IPSO-LSTM模型在軌道交通短時客流預測中的應用與研究

摘要：為了精準預測軌道交通短時客流量，優化路況展示，避免擁堵，并為運營部門提供決策支持，文章基于長短時記憶網絡（LSTM） 改進粒子群算法（PSO） ，構建了IPSO-LSTM預測模型。通過與傳統PSO和LSTM模型的對比分析，結果表明IPSO-LSTM模型在預測精度和性能方面均優于其他模型，滿足軌道交通短時客流預測的需求，具有良好的應用價值。

關鍵詞：軌道交通；短時客流；長短時記憶；IPSO-LSTM

中圖分類號：U293.13" " " " 文獻標識碼：A

文章編號：1009-3044（2025）18-0011-03

開放科學（資源服務） 標識碼（OSID）

0 引言

隨著城市化進程的加快，軌道交通作為高效、準時的公共交通工具，已在中國58個城市開通并不斷擴展新線路[1-2]。軌道交通不僅提高了運輸效率，減少了交通擁堵和環境污染，對城市的可持續發展具有重要意義。

隨著軌道交通線路的不斷增加，智能通信和大數據技術在客流量數據采集和分析中的應用日益廣泛[3-4]。精準的客流預測不僅能向乘客展示實時路況，優化出行安排，避免擁堵，還能為運營部門提供科學的決策支持，如合理安排列車運行數量和調節車次間隔時間，從而提升服務質量[5-6]。

現有的客流預測方法主要包括傳統的統計方法和基于機器學習的模型。統計方法雖然簡單，但在處理復雜的非線性關系時表現有限；而機器學習方法如支持向量機（SVM） 和長短時記憶網絡（LSTM） 在預測精度上具有優勢，但仍存在優化空間。

為了進一步提升軌道交通短時客流預測的準確性，本文在LSTM網絡的基礎上，改進粒子群算法（PSO） ，提出了IPSO-LSTM預測模型。通過優化PSO的慣性權重和學習因子，提高模型的收斂速度和預測精度，旨在滿足軌道交通短時客流預測的實際需求，具有較高的應用價值。

1 理論研究

1.1 LSTM神經網絡

循環神經網絡（Recurrent Neural Network，RNN）是常見的模型[7-8]，分為輸入層、隱含層、輸出層，模型如圖1所示。

輸出結果計算如下：

[st=f（U*xt+W*st-1）]" " " " " " "（1）

[ot=g（V*st）]" " " " （2）

式中，[xt]為輸入單元；[ot]為輸出單元；[st]為隱含單元；[t]為計算次數；[U、V、W]為權重。

對RNN網絡進行改進，提出一種長短時記憶網絡[9-10] （Long Short-Term Memory，LSTM），該模型增加記憶單元，更好地控制與各個門之間的效果。

1.2 粒子群算法

粒子群算法（Particle Swarm Optimization，PSO） 是一種模擬鳥群搜尋食物行為的優化算法[11-12]。PSO通過種群中的粒子在搜索空間移動和更新速度，利用個體最佳位置和全局最佳位置的信息相互協作，逐步逼近最優解。

粒子群算法中粒子的每次迭代，都會使種群趨于最優解，迭代模型如下：

[Vk+1id=ωVkid+c1r1Pkid-Wkid+c2r2Pkgd-Wkgd]" "（3）

[Wk+1id=Wkid+Vk+1id]" " "（4）

式中，[W]為種群，[W=（W1，W2，...，Wn）]；[V]為粒子速度；[P]為極值，[Pg=（Pi1，Pi2，...，PiS）]為個體極值，[Pg=（Pg1，Pg2，...，PgS）]為全局極值；[ω]為慣性權重；[d=1，2，...，S]為迭代次數；[k]為當前迭代次數；[c1、c2]為學習因子；[r1、r2]為0-1的隨機數。

