基于深度學(xué)習(xí)的地鐵短時(shí)客流量預(yù)測(cè)

(華南理工大學(xué)土木與交通學(xué)院， 廣東廣州510641)

0 引言

隨著軌道交通的迅猛發(fā)展，地鐵逐漸成為一種不可缺少的通勤方式。隨著地鐵客流的逐漸增加，地鐵客流量也呈現(xiàn)出一定的時(shí)間特性，平峰時(shí)期與高峰時(shí)期的客流量存在著較大的區(qū)別，并且高峰時(shí)期部分地鐵站人流相對(duì)擁擠。因此，為了滿足不同時(shí)期客流的需求，合理配置地鐵運(yùn)力，以及制定客流高峰情況下的緊急疏散方案等，需要有效、準(zhǔn)確地對(duì)短時(shí)間內(nèi)地鐵客流量的變化進(jìn)行預(yù)測(cè)。

對(duì)于交通流量及客流量等交通數(shù)據(jù)的預(yù)測(cè)，較為常用的方法有兩類，一類是傳統(tǒng)統(tǒng)計(jì)學(xué)方法，另一類是基于計(jì)算機(jī)學(xué)習(xí)的智能計(jì)算方法，如神經(jīng)網(wǎng)絡(luò)等[1]。傳統(tǒng)統(tǒng)計(jì)學(xué)方法在時(shí)序數(shù)據(jù)預(yù)測(cè)中較為常見，如卡爾曼濾波模型[2]、ARIMA模型[3]、SARIMA模型[4]等。這類模型易于操作、相對(duì)簡(jiǎn)單。但是，不同時(shí)段的地鐵進(jìn)站客流量是波動(dòng)變化的，而傳統(tǒng)的統(tǒng)計(jì)學(xué)方法大部分都受到線性假設(shè)的限制。目前應(yīng)用較多的機(jī)器學(xué)習(xí)模型雖然能夠解決上述問(wèn)題，但是在實(shí)際環(huán)境下，這些算法容易出現(xiàn)因?yàn)樽非箢A(yù)測(cè)精度導(dǎo)致訓(xùn)練時(shí)間較長(zhǎng)，或?qū)?shù)據(jù)樣本要求過(guò)高等問(wèn)題[5]，如決策樹模型[6]、支持向量機(jī)模型[7]、以及K最近鄰模型[8-9]等。

隨著近年來(lái)深度學(xué)習(xí)的興起，長(zhǎng)短期記憶網(wǎng)絡(luò)(long short-term memory，LSTM)因?yàn)檩^為適合預(yù)測(cè)時(shí)序數(shù)據(jù)，從而被頻繁的運(yùn)用于交通流量及客流量的預(yù)測(cè)中。其中，DUAN[10]使用了LSTM模型預(yù)測(cè)行程時(shí)間，并比較了不同時(shí)間長(zhǎng)度模型對(duì)預(yù)測(cè)誤差值的影響。LIU[11]通過(guò)LSTM模型實(shí)現(xiàn)了對(duì)地鐵客流的預(yù)測(cè)。李梅[12]則比較了LSTM、多元線性回歸以及BP神經(jīng)網(wǎng)絡(luò)模型對(duì)地鐵客流量預(yù)測(cè)的精度，結(jié)果表明，LSTM模型的準(zhǔn)確性較高，并且實(shí)用價(jià)值更高。然而，LSTM模型在時(shí)序數(shù)據(jù)訓(xùn)練中，容易丟失部分前后時(shí)段記憶關(guān)聯(lián)的信息。

地鐵系統(tǒng)是一個(gè)復(fù)雜的系統(tǒng)，地鐵客流量也受到多種因素的影響，而且與各因素之間的關(guān)系較為復(fù)雜，導(dǎo)致以影響因素為主要考慮對(duì)象的模型出現(xiàn)預(yù)測(cè)效果不好的情況。而時(shí)間序列預(yù)測(cè)方法一方面能夠根據(jù)歷史客流量的變化來(lái)對(duì)短時(shí)客流量進(jìn)行預(yù)測(cè)，另一方面突出了時(shí)間因素在預(yù)測(cè)中的作用，即所有因素的綜合作用體現(xiàn)在了時(shí)間這一因素上，使得時(shí)間序列預(yù)測(cè)方法對(duì)復(fù)雜系統(tǒng)的數(shù)據(jù)的預(yù)測(cè)更加有效。然而傳統(tǒng)的時(shí)間序列預(yù)測(cè)方法受到線性假設(shè)的限制，淺層的神經(jīng)網(wǎng)絡(luò)則存在對(duì)不同時(shí)段的輸入信息無(wú)記憶關(guān)聯(lián)作用或者對(duì)樣本數(shù)據(jù)要求較高等問(wèn)題。

