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。
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。
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.
