地铁进站短时客流预测：基于GM-RBF组合模型

基于GM-RBF组合模型的地铁进站短时客流预测

本文提出了一种基于灰色模型GM(1,1)和径向基函数神经网络(RBF)的组合模型，用于预测地铁进站短时客流。该模型将GM(1,1)模型的长期趋势预测能力与RBF神经网络的非线性拟合能力相结合，有效提高了预测精度。

1. 问题概述

地铁客流预测是地铁运营管理的重要组成部分，准确的客流预测可以有效提高地铁运营效率，降低运营成本。然而，地铁客流具有明显的随机性和非线性特征，传统的预测方法难以准确预测短时客流。

2. 模型构建

本文提出的组合模型包括两个部分：

• 灰色模型GM(1,1)：该模型利用历史数据拟合客流的长期趋势，并进行预测。
• 径向基函数神经网络(RBF)：该模型利用GM(1,1)模型的预测结果作为输入，学习客流的非线性变化规律，并进行精细化预测。

3. 模型评价

利用实际地铁客流数据对模型进行测试，结果表明，该组合模型的预测精度明显优于传统的GM(1,1)模型和RBF神经网络模型，有效提高了地铁进站短时客流预测的准确性。

4. 结论

基于GM-RBF组合模型的地铁进站短时客流预测方法，有效结合了两种模型的优势，提高了预测精度，为地铁运营管理提供了有效的预测工具。