基于神经网络的地铁短时客流预测服务

摘要 短时客流预测在为人类构建智慧城市，提供风险预警，保证出行安全中扮演着重要的角色.本文在神经网络算法的基础上，结合卡尔曼滤波，提出了一种新型有效的地铁客流短时预测算法.对于要预测的时刻t，算法利用它之前24小时的客流量作为输入特征.由于实验数据存在噪声，本文利用卡尔曼滤波对实验数据进行去躁平滑处理.最后算法利用BP神经网络和LSTM递归神经网络进行建模与预测.我们利用杭州地铁提供的真实购票数据进行大量实验，证明了BP神经网络（基于adam算法和relu激活函数）以及LSTM递归神经网络（基于adam算法和tanh激活函数的）准确度最高，预测的平均绝对误差最小（5%左右）.另外，实验还证明了卡尔曼滤波能够有效减少预测的平均绝对误差.相比于不使用卡尔曼滤波的神经网络，使用卡尔曼滤波后的神经网络算法可以降低相对25%的MAE