改进RBF神经网络的轨道交通客流预测
摘要
我国城市轨道交通的客流预测是轨道交通运营管理工作的重中之重，客流预测会给城市轨道交通工作提供便利。使用粒子群算法对RBF神经网络的参数进行优化，进而改进RBF神经网络，以对城市轨道交通客流进行预测。并以成都地铁交通网络作为案例进行预测分析。结果表明，使用优化后的RBF神经网络预测的更加接近实际值。
关键词
轨道交通；客流预测；RBF神经网络；粒子群优化算法
全文:
PDF参考
陆海亭,张宁,黄卫,夏井新.短时交通流预测方法研究进展[J].交通运输工程与信息学报,2009,7(4):84-91.
冯诚,杨静,周浪雅,张红亮.基于GWO-WNN模型的城市轨道交通短时进站客流预测[J].铁道运输与经济,2019,41(8):97-102.
李科君,高瑾瑶,宋建华,等.基于NARNN的城市轨道交通短时进站客流预测[J].武汉理工大学学报(交通科学与工程版),2020,44(1):103-107.
傅晨琳,黄敏,沙志仁.基于EEMD-BP方法的城市轨道交通进站客流短期预测[J].铁道运输与经济,2020,42(3):105-111.
何蔼琳,王豹.基于改进LSTM算法的城市轨道交通OD客流预测方法[J].综合运输,2021,43(4):67-87.
徐熠明.基于灰色改良模型的城市轨道交通客流预测研究[J].软件导刊,2021,20(4):135-140.
王秋雯,陈彦如,刘媛春.基于卷积长短时记忆神经网络的城市轨道交通短时客流预测[J].控制与决策,2021(5):1-10.
Powell,MJD.Radial Basis Functions for Multivariable Interpolation[C].Oxford:Carendon Press,1985.
赵乃刚,邓景顺.粒子群优化算法综述[J].科技创新导报,2015,12(26):216-217.
DOI: https://doi.org/10.33142/sca.v4i4.4301
Refbacks
- 当前没有refback。
版权所有（c）{$ COPYRIGHTYEAR} {$ copyrightHolder}
此作品已接受知识共享署名-非商业性使用 4.0国际许可协议的许可。