Modelos de pronóstico híbridos basados en redes neuronales para el flujo de pasajeros de alta velocidad de ferrocarriles interurbanos variables en el tiempo
Autores: Su, Huanyin; Peng, Shuting; Mo, Shanglin; Wu, Kaixin
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Modelos de pronóstico híbridos basados en redes neuronales para el flujo de pasajeros de alta velocidad de ferrocarriles interurbanos variables en el tiempo
Categoría
Matemáticas
Subcategoría
Matemáticas generales
Palabras clave
Flujo de pasajeros
Características variables en el tiempo
Red neuronal
Modelos de predicción
Método VMD
Modelo de pronóstico híbrido
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 27
Citaciones: Sin citaciones
El flujo de pasajeros variable en el tiempo es el dato de entrada en el diseño de optimización de productos de transporte ferroviario de alta velocidad interurbano, y juega un papel importante. Por lo tanto, es necesario predecir el flujo de pasajeros origen-destino (O-D) en diferentes momentos del día en combinación con las características estables y variables en el tiempo. En este documento, se diseñan y comparan tres modelos de pronóstico híbridos basados en redes neuronales, llamados Descomposición Modal Variacional-Perceptrón Multicapa (VMD-MLP), Descomposición Modal Variacional-Red Neuronal de Unidad Recurrente con Compuertas (VMD-GRU) y Descomposición Modal Variacional-Red Neuronal de Memoria a Corto y Largo Plazo Bidireccional (VMD-Bi-LSTM). Primero, se analizan y extraen las características variables en el tiempo de la demanda de viajes de pasajeros bajo diferentes granularidades de tiempo mediante el método VMD. Segundo, se construyen tres modelos de predicción de redes neuronales para predecir la secuencia de flujo de pasajeros después de la descomposición y reconstrucción de VMD. Se realiza un análisis experimental en el ferrocarril de alta velocidad interurbano Guangzhou Zhuhai en China, y se predice el flujo de pasajeros en diferentes períodos del día bajo diferentes granularidades de tiempo. Se encontraron los siguientes resultados: (i) El número de neuronas ocultas y el número de iteraciones del modelo de pronóstico híbrido tienen un gran impacto en la precisión de la predicción. El error del modelo VMD-MLP fluctúa menos y tiene un rendimiento más suave que tanto el modelo VMD-GRU como el modelo VMD-Bi-LSTM. (ii) Los modelos VMD-MLP, VMD-GRU y VMD-Bi-LSTM pueden reducir básicamente el error MAPE a menos del 10%. Con el aumento de la granularidad del tiempo, los errores RMSE y MAE tienden a aumentar gradualmente, mientras que el error MAPE tiende a disminuir gradualmente. (iii) Para el flujo de pasajeros bajo una granularidad de tiempo más pequeña, la precisión de predicción del modelo VMD-MLP es mayor, mientras que para el flujo de pasajeros bajo una granularidad de tiempo mayor, la precisión de predicción de los modelos VMD-GRU y VMD-Bi-LSTM es mayor. (iv) Los modelos híbridos propuestos basados en redes neuronales superan a los modelos existentes y los modelos híbridos tienen un mejor rendimiento que los modelos individuales.
Descripción
El flujo de pasajeros variable en el tiempo es el dato de entrada en el diseño de optimización de productos de transporte ferroviario de alta velocidad interurbano, y juega un papel importante. Por lo tanto, es necesario predecir el flujo de pasajeros origen-destino (O-D) en diferentes momentos del día en combinación con las características estables y variables en el tiempo. En este documento, se diseñan y comparan tres modelos de pronóstico híbridos basados en redes neuronales, llamados Descomposición Modal Variacional-Perceptrón Multicapa (VMD-MLP), Descomposición Modal Variacional-Red Neuronal de Unidad Recurrente con Compuertas (VMD-GRU) y Descomposición Modal Variacional-Red Neuronal de Memoria a Corto y Largo Plazo Bidireccional (VMD-Bi-LSTM). Primero, se analizan y extraen las características variables en el tiempo de la demanda de viajes de pasajeros bajo diferentes granularidades de tiempo mediante el método VMD. Segundo, se construyen tres modelos de predicción de redes neuronales para predecir la secuencia de flujo de pasajeros después de la descomposición y reconstrucción de VMD. Se realiza un análisis experimental en el ferrocarril de alta velocidad interurbano Guangzhou Zhuhai en China, y se predice el flujo de pasajeros en diferentes períodos del día bajo diferentes granularidades de tiempo. Se encontraron los siguientes resultados: (i) El número de neuronas ocultas y el número de iteraciones del modelo de pronóstico híbrido tienen un gran impacto en la precisión de la predicción. El error del modelo VMD-MLP fluctúa menos y tiene un rendimiento más suave que tanto el modelo VMD-GRU como el modelo VMD-Bi-LSTM. (ii) Los modelos VMD-MLP, VMD-GRU y VMD-Bi-LSTM pueden reducir básicamente el error MAPE a menos del 10%. Con el aumento de la granularidad del tiempo, los errores RMSE y MAE tienden a aumentar gradualmente, mientras que el error MAPE tiende a disminuir gradualmente. (iii) Para el flujo de pasajeros bajo una granularidad de tiempo más pequeña, la precisión de predicción del modelo VMD-MLP es mayor, mientras que para el flujo de pasajeros bajo una granularidad de tiempo mayor, la precisión de predicción de los modelos VMD-GRU y VMD-Bi-LSTM es mayor. (iv) Los modelos híbridos propuestos basados en redes neuronales superan a los modelos existentes y los modelos híbridos tienen un mejor rendimiento que los modelos individuales.