為了解決以上問(wèn)題，本文選用能夠充分考慮序列的非線性問(wèn)題及可能存在不確定性問(wèn)題[13]的雙向長(zhǎng)短期記憶網(wǎng)絡(luò)(bi-directional long short-term memory，Bi-LSTM)進(jìn)行預(yù)測(cè)。通過(guò)分析地鐵客流量概況，發(fā)現(xiàn)不同星期的客流量具有不同的發(fā)展模式。根據(jù)不同星期的客流量，在深度學(xué)習(xí)的理論框架下，建立了基于Bi-LSTM的地鐵短時(shí)客流預(yù)測(cè)模型，更加準(zhǔn)確地預(yù)測(cè)不同日期的地鐵客流量。

1 地鐵客流量概況

地鐵出行目的主要以上班通勤和社交活動(dòng)為主，其進(jìn)站客流量具有一定的時(shí)間特性。以2017年5月廣州市體育西路站的進(jìn)站客流量為例進(jìn)行分析，其中2017年5月份包含勞動(dòng)節(jié)假期和端午節(jié)假期，對(duì)客流量分析存在一定的代表性。將5月份的進(jìn)站客流量按時(shí)間作圖，可以較為明顯的發(fā)現(xiàn)不同日期客流量可以分為三類，如圖1所示?？梢园l(fā)現(xiàn)，5月份地鐵進(jìn)站客流量大致走向相似，在早高峰期間基本可分為兩類，但是晚高峰期間較為雜亂。同時(shí)由圖1可知，地鐵客流的發(fā)展模式存在一定的差別，而時(shí)間序列預(yù)測(cè)方法對(duì)于短期內(nèi)客流發(fā)展模式變化較大的預(yù)測(cè)存在一定的誤差，因此，需根據(jù)客流特征將不同日期的客流進(jìn)行分類。

由于節(jié)假日及周末對(duì)上班通勤及社交活動(dòng)客流在時(shí)間特性上相似，節(jié)假日的前一工作日與周五在時(shí)間特性上類似，因此將節(jié)假日和節(jié)假日前一工作日分別與周末和周五歸為同一類。結(jié)合圖1中的客流量變化情況，可以將其按照星期分為三類，周一至周四、周五以及周末。將5月份的客流量根據(jù)星期進(jìn)行分類后可以發(fā)現(xiàn)，周一至周四的進(jìn)站客流量重合度較高。相比于其他工作日，周五存在兩個(gè)晚高峰，周末的地鐵客流則主要是不存在早高峰階段。根據(jù)星期分類后，可以較為明顯的看到不同日期的客流量差異，且分類后客流量曲線重合度較高。

(a) 5月份總客流量序列

(b) 五月份中周一～周四客流量序列

(c) 5月份中周五客流量序列

(d) 5月份中周末客流量序列

圖1 5月份客流量時(shí)間序列
Fig.1 Passenger time series of May

因?yàn)楣ぷ魅掌陂g，上班通勤客流為主要客流；休息日期間，非通勤客流為主要客流。對(duì)于上班通勤的客流而言，周一至周四的時(shí)間特性類似，均為正常工作上班；周五由于接近休息日，部分乘客在下班后選擇其他社交活動(dòng)，從而地鐵客流出現(xiàn)第二個(gè)晚高峰；周末通勤客流減少，非通勤客流增加，所以與工作日期間的進(jìn)站高峰期在流量及出現(xiàn)時(shí)間上存在一定的不同。

2 模型

2.1 循環(huán)神經(jīng)網(wǎng)絡(luò)

深度學(xué)習(xí)中有兩種模型較為常用：前饋神經(jīng)網(wǎng)絡(luò)(feedforward neural network，F(xiàn)NN)和循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network，RNN)。與普遍使用的FNN相比，RNN對(duì)前面時(shí)段的輸入信息具有記憶功能，并可以對(duì)輸出結(jié)果產(chǎn)生影響，即RNN模型中，不同時(shí)段的輸入數(shù)據(jù)是可以產(chǎn)生相互影響的，因此RNN對(duì)于時(shí)序數(shù)據(jù)的處理非常有效。RNN的網(wǎng)絡(luò)結(jié)構(gòu)及其展開圖如圖2所示。其中xi為第i時(shí)刻的輸入數(shù)據(jù)，yi為第i時(shí)刻的輸出數(shù)據(jù)，hi為第i時(shí)刻的記憶數(shù)據(jù)。由于hi與i-1時(shí)刻的記憶值hi-1相關(guān)，從而對(duì)之前的信息有記憶功能。

