在导师陈德旺教授和江世雄博士的联合指导下,2018级硕士生张建华同学的研究能力得到快速提升。 为了提高在波动较大情况下的客流预测精度,张建华同学成功将LSTM和传统时间序列分解算法STL结合起来,将原始时间序列拆分为周期序列、趋势序列和随机序列,最后将子序列的预测结果重构得到最终预测结果。
![](/__local/0/23/90/397281E5B215C5ABCB949F73286_1B102BE0_5D90.png?e=.png)
实验结果表明,该方法相比单一的LSTM模型、EMD分解和LSTM结合的模型以及SVR预测模型性能都有较大的提升,实现了对地铁时间序列的更高精度和更鲁棒性的预测。
![](/__local/1/65/31/99FEF801798FE6FC89055AEDCB0_892914BB_A3B5.png?e=.png)
论文发表在IEEE Access,论文链接:https://ieeexplore.ieee.org/document/909417。论文引用格式:D. Chen, J. Zhang and S. Jiang, "Forecasting the Short-Term Metro Ridership With Seasonal and Trend Decomposition Using Loess and LSTM Neural Networks," in IEEE Access, vol. 8, pp. 91181-91187, 2020, doi: 10.1109/ACCESS.2020.2995044.
![](/__local/1/75/5C/362AE739B4DAEBEF060BECEF598_3B54CEB4_D179.jpg?e=.jpg)