PSO算法流程如圖2所示。

PSO算法步驟如下：

1） 首先初始化粒子群；

2） 得到當前粒子群最優解；

3） 更新每個粒子的當前最優解；

4） 評估每個粒子函數適應值；

5） 通過迭代模型，更新每個粒子的速度和位置；

6） 重復步驟3） 到5） ，直到得到粒子群最優解。

1.3 改進粒子群算法

PSO算法中慣性權重[ω]和學習因子[c1、c2]都是常數，通過模型計算，無法得到粒子群的全局最優解，因此，對常數參數優化，提高種群收斂速度。

對慣性權重[ω]進行優化，對粒子最佳位置進行更新，公式為：

[ωk=Wmax-Wmindkmax （{dk}t≤k≤kmax]" " "（5）

式中，[kmax]為最大迭代次數；[dk]為最大標準差；[Wmax]為最大權重值；[Wmin]為最小權重值。

對學習因子[c1、c2]進行分段動態改進，公式為：

[c1=0.5e（kmax-kkmax），k≤0.5kmax0.5+0.1rand，kgt;0.5kmax]" " " " （6）

[c2=5+0.1rand，k≤0.5kmax0.5e（kkmax），kgt;0.5kmax]" " " "（7）

式中，[k]為當前迭代次數；[rand]為0-1的隨機數。

2 預測模型建立

2.1 數據準備

本研究選取了廣州地鐵某線路2023年7月1日至11月1日的客流數據，用于模型設計與驗證。預測模型的架構如圖3所示。

首先需要對數據進行處理，步驟如下：

1） 提取客戶數據按15min、30min、60min進行統計；

2） 數據歸一化處理。提取的客戶數據中存在數值較大或錯誤數據，使計算結果出現偏差，為提高模型預測的精度，本文引入min-max標準化方法對數據進行轉換，使數據分布在[0-1]內，轉換公式為：

[x=x-min （Xi（t））maxXit-min （Xi（t））]" " " " " （8）

式中，[x]為原始數據；[x]為標準化后的數據；[max]為樣本數據最大值；[min]為樣本數據最小值。

數據轉換完成后，需要進行反歸一化驗證，確保數據準備，驗證公式為：

[x=minXitx?[maxXit-min （Xi（t））]]" （9）

3） 將歸一化處理后的數據進行分類，2023年7月1日到10月10日的數據為訓練集，2023年10月11日到11月1日的數據為測試集，進行模型設計。

2.2 模型構建

本文使用改進PSO算法優化LSTM網絡模型，建立IPSO-LSTM模型預測軌道交通短時客流量，使預測結果更精準，得到全局最優解。IPSO-LSTM預測流程如圖4所示。

IPSO-LSTM預測模型步驟如下：

1） 首先對客流數據進行預處理，然后將數據分為訓練樣本集和測試樣本集；

2） 初始化慣性權重[ω]、學習因子[c1、c2]、隨機數[r1、r2] ，確定粒子的初始最優解；

3） 通過改進PSO算法進行迭代計算，更新每個粒子的速度和位置；最后得到全局最優解；

4） 將全局最優解作為LSTM網絡模型的最優參數，建立IPSO-LSTM的短時客流預測模型；

5） 輸出預測結果，對模型進行驗證評價。

2.3 評價指標

本文選用平均絕對誤差（MeanAbsolute Error， MAE）、平均絕對百分比誤差（MeanAbsolute Percentage Error， MAPE）、均方誤差（Mean Square Error，MSE）、均方根誤差（RootMeanSquare Error， RMSE）四個參數評價IPSO-LSTM模型。

1） MAE計算公式為：

[MAE=1ni=1n|yi-yi|]" nbsp; " " " （10）

式中，[yi]為預測值；[yi]為真實值；[i]為預測個數。

2） MAPE計算公式為：

[MAE=1ni=1n|yi-yiyi|×100%]" " "（11）

3） MSE計算公式為：

[MSE=1ni=1n（yi-yi）2]" " " "（12）

4） RMSE計算公式為：

[RMSE=1ni=1n（yi-yi）2]" " " " "（13）

3 實驗分析

文章選取廣州地鐵某線路2023年7月1日到11月1日的客流數據進行預處理，2023年7月1日到10月10日的客流數據為訓練樣本集，2023年10月11日到11月1日的客流數據為測試樣本集，進行模型對比實驗。