圖2 RNN網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 RNN network structure

2.2 長(zhǎng)短期記憶網(wǎng)絡(luò)

雖然RNN對(duì)之前的信息有記憶功能，但是模型在訓(xùn)練時(shí)存在梯度消失的情況，從而出現(xiàn)長(zhǎng)期依賴問(wèn)題，即在時(shí)間間隔不斷增大時(shí)，RNN對(duì)較遠(yuǎn)的信息無(wú)法連接。因此，長(zhǎng)短期記憶網(wǎng)絡(luò)被提出。作為RNN的變種，LSTM解決了RNN的長(zhǎng)期依賴問(wèn)題[14]。LSTM與RNN具有相似的結(jié)構(gòu)，區(qū)別在于，LSTM的隱含層中含有輸入門、輸出門、遺忘門以及細(xì)胞狀態(tài)ct，細(xì)胞狀態(tài)直接在整個(gè)鏈上運(yùn)行，使得信息更加容易保持不變的流傳下去，從而使得LSTM能夠記憶較長(zhǎng)時(shí)間的信息，其網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3 LSTM網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 LSTM network structure

① 遺忘門

遺忘門主要是對(duì)之前信息的選擇性遺忘，選擇遺忘或保留部分序列狀態(tài)信息。即將上一個(gè)序列的yt-1和當(dāng)前序列的xt作為輸入，通過(guò)sigmoid激活函數(shù)，決定上一層的細(xì)胞狀態(tài)ct-1需要遺忘以及需要保留的信息，如圖4所示，函數(shù)表達(dá)式為：

ft=σ(Wf·[yt-1,xt]+bf)。

(1)

圖4 遺忘門結(jié)構(gòu)Fig.4 Structure of forget gate

② 輸入門

輸入門的信息包括上一個(gè)序列的細(xì)胞狀態(tài)、當(dāng)前序列輸入信息以及上一個(gè)序列的輸出信息，通過(guò)這些信息更新新的細(xì)胞狀態(tài)。新的細(xì)胞狀態(tài)更新主要包含兩個(gè)部分，一個(gè)是根據(jù)遺忘門決定上一個(gè)序列的細(xì)胞狀態(tài)ct-1要保留及遺忘的信息，另一個(gè)是將當(dāng)前序列的信息加入到細(xì)胞狀態(tài)中去，即，使用tanh函數(shù)產(chǎn)生一個(gè)新的向量，如圖5(a)所示。然后將兩個(gè)部分相加組成當(dāng)前序列下的細(xì)胞狀態(tài)ct，如圖5(b)所示。函數(shù)表達(dá)式為：

it=σ(Wi·[yt-1,xt]+bi)，

(2)

(3)

(4)

(a) 當(dāng)前序列信息處理

(b) 細(xì)胞狀態(tài)Ct更新

圖5 輸入門結(jié)構(gòu)
Fig.5 Structure of input gate

圖6 輸出門結(jié)構(gòu)Fig.6 Structure of output gate

③ 輸出門

輸出門通過(guò)輸入信息、上一序列輸出信息以及細(xì)胞狀態(tài)來(lái)輸出當(dāng)前序列信息。輸出門基于當(dāng)前序列的細(xì)胞狀態(tài)ct來(lái)決定輸出結(jié)果，通過(guò)tanh函數(shù)對(duì)細(xì)胞狀態(tài)ct進(jìn)行處理，并且根據(jù)sigmoid函數(shù)選擇輸出的內(nèi)容，如圖6所示，函數(shù)表達(dá)式為：

ot=σ(Wo·[yt-1,xt]+bo)，

(5)

yt=ot·tanh(ct)。

(6)

2.3 雙向長(zhǎng)短期記憶網(wǎng)絡(luò)

