基于栈式自编码的上海地铁短时流量预测

计算机工程与科学

基于栈式自编码的上海地铁短时流量预测

徐逸之1,2，彭玲1，林晖1,2，李祥1,2

（1.中国科学院遥感与数字地球研究所,北京100010;2.中国科学院大学,北京100049）

收稿日期:2017-01-06 修回日期:2017-04-25 出版日期:2018-07-25 发布日期:2018-07-25
基金资助:
国家科技支撑计划（2015BAJ02B00）

Short-term passenger flow prediction in Shanghai

subway system based on stacked autoencoder

XU Yizhi1,2，PENG Ling1，LIN Hui1,2，LI Xiang1,2

(1.Institute of Remote Sensing and Digital Earth,Chinese Academy of Sciences,Beijing 100010;

2.University of Chinese Academy of Sciences,Beijing 100049,China)

Received:2017-01-06 Revised:2017-04-25 Online:2018-07-25 Published:2018-07-25

摘要/Abstract

摘要：

城市公共交通网每时每刻都承载巨大的客流量，客流量的增多为公共交通网和交通智能调度带来了巨大的压力。地铁站点短时的客流预测是智能地铁调度系统中重要的决策基础与技术支持。利用历史刷卡数据，提出了一种基于深度学习的地铁短时客流量预测方法，基于栈式自编码器构建深度神经网络模型，采用自下而上逐层非监督预训练，在预训练结束之后，采用反向传播BP算法自上而下来微调整个网络的参数。利用上海一个月范围内的地铁刷卡记录数据进行实验测试，实验结果优于小波神经网络WaveletNN与自回归移动平均模型ARIMA。

关键词: 深度学习, 栈式自编码, 地铁客流量, 短时预测

Abstract:

Urban public traffic networks have been carrying huge passenger flow all the time. And the increase of passenger flow brings great pressure to public traffic networks and traffic intelligent dispatch. Shortterm passenger flow forecasting on subway station provides an important technical support for decisionmaking in the intelligent subway dispatch system. With the historical data of metro cards, we propose a shortterm passenger flow prediction method based on deep learning which is able to extract inherent and deep features from data. So a deep learning network model is built based on stacked autoencoder (SAE) and we pretrain the model in a downtop fashion. After pretraining, we use the BP algorithm to finetune and update the whole network’s parameters in a topdown fashion. Results on the data of metro cards for a month period of Shanghai subway show that the proposed method outperforms the wavelet neural network (waveletNN) and the autoregressive integrated moving average (ARIMA) in terms of prediction performance.

Key words: deep learning, stacked autoencoder, subway passenger flow, shortterm prediction

徐逸之1,2，彭玲1，林晖1,2，李祥1,2. 基于栈式自编码的上海地铁短时流量预测[J]. 计算机工程与科学.

XU Yizhi1,2，PENG Ling1，LIN Hui1,2，LI Xiang1,2.

Short-term passenger flow prediction in Shanghai

subway system based on stacked autoencoder

[J]. Computer Engineering & Science.

[1]	丁建平, 李卫军, 刘雪洋, 陈旭. 命名实体识别研究综述[J]. 计算机工程与科学, 2024, 46(07): 1296-1310.
[2]	胡昭华, 王长富, . 改进Faster R-CNN的遥感图像小目标检测算法[J]. 计算机工程与科学, 2024, 46(06): 1063-1071.
[3]	谭郁松, 王伟, 蹇松雷, 易超雄. 基于异常保持的弱监督学习网络入侵检测模型[J]. 计算机工程与科学, 2024, 46(05): 801-809.
[4]	高珊, 李世杰, 蔡志平. 基于深度学习的中文文本分类综述[J]. 计算机工程与科学, 2024, 46(04): 684-692.
[5]	罗月童, 李超, 周波, 张延孔. 面向工业缺陷分类的交互式易混淆缺陷分离方法研究[J]. 计算机工程与科学, 2024, 46(03): 463-470.
[6]	吕伏, 韩晓天, 冯永安, 项梁. 基于自适应纹理特征融合的纹理图像分类方法[J]. 计算机工程与科学, 2024, 46(03): 488-498.
[7]	吉旭瑞, 魏德健, 张俊忠, 张帅, 曹慧. 中文电子病历信息提取方法研究综述[J]. 计算机工程与科学, 2024, 46(02): 325-337.
[8]	黄泽彪, 董德尊, 齐星云. Gloo+：利用在网计算技术加速分布式深度学习训练[J]. 计算机工程与科学, 2024, 46(01): 28-36.
[9]	邱晓梦, 王琳, 谷文俊, 宋伟, 田浩来, 胡誉. 光流法修正的时序图像语义分割模型[J]. 计算机工程与科学, 2024, 46(01): 102-110.
[10]	崔浩, 万亚平, 钟华, 聂明星, 肖杨. 基于LoRa设备的人体活动识别研究[J]. 计算机工程与科学, 2024, 46(01): 111-121.
[11]	张骞, 陈紫强, 孙宗威, 赖镜安. 融合高分辨率网络的雾天目标检测算法[J]. 计算机工程与科学, 2023, 45(11): 1970-1981.
[12]	刘雨墨, 刘剑飞, 郝禄国, 曾文彬. 基于多尺度特征融合网络的HEVC帧内编码单元快速划分研究[J]. 计算机工程与科学, 2023, 45(11): 1991-1998.
[13]	李卓璇, 周亚同. 改进DBNet的电商图像文字检测算法研究[J]. 计算机工程与科学, 2023, 45(11): 2008-2017.
[14]	马志峰, 张浩, 刘劼. 基于深度学习的短临降水预报综述[J]. 计算机工程与科学, 2023, 45(10): 1731-1753.
[15]	张耐, 张晨亮, 柳永翔, 陈聪, 黄艳婷. 基于模型混合的智能交易行为异常检测[J]. 计算机工程与科学, 2023, 45(09): 1639-1647.