度及安全风险等级；基于大数据平台，提供一种永磁磁浮轨道交通预约车服务系统，支持分时预约和列车推荐功能，提高车辆准点率和正点 率；实现线网优化数据的统计分析等管理目标，辅助与其它交通模式接 驳，促进公交轨道的梁王融合，提升低成本小运量磁浮运输系统的服务 品质。

【应用情况】

掌握短时进（出）站客流变化规律并科学、精确预测客流有利于建 设安全、高效、智能的城市轨道交通系统，对于依据实时动态客流规律 进行调整运营组织管理有着重要的意义。