相关实验视频
Updated: Jul 10, 2026
16:14
Trajectory Data Analyses for Pedestrian Space-time Activity Study
Published on: February 25, 2013
城市铁路系统的短期乘客流量预测:使用多源大数据的深度学习方法
Hongmeng Cui1, Bingfeng Si2, Dazhuang Chi3
1School of Systems Science, Beijing Jiaotong University, Beijing, China.
PloS one
|October 6, 2025
概括
精确的地铁乘客流量预测是使用新型深度学习模型实现的. 这种增强的时空长短期记忆 (ST-LSTM) 模型通过整合多源大数据来改善城市铁路运输管理.
科学领域:
- 人工智能的人工智能
- 运输科学 运输科学
- 数据科学数据科学数据科学
背景情况:
- 城市铁路系统的智能和实时管理依赖于准确的短期客流预测.
- 现有的方法可能无法完全捕捉乘客移动的复杂的空间和时间动态.
研究的目的:
- 开发一个增强的空间时间长短期记忆 (ST-LSTM) 模型,用于预测地铁乘客流量.
- 整合多源大数据和深度学习,以提高预测准确度.
主要方法:
- 开发了一个增强的ST-LSTM模型,包含三个模块:时间相关联学习,空间相关联学习和数据融合.
- 利用多个来源的大数据和地理信息来提取时空特征.
- 评估模型的可解释性和性能.
主要成果:
- 增强的ST-LSTM模型有效地捕捉了乘客流中的复杂的时空相关性.
- 该模型在南京和重庆的真实数据集上的基准方法相比,表现明显优越.
结论:
- 拟议的ST-LSTM模型为预测短期地铁客流提供了强大而准确的解决方案.
- 这种方法增强了城市轨道交通系统的智能管理能力.