论文部分内容阅读
短时客流预测是运输领域一项重要内容。预测结果可以有效支持运输管理,比如列车运行计划、车站客流管理计划等。在本文中,提出了一种包含经验模态分解(EMD)和反向传播神经网络(BPN)的组合短时客流预测EMD-BPN模型。在该模型中存在三个阶段:第一阶段(EMD阶段),将短时客流预测数据分解为一系列固有模态函数(IMF);第二阶段(组成成份识别阶段),识别其中有意义的固有模态函数作为反向传播神经网络的输入变量;第三阶段(BPN阶段),利用BPN模型进行短时客流预测,历史客流数据、经过筛选的EMD变量和经验因素(比如,一周内的不同日期,一天内的不同时间、是星期天或者正常工作日)均为该阶段的输入变量。仿真数据表明本文提出的组合EMD-BPN模型能够精确稳定地预测地铁短时客流。