[发明专利]一种基于STL-LSTM的地铁客流预测方法

说明书

本发明涉及一种基于STL‑LSTM的地铁客流预测方法，首先，计算统计周期内的地铁客运量数据；使用STL加法模型对地铁客运量数据进行分解，得到3个分解序列；接着，设定LSTM参数，建立LSTM预测模型。对3个分解序列使用相同参数的LSTM模型进行训练，并进行测试集预测。然后，把3个分解序列的测试集预测结果相加得到地铁数据测试集的预测结果，计算平均相对误差；修改分解周期及时间步长，重复上述过程，平均相对误差基本稳定时停止修改；最后，用测试集平均相对误差最小的模型对得到的3个序列的预测步长后的客运量进行预测，将结果相加，得到最终预测结果。本发明可以提升对地铁客流预测的精度。

技术领域

本发明涉及地铁客流预测领域，特别是一种基于STL-LSTM的地铁客流预测方法。

背景技术

地铁客流是地铁运营管理的重要依据，对地铁未来客流进行准确预测对地铁运营部门调整行车计划有着重要的意义。考虑到地铁客流有明显的周期性、趋势性和随机性，在建立预测模型时应予以体现。

对时间序列进行分解能剔除周期因素的影响，反映时间序列真正的客观规律和趋势。近些年已经有很多研究人员对其展开深入研究。时间序列分解模型根据采取的策略不同，可以分为X11系列、X12系列、SABL、小波分析和EMD等。这些模型可以较好的对时间序列进行分解，对提升预测精度也有一定帮助，但上述模型并不能充分发挥地铁的客流特性。STL分解模型将时间序列分解为周期序列、趋势序列和随机序列，与地铁客流的周期性、趋势性和随机性相对应。

目前已有一些学者对STL分解模型进行研究，也取得了一定的成果，但并没有将模型应用于地铁客流预测领域。STL将客流分解为周期序列、趋势序列和随机序列，但是地铁客流数据的趋势性不是很明显，地铁客流数据的周期性也是以周为主，STL对地铁客流数据的有效性还有待验证。

发明内容

有鉴于此，本发明的目的是提供一种基于STL-LSTM的地铁客流预测方法，可以提升对地铁客流预测的精度。

本发明采用以下方案实现：一种基于STL-LSTM的地铁客流预测方法，包括以下步骤：

步骤S1：从AFC地铁刷卡数据中获取统计周期内的地铁客运量，得到原始时间序列；

步骤S2：确定分解周期，使用STL加法模型对S1的地铁客运量数据进行分解，得到3个分解序列；

步骤S3：设定神经元个数、学习率、误差值计算公式、训练次数、激活函数、抽样数量、输入维度、时间步长、预测步长以建立LSTM预测模型，设置三个分解序列的训练集和测试集的比例均为x:y，所述x，y皆为大于1且小于输入地铁客运量数据个数的整数；分别对S2得到的3个分解序列使用相同参数的LSTM模型输入训练集进行训练，并分别对它们的测试集进行预测；

步骤S4：把3个分解序列的测试集的预测结果相加得到步骤S1地铁数据测试集的预测结果，计算平均相对误差；

步骤S5：参数调整，修改步骤S2中的分解周期及步骤S3中的时间步长，重复步骤S2到步骤S4的过程，当平均相对误差前后相差0.01％时停止修改，用以寻找精度最高的参数组合；

步骤S6：用测试集平均相对误差最小的模型对步骤S2得到的3个序列的预测步长后的客运量进行预测，将结果相加得到最终预测结果。

进一步地，所述步骤S2具体包括以下步骤：

步骤S21：确定分解周期：

分解周期T为大于1的正整数，T∈(2,3,...,N)，N＜l，l为时间序列长度；

步骤S22：使用STL加法模型分解出趋势项T_t：