部分時(shí)段的數(shù)據(jù)預(yù)測(cè)不僅受到前面時(shí)段的影響，后面時(shí)段的變化也同樣能夠影響當(dāng)前時(shí)段的數(shù)據(jù)，同時(shí)通過(guò)前面時(shí)段和后面時(shí)段數(shù)據(jù)一同訓(xùn)練預(yù)測(cè)，會(huì)使預(yù)測(cè)結(jié)果更加準(zhǔn)確，因此，出現(xiàn)了雙向長(zhǎng)短期記憶網(wǎng)絡(luò)，結(jié)構(gòu)圖如圖7所示，輸出層由前向?qū)雍秃笙驅(qū)庸餐瑳Q定，函數(shù)表達(dá)式為，

ht=f(w1xt+w2ht-1)，

(7)

(8)

(9)

圖7 雙向網(wǎng)絡(luò)結(jié)構(gòu)Fig.7 Bi-directional network structure

3 地鐵客流量預(yù)測(cè)模型框架

3.1 地鐵客流量時(shí)間序列

城市地鐵的運(yùn)營(yíng)模式通常為白天運(yùn)行，夜間維護(hù)。因而，在夜間進(jìn)站客流量都將為0，通常的做法是根據(jù)固定線路的首末班車時(shí)間，確定運(yùn)行時(shí)間區(qū)間，設(shè)置半小時(shí)為時(shí)間間距，分別統(tǒng)計(jì)不同時(shí)間段進(jìn)站客流量，如式(10)所示，i為樣本日期的時(shí)間序列編號(hào)，m為樣本數(shù)據(jù)的天數(shù)，n為每天的時(shí)間間距數(shù)，i∈[1,m]。

Xi=(xi,1,xi,2,…,xi,n)。

(10)

提取不同日期的客流量時(shí)間序列后，根據(jù)周一至周四、周五及周末來(lái)分類，分別得到數(shù)據(jù)庫(kù)集Z1、Z2、Z3，以數(shù)據(jù)庫(kù)中無(wú)節(jié)假日且從周一開始為例，如式(11)～式(13)所示。

Z1=(X1,…,X4,X8,…)，

(11)

Z2=(X5,X12,X19,…)，

(12)

Z3=(X6,X7,X13,X14,…)。

(13)

3.2 數(shù)據(jù)標(biāo)準(zhǔn)化處理

(14)

3.3 預(yù)測(cè)結(jié)果評(píng)估指標(biāo)

(15)

為了對(duì)模型的預(yù)測(cè)結(jié)果進(jìn)行評(píng)估，本文將均方根誤差(RMSE)以及平均絕對(duì)百分比誤差(MAPE)作為評(píng)價(jià)指標(biāo)，如式(16)、式(17)所示。

(16)

(17)

4 案例分析

本文以2017年5月廣州市體育西路站的進(jìn)站客流量為例，以早上6：00作為起始時(shí)間，24：00作為結(jié)束時(shí)間，時(shí)間間隔為30 min，分別提取不同時(shí)間段的刷卡進(jìn)站人數(shù)。

4.1 客流量的時(shí)序序列處理

2017年5月1日和5月30日均為節(jié)假日，分別為勞動(dòng)節(jié)和端午節(jié)。由于放假調(diào)休，5月27日雖然為周六，但仍是工作日。5月1日的客流量序列為歷史數(shù)據(jù)庫(kù)中的第1個(gè)序列，6:00～6:30的客流量為各個(gè)序列的第1個(gè)數(shù)據(jù)，即X1=(x1,1,x1,2,…,x1,36)，以此類推。因此，根據(jù)不同日期的星期數(shù)，可以得到相應(yīng)的數(shù)據(jù)集Z1(周一至周四)、Z2(周五)、Z3(周末)，之后可根據(jù)預(yù)測(cè)日星期數(shù)選擇相應(yīng)的數(shù)據(jù)集進(jìn)行訓(xùn)練。

Z1=(X2,…,X4,X8,…,X11,X15,…,X18,X22,…,X25,X31)，

(18)

Z2=(X5,X12,X19,X27)，

(19)

Z3=(X1,X6,X7,X13,X14,X20,X21,X28,X29,X30)。

(20)

4.2 模型參數(shù)調(diào)整

Bi-LSTM網(wǎng)絡(luò)結(jié)構(gòu)包含部分可調(diào)整參數(shù)，根據(jù)數(shù)據(jù)特點(diǎn)需選擇不同的參數(shù)，其中主要包括時(shí)間長(zhǎng)度、神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中Bi-LSTM層數(shù)等。其他參數(shù)的設(shè)置則相對(duì)較為常規(guī)，如控制信息遺忘的Dropout參數(shù)設(shè)置為0.1，輸入層為1層，輸出層為1層，Batchsize設(shè)置為1，迭代次數(shù)設(shè)置為100，優(yōu)化器為“adam”，訓(xùn)練模型中的評(píng)估指標(biāo)為RMSE。