文章分別對SVM模型、LSTM網絡模型和改進IPSO-LSTM模型進行不同時間間隔和不同日期進行預測實驗。

1） 工作日不同時間間隔15min、30min、60min客流量預測實驗結果如表1所示。

由表1可得：IPSO-LSTM預測模型在不同時間間隔的預測結果都優于SVM模型、LSTM網絡模型，說明優化的預測模型具有較好的性能，滿足短時客流預測需求。

2） 不同日期工作日、休息日、節假日客流量預測實驗結果如表2所示。

由表2可得：IPSO-LSTM預測模型在不同日期的預測結果最優，同時，工作日的預測結果優于休息日和節假日，說明工作日客流分布明顯，預測精度更高。

4 結論

本文基于長短時記憶網絡（LSTM） ，通過改進粒子群算法（IPSO） 優化LSTM模型參數，構建了IPSO-LSTM預測模型，用于軌道交通短時客流量的預測。實驗結果表明，IPSO-LSTM模型在不同時間間隔和日期類型下均優于傳統的PSO和LSTM模型，具備更高的預測精度和更快的收斂速度，能夠有效滿足軌道交通短時客流預測的實際需求。

研究的主要貢獻包括：1） 提出了基于改進粒子群算法的LSTM模型，提高了模型的全局搜索能力和預測精度。2） 通過對比實驗驗證了IPSO-LSTM模型在軌道交通客流預測中的優越性，具有較高的應用價值。

但本研究也存在一些局限性：1） 僅在廣州地鐵某線路的數據上進行了驗證，模型的泛化能力尚需在更多線路和城市中進行測試。2） 研究中未考慮外部因素（如天氣、節假日活動等） 對客流量的影響，未來可以將這些因素納入模型中以提升預測準確性。

未來的研究方向可以包括：1） 擴展模型應用范圍，驗證其在不同城市和不同軌道交通線路上的適用性。2） 引入更多影響客流量的外部因素，構建多元化預測模型。3） 探索其他優化算法在LSTM模型中的應用，進一步提升模型性能。

參考文獻：

[1] 張嘯林，熊志華.基于累積前景理論的軌道交通非常態乘客出行方式選擇行為研究[J].都市快軌交通，2024（5）：36-44.

[2] 余偉之，夏三縣，籃杰，等.地鐵車站客流預測方法比較研究[J].智慧軌道交通，2024（4）：98-103.

[3] 朱永霞，劉洋，肖赟.基于時序聚類CEEMDAN-LSTM的軌道短時客流預測[J].安徽科技學院學報，2024（5）：73-83.

[4] 王菊嬌，闕凡博.基于Stacking集成學習的軌道交通短時客流量預測研究[J].西部交通科技，2024（9）：157-159，166.

[5] 張思楠，李樹彬，曹永軍.基于LSTM-Transformer的城市軌道交通短時客流預測[J].物流科技，2024（14）：103-106，114.

[6] 劉學軍，侯月岑，黃溜，等.基于SVR-Copula算法的軌道短時客流區間預測方法研究[J].測繪地理信息，2024（4）：48-51.

[7] 王月，陳健，杜渂.基于長短期記憶網絡的客流預測模型研究[J].電信快報，2019（12）：29-34.

[8] 朱永霞，劉洋，肖赟.基于時序聚類CEEMDAN-LSTM的軌道短時客流預測[J].安徽科技學院學報，2024，38（5）：73-83.

[9] 魏化永，李建華.基于改進LSTM的城市軌道短時流量預測研究[J].太原學院學報（自然科學版），2024（4）：49-55.

[10] 張萍，肖為周，沈錚璽.基于長短期記憶網絡的軌道交通短期OD客流量預測[J].河北工業科技，2021，38（5）：351-356.

[11] 趙明偉，張文勝，王克文，等.基于EMD-PSO-LSTM組合模型的城市軌道交通短時客流預測[J].鐵道運輸與經濟，2022（7）：110-118.

[12] 宋麗梅.基于優化PSO-BP算法的軌道交通短期OD客流預測研究[J].楊凌職業技術學院學報，2024（2）：21-23，59.

【通聯編輯：梁書】