摘要

城市轨道交通客流数据具有非线性、非平稳性特征，为减少噪声对客流预测模型的干扰，本文采用STL算法和经验模态分解算法对进站客流序列进行分解，得到平稳性更高、规律性更强的分量，并选用LSTM预测模型，结合麻雀搜索算法进行寻优，构建STLEMD-SSA-LSTM组合预测模型，对分解所得分量进行建模并叠加预测结果，并采用多种指标对模型的预测效果进行对比分析。以杭州市火车东站客流数据为例，分别对SVM、BP、LSTM、SSA-LSTM、STL-SSA-LSTM、STL-EMD-SSA-LSTM模型在15min粒度下的客流量进行预测，结果表明，SSA-LSTM模型比单一的LSTM模型的MAPE降低了0.45%；结合STL分解的STL-SSA-LSTM的MAPE降低2.06%；结合STL-EMD分解的STL-EMD-SSA-LSTM的MAPE降低3.13%。此外，STL-EMD-SSA-LSTM模型在高峰时段的预测精度高于平峰时段。

关键词