圖8 參數(shù)調(diào)整結(jié)果Fig.8 Results of parameter adjustment

由第1章地鐵客流概況可知，工作日期間，地鐵進(jìn)站客流量會(huì)出現(xiàn)早高峰，早高峰主要出現(xiàn)在7：30～9：00，峰值出現(xiàn)在8：30左右，而且首班列車在6：00后發(fā)車，數(shù)據(jù)的時(shí)間間距為30 min。因此，為了避免對(duì)早高峰預(yù)測(cè)的遺漏，時(shí)間長(zhǎng)度區(qū)間設(shè)置為[1,4]。另外，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中Bi-LSTM層數(shù)區(qū)間設(shè)置為[1,10]，結(jié)合時(shí)間長(zhǎng)度及Bi-LSTM層數(shù)進(jìn)行訓(xùn)練，以5月份的周一至周四數(shù)據(jù)測(cè)試為例，測(cè)試結(jié)果如圖8所示。

測(cè)試結(jié)果表明，Bi-LSTM模型的時(shí)間長(zhǎng)度參數(shù)越大，模型的效果相對(duì)越好。但是訓(xùn)練效果與不同的Bi-LSTM層數(shù)之間的關(guān)系則相對(duì)較為復(fù)雜，不是簡(jiǎn)單的線性關(guān)系。根據(jù)測(cè)試結(jié)果可以知道，時(shí)間長(zhǎng)度為4，Bi-LSTM層數(shù)為5層時(shí)，訓(xùn)練效果最好。

4.3 預(yù)測(cè)對(duì)比模型

本文基于Bi-LSTM模型對(duì)2017年5月地鐵的客流量數(shù)據(jù)進(jìn)行訓(xùn)練，然后對(duì)2017-06-01～2017-06-04(周四～周日)的地鐵客流量進(jìn)行預(yù)測(cè)，并且與支持向量機(jī)算法(SVM)、決策樹模型(TREE)以及長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)進(jìn)行預(yù)測(cè)效果對(duì)比分析。其中四種算法使用的訓(xùn)練數(shù)據(jù)一致，即均為根據(jù)星期分類后的數(shù)據(jù)，且LSTM算法參數(shù)與Bi-LSTM算法參數(shù)一致。下面對(duì)另外兩種對(duì)比模型進(jìn)行簡(jiǎn)單介紹和參數(shù)說(shuō)明。

4.3.1 支持向量機(jī)模型

支持向量機(jī)(support vector machine，SVM)方法是經(jīng)典的統(tǒng)計(jì)學(xué)習(xí)理論算法，該算法是建立在統(tǒng)計(jì)學(xué)中的風(fēng)險(xiǎn)最小化和VC維理論基礎(chǔ)上的，能夠較為良好的平衡模型的復(fù)雜程度及其學(xué)習(xí)能力，從而降低出現(xiàn)模型“過(guò)擬合”的概率[16]。SVM主要有分類以及回歸兩種應(yīng)用。本文采用支持向量回歸模型預(yù)測(cè)地鐵客流量，其中模型懲罰因子C設(shè)為1。

4.3.2 決策樹模型

決策樹模型是經(jīng)典的機(jī)器學(xué)習(xí)算法，主要用于數(shù)據(jù)的分類和預(yù)測(cè)。決策樹模型通常是遞歸地選擇最優(yōu)特征，然后分割訓(xùn)練數(shù)據(jù)，不同的子數(shù)據(jù)集之間從而可以得到一個(gè)相對(duì)最好的分類結(jié)果。在決策樹模型中，ID3、C4.5以及CART算法較為常用，但是ID3和C4.5算法的決策樹分支數(shù)量較多，對(duì)噪聲的處理情況不夠理想，非常容易出現(xiàn)“過(guò)擬合”的情況。因此，本文采用CART算法對(duì)地鐵客流量進(jìn)行預(yù)測(cè)。

