2023年第1期(总第347期)黑龙江交通科技HEILONGJIANGJIAOTONGKEJINo．1，2023(SumNo．347)基于改进LSTM－Prophet算法的客运量预测陆奕，郭唐仪(南京理工大学自动化学院，江苏南京210094)摘要:利用该模型对2019年的铁路月度客运量数据进行预测，并与实际客运量进行对比分析，实验表明，LSTM－Prophet算法模型预测值的MAPE值为1．91%，MAE值为559．07，ＲMSE值为691．82，三个评价指标值都低于SAＲIMA模型、LSTM模型和GM(1，1)模型的评价指标值，所以LSTM－Prophet算法模型更能准确预测客运量数据，为决策提供参考价值。关键词:铁路客运量;时间序列;LSTM－Prophet;预测分析中图分类号:U492文献标识码:A文章编号:1008－3383(2023)01－0128－04PassengerVolumePredictionBasedonImprovedLSTM－ProphetAlgorithmLUYi，GUOTang-yi(SchoolofAautomation，NanjingUniversityofScienceandTechnology，Nanjing，Jiangsu210094，China)Abstract:Themodelisusedtopredictthemonthlyrailwaypassengervolumedatain2019andcomparedwiththeactualpassengervol-ume．TheexperimentshowsthattheMAPEvalueofLSTMprophetalgorithmmodelis1．91%，MAEvalueis559．07andＲMSEvalueis691．82．ThethreeevaluationindexvaluesarelowerthanthoseofSAＲIMAmodel，LSTMmodelandGM(1，1)model，Therefore，LSTMprophetalgorithmmodelcanmoreaccuratelypredictpassengervolumedataandprovidereferencevaluefordecision－making．Keywords:railwaypassengervolume;timeseries;LSTM－Prophet;predictiveanalysis收稿日期:2022－12－17针对我国的铁路路网日益完善，各省各区之间的联系更加紧密，铁路的客运量也随之提升的现状，各专家学者对公路、铁路、航运和水运的客流量内在规律有很多研究，提出多种方法模型以达到预测各客流量的目的。牛坤等通过自回归移动平均模型(AＲIMA)进行短时客流预测并优化票额制度［1］;李万等通过粒子群算法与长短时记忆神经网络的组合预测模型，对铁路客运量数据预测［2］;王素丽等应用灰色Markov链模型预测铁路客运量，并证明其预测精度高于经典灰色模型［3］;袁胜强通过对比分析灰色模型和BP神经网络模型的优劣，最终采用马尔科夫链模型对灰色BP神经网络的组合模型进行优化，并使用优化后的组合模型对甘肃省铁路客运量进行预测［4］;汤银英等经过深入研讨铁路月度客运量的季节性波动，发现铁路月度客运量符合季节波动性，故通过SAＲIMA模型预测铁路...
