IPSO-LSTM模型在轨道交通短时客流预测中的应用与研究
摘要：为了精准预测轨道交通短时客流量，优化路况展示，避免拥堵，并为运营部门提供决策支持，文章基于长短时记忆网络（LSTM）改进粒子群算法（PSO），构建了IPSO-LSTM预测模型。通过与传统PSO和LSTM模型的对比分析，结果表明IPSO-LSTM模型在预测精度和性能方面均优于其他模型，满足轨道交通短时客流预测的需求，具有良好的应用价值。
关键词：轨道交通；短时客流；长短时记忆；IPSO-LSTM
中图分类号：U293.13文献标识码：A
文章编号：1009-3044（2025）18-0011-03
开放科学（资源服务）标识码（OSID）
随着城市化进程的加快，轨道交通作为高效、准时的公共交通工具，已在中国58个城市开通并不断扩展新线路[1-2]。轨道交通不仅提高了运输效率，减少了交通拥堵和环境污染，对城市的可持续发展具有重要意义。
随着轨道交通线路的不断增加，智能通信和大数据技术在客流量数据采集和分析中的应用日益广泛[3-4]。精准的客流预测不仅能向乘客展示实时路况，优化出行安排，避免拥堵，还能为运营部门提供科学的决策支持，如合理安排列车运行数量和调节车次间隔时间，从而提升服务质量[5-6]。
现有的客流预测方法主要包括传统的统计方法和基于机器学习的模型。统计方法虽然简单，但在处理复杂的非线性关系时表现有限；而机器学习方法如支持向量机（SVM）和长短时记忆网络（LSTM）在预测精度上具有优势，但仍存在优化空间。
为了进一步提升轨道交通短时客流预测的准确性，本文在LSTM网络的基础上，改进粒子群算法（PSO），提出了IPSO-LSTM预测模型。通过优化PSO的惯性权重和学习因子，提高模型的收敛速度和预测精度，旨在满足轨道交通短时客流预测的实际需求，具有较高的应用价值。
1理论研究
1.1LSTM神经网络
循环神经网络（RecurrentNeuralNetwork，RNN）是常见的模型[7-8]，分为输入层、隐含层、输出层，模型如图1所示。
输出结果计算如下：
[st=f（U*xt+W*st-1）]（1）
[ot=g（V*st）]（2）
式中，[xt]为输入单元；[ot]为输出单元；[st]为隐含单元；[t]为计算次数；[U、V、W]为权重。
对RNN网络进行改进，提出一种长短时记忆网络[9-10]（LongShort-TermMemory，LSTM），该模型增加记忆单元，更好地控制与各个门之间的效果。
1.2粒子群算法
粒子群算法（ParticleSwarmOptimization，PSO）是一种模拟鸟群搜寻食物行为的优化算法[11-12]。PSO通过种群中的粒子在搜索空间移动和更新速度，利用个体最佳位置和全局最佳位置的信息相互协作，逐步逼近最优解。
粒子群算法中粒子的每次迭代，都会使种群趋于最优解，迭代模型如下：
[Vk+1id=ωVkid+c1r1Pkid-Wkid+c2r2Pkgd-Wkgd]（3）
[Wk+1id=Wkid+Vk+1id]（4）
式中，[W]为种群，[W=（W1，W2，...，Wn）]；[V]为粒子速度；[P]为极值，[Pg=（Pi1，Pi2，...，PiS）]为个体极值，[Pg=（Pg1，Pg2，...，PgS）]为全局极值；[ω]为惯性权重；[d=1，2，...，S]为迭代次数；[k]为当前迭代次数；[c1、c2]为学习因子；[r1、r2]为0-1的随机数。
PSO算法流程如图2所示。
PSO算法步骤如下：
1）首先初始化粒子群；
2）得到当前粒子群最优解；
3）更新每个粒子的当前最优解；
4）评估每个粒子函数适应值；
5）通过迭代模型，更新每个粒子的速度和位置；
6）重复步骤3）到5），直到得到粒子群最优解。
1.3改进粒子群算法
PSO算法中惯性权重[ω]和学习因子[c1、c2]都是常数，通过模型计算，无法得到粒子群的全局最优解，因此，对常数参数优化，提高种群收敛速度。
对惯性权重[ω]进行优化，对粒子最佳位置进行更新，公式为：
[ωk=Wmax-Wmindkmax（{dk}t≤k≤kmax]（5）
式中，[kmax]为最大迭代次数；[dk]为最大标准差；[Wmax]为最大权重值；[Wmin]为最小权重值。
对学习因子[c1、c2]进行分段动态改进，公式为：
[c1=0.5e（kmax-kkmax），k≤0.5kmax0.5+0.1rand，kgt;0.5kmax]（6）
[c2=5+0.1rand，k≤0.5kmax0.5e（kkmax），kgt;0.5kmax]（7）
式中，[k]为当前迭代次数；[rand]为0-1的随机数。