4.4 預(yù)測(cè)結(jié)果分析與比較

利用四種算法預(yù)測(cè)地鐵客流量，結(jié)果如圖9所示，評(píng)價(jià)指標(biāo)如表1所示。可以看出，各種算法在整體的走勢(shì)預(yù)測(cè)上都基本符合實(shí)際情況。對(duì)6月1日(周四)的預(yù)測(cè)，不同算法預(yù)測(cè)的結(jié)果都相對(duì)較好，基本不存在誤差較大的情況。6月2日(周五)的預(yù)測(cè)情況相對(duì)不夠理想，在21:00左右均有誤差較大的情況出現(xiàn)，其中決策樹模型(TREE)和長(zhǎng)短期記憶網(wǎng)絡(luò)(LSTM)波動(dòng)情況明顯。主要原因可能是訓(xùn)練數(shù)據(jù)相對(duì)較少，5月份中，僅有4 d的數(shù)據(jù)可供訓(xùn)練，導(dǎo)致預(yù)測(cè)結(jié)果不夠理想，與實(shí)際數(shù)據(jù)相差較大。6月4日(周日)23:00的流量由于突變速度較快，客流量直接從4 816人降至了2 070人，導(dǎo)致預(yù)測(cè)效果均不佳。

(a) 6月1日(周四)各算法預(yù)測(cè)結(jié)果比較

(b) 6月2日(周五)各算法預(yù)測(cè)結(jié)果比較

(c) 6月3日(周六)各算法預(yù)測(cè)結(jié)果比較

(d) 6月4日(周日)各算法預(yù)測(cè)結(jié)果比較

圖9 預(yù)測(cè)結(jié)果比較
Fig.9 Comparison of prediction results

從表1可以知道，Bi-LSTM、SVM算法、決策樹模型、LSTM的均方根誤差(RMSE)均大于500，且決策樹模型的RMSE最大，Bi-LSTM的RMSE最小。四種算法的日平均絕對(duì)百分比誤差(MAPE)為9.00 %、16.58 %、13.22 %、11.56 %，誤差均小于20 %。與決策樹模型和SVM算法相比，深度學(xué)習(xí)算法的整體預(yù)測(cè)效果相對(duì)較好，預(yù)測(cè)精度較高，且Bi-LSTM在各項(xiàng)評(píng)估數(shù)據(jù)中均優(yōu)于LSTM算法，日均方根誤差相比LSTM降低了9.91 %，平均絕對(duì)誤差百分比降低了22.15 %。同時(shí)，從表中可以看出，對(duì)6月1日～6月4日的預(yù)測(cè)，Bi-LSTM的RMSE和MAPE均小于其他算法，預(yù)測(cè)效果最好。

綜上所述，在6月1日～6月4日(周四～周日)的預(yù)測(cè)中，深度學(xué)習(xí)網(wǎng)絡(luò)總體預(yù)測(cè)效果更好，且Bi-LSTM的預(yù)測(cè)精度高于LSTM，平均預(yù)測(cè)精度高于90 %，半小時(shí)客流量的日均方根誤差在500左右，預(yù)測(cè)精度較高，有較好的實(shí)用性。

表1 評(píng)價(jià)指標(biāo)對(duì)比Tab.1 Comparison of evaluation indicators

5 結(jié)語(yǔ)

針對(duì)地鐵短時(shí)客流量難以實(shí)時(shí)準(zhǔn)確預(yù)測(cè)的問(wèn)題，本文建立了基于Bi-LSTM的地鐵短時(shí)客流量的預(yù)測(cè)模型。基于廣州市體育西路地鐵站的進(jìn)站客流量數(shù)據(jù)，進(jìn)行了實(shí)證分析，得到以下主要的結(jié)論：

① 不同日期的地鐵進(jìn)站客流量具有一定的規(guī)律，可以根據(jù)星期主要分為周一至周四、周五及周末三類。其中，根據(jù)節(jié)假日的性質(zhì)，可將節(jié)假日與周末歸為同一類，節(jié)假日前一天與周五歸為同一類。

② 通過(guò)對(duì)2017年5月的廣州體育西路站地鐵進(jìn)站客流量進(jìn)行Bi-LSTM模型預(yù)測(cè)，并且與決策樹模型、支持向量機(jī)算法及LSTM算法進(jìn)行預(yù)測(cè)結(jié)果對(duì)比，結(jié)果表明，Bi-LSTM的平均預(yù)測(cè)精度高于90 %，且優(yōu)于其他算法，對(duì)地鐵進(jìn)站客流量預(yù)測(cè)較為準(zhǔn)確，模型適合用于進(jìn)站客流量的預(yù)測(cè)。