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。