典型文献
基于注意力机制LSTM的地铁乘客出行行为预测研究
文献摘要：
针对地铁系统缺乏微观粒度出行行为预测模型的问题,提出了一种基于注意力机制LSTM的深度学习预测框架对地铁系统乘客出行行为进行预测.针对乘客地铁出行信息高纬度、多形式的特点,提出了两种特征提取模块分别对时间和空间信息进行特征提取;利用注意力机制与LSTM神经网络的特点,对长出行序列的时序特征进行建模从而预测乘客下一次出行的时空信息.利用广州地铁AFC数据对所提出模型进行验证,结果表明:所提出时间信息特征提取方法可以更加准确的表征时间特征;相较于传统统计学习模型,提出的预测模型对于进、出站站点及进站时间的预测准确率分别达到了74.9％、61.6％、44.8％,相对于现有算法取得了较大提升.
文献关键词：
交通运输工程;地铁系统;出行行为;特征提取;LSTM;注意力机制
中图分类号：
作者姓名：
张鹏飞;翁小雄
作者机构：
华南理工大学 土木与交通学院,广州 广东510641
文献出处：
引用格式：
[1]张鹏飞;翁小雄-.基于注意力机制LSTM的地铁乘客出行行为预测研究)[J].重庆交通大学学报（自然科学版）,2022(05):14-19
A类：
B类：
注意力机制,地铁乘客,乘客出行行为,行为预测,预测研究,地铁系统,客地,地铁出行,高纬度,多形式,取模,空间信息,时序特征,时空信息,广州地铁,AFC,出模,时间信息,信息特征,时间特征,统统,统计学习,进站,预测准确率,交通运输工程
AB值：
0.353466
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
