基于 STL-GRU 组合模型的 Metro 交通流预测研究
机器学习
2025-09-24 v1 人工智能
摘要
在地铁智能交通系统中，准确的换乘乘客流量预测是优化运营方案、提升交通效率的关键环节。为进一步完善地铁内部换乘乘客流量预测理论，为智能运营决策提供更可靠的支持，本文创新性地提出一种将季节性与趋势分解（STL）方法与门控循环单元（GRU）集成的地铁换乘乘客流量预测模型。在实际应用中，该模型首先依据深度学习库 Keras 完成GRU模型的构建与训练，为后续预测奠定基础；随后对原始地铁刷卡数据进行预处理，使用图基深度优先搜索算法识别乘客出行路径，进一步构建换乘乘客流时间序列；随后采用STL时间序列分解算法将构建的换乘乘客流时间序列分解为趋势分量、周期分量和残差分量，并运用3σ原则消除并填充残差分量中的异常值，最后完成换乘乘客流量预测。以某地铁站的换乘乘客流数据为研究样本，验证了该模型的有效性。结果表明，与长短期记忆网络（LSTM）、门控循环单元（GRU）以及结合STL时间序列分解方法与长短期记忆网络（STL-LSTM）的组合模型相比，STL-GRU组合预测模型在工作日（excluding星期五）、星期五和休息日的换乘乘客流预测准确率显著提升，分别将预测结果的平均绝对百分比误差（MAPE）降低了至少2.3个百分点、1.36个百分点和6.42个百分点。
引用
@article{arxiv.2509.18130,
title = {Research on Metro Transportation Flow Prediction Based on the STL-GRU Combined Model},
author = {Zijie Zhou and Huichen Ma},
journal= {arXiv preprint arXiv:2509.18130},
year = {2025}
}