用于地铁客流预测的自适应集成学习方法
人工智能
2020-03-11 v2 信号处理
摘要
准确及时的地铁客流预测对于智能交通系统的成功部署至关重要。然而,由于地铁客流固有的随机性和波动性,提出一种高效且鲁棒的预测方法颇具挑战。在本研究中,我们提出一种新颖的自适应集成(AdaEnsemble)学习方法来准确预测地铁客流总量,它结合了变分模态分解(VMD)、季节性自回归积分滑动平均(SARIMA)、多层感知机网络(MLP)和长短期记忆(LSTM)网络的互补优势。AdaEnsemble 学习方法包含三个重要阶段。第一阶段应用 VMD 将地铁客流数据分解为周期分量、确定性分量和波动分量。然后我们采用 SARIMA 模型预测周期分量,LSTM 网络学习和预测确定性分量,MLP 网络预测波动分量。在最后阶段,由另一个 MLP 网络重构各预测分量。实证结果表明,基于深圳地铁系统的历史客流数据和若干标准评价指标,我们提出的 AdaEnsemble 学习方法不仅相比最先进模型具有最佳的预测性能,而且显得最有前景且最鲁棒。
引用
@article{arxiv.2002.07575,
title = {AdaEnsemble Learning Approach for Metro Passenger Flow Forecasting},
author = {Shaolong Sun and Dongchuan Yang and Ju-e Guo and Shouyang Wang},
journal= {arXiv preprint arXiv:2002.07575},
year = {2020}
}