Short-Term Passenger Flow Forecasting for Rail Transit considering Chaos Theory and Improved EMD-PSO-LSTM-Combined Optimization
Notice bibliographique
Résumé
This paper proposes a prediction method based on chaos theory and an improved empirical-modal-decomposition particle-swarm-optimization long short-term-memory (EMD-PSO-LSTM)-combined optimization process for passenger flow data with high nonlinearity and dynamic space-time dependence, using EMD to process the original passenger flow data and generate several eigenmodal functions (IMFs) and residuals with different characteristic scales. Based on the chaos theory, each component of the PSO algorithm was improved by introducing an inertia factor to facilitate the adjustment of its search capability to improve optimization. Each subsequence of the phase-space reconstruction was built into an improved PSO-LSTM prediction model, and the output of each prediction model was summed to determine the final output. Experimental studies were performed using data from the North Railway Station of Chengdu Rail Transit, and the results showed that the proposed model can generate better prediction results. The proposed model obtained root mean square error (RMSE) and mean absolute error (MAE) of 16.0908 and 11.3704, respectively. Compared with the LSTM, the improved PSO-LSTM, the improved EMD-PSO-LSTM, and the model proposed in this paper improved the RMSE values by 25.53%, 29.97%, and 58.76%, respectively, and the MAE values by 30.41%, 40.13%, and 63.08%, respectively, of the prediction results.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».