第20卷第4期2023年4月铁道科学与工程学报JournalofRailwayScienceandEngineeringVolume20Number4April2023基于VMD-LSTM混合模型的城际高速铁路时变客流预测苏焕银1，彭舒婷1，曾琼芳2，代慧子3(1.五邑大学轨道交通学院，广东江门529020；2.湖南工商大学旅游管理学院，湖南长沙410205；3.广州地铁集团有限公司，广东广州510330)摘要：城际高速铁路1周内每天不同出发时段的旅客需求体现出较为稳定的波动规律特征，依据该特征，设计变分模态分解-长短时记忆神经网络(VMD-LSTM)混合模型对城际高速铁路的O-D对客流进行预测，获得1周内每天各时段的旅客需求。首先，依据广珠城际高速铁路的历史售票数据分析旅客出行需求的时间分布特征(时变特征)，获取非平稳的客流时间序列；然后，采用VMD方法将非平稳的客流时间序列分解为若干个平稳的客流时间子序列，提取客流的波动特征，设计LSTM神经网络模型对分解后的客流时间子序列进行预测。设置不同的模型参数，选取广珠城际高速铁路的6个典型O-D对进行实验分析，结果表明：1)VMD-LSTM混合模型的隐藏神经元个数和迭代次数的有效增加可以降低预测误差，但是当两者增加到一定量时，误差反而会有增大的趋势，对预测效果影响较大。2)相比于单一的LSTM神经网络模型，VMD-LSTM混合模型的预测误差明显降低，说明混合预测模型比单一预测模型具有较高的预测精度。3)VMD-LSTM混合模型获得的各时段预测值与实际值较为接近，分布特征整体一致，说明混合模型能够较好地拟合旅客出行需求的时变特征。4)VMD-LSTM混合模型的MAPE预测误差可控制在10%左右，对于时变特征较为规则的O-D对客流，整体预测效果较好。关键词：城际高速铁路；时变客流；VMD方法；LSTM神经网络；预测精度中图分类号：U293.5文献标志码：A开放科学(资源服务)标识码(OSID)文章编号：1672-7029（2023）04-1200-11Forecastoftime-dependentpassengerflowofIntercityhigh-speedrailwaybasedonVMD-LSTMmixedmodelSUHuanyin1,PENGShuting1,ZENGQiongfang2,DAIHuizi3(1.SchoolofRailwayTracksandTransportation,WuyiUniversity,Jiangmen529020,China;2.SchoolofTourismManagement,HunanUniversityofTechnologyandBusiness,Changsha410205,China;3.GuangzhouMetroGroupCo.,Ltd.,Guangzhou510330,China)Abstract:Thepassengerdemandsofintercityhigh-speedrailwayindifferentdeparturetimesofeverydayinaweekshowarelativelystablefluctuationlaw.Accordingtothischa...
