CEEMDAN-PSO组合优化BiLSTM的公交站点短时客流预测方法

客流观测数据的非平稳性和选择学习参数的主观性，是影响双向长短时记忆神经网络（Bidirectional Long Short-Term Memory, BiLSTM）预测公交站点短时客流精度的重要因素.通过自适应噪声完备集合经验模态分解（Complete Ensemble Empirical Mode Decomposition With Adaptive Noise, CEEMDAN）提升客流观测数据的平稳性，用粒子群算法（Particle Swarm Optimization,PSO）优化BiLSTM隐藏层神经元个数、学习率与训练次数；基于Theano和Tensorflow深度学习库Keras，构建了公交站点短时客流预测组合模型CEEMDAN-PSO-BiLSTM，用均方根误差与平均绝对误差进行预测精度检验，并在浙江省海宁市2个公交站点进行了应用.研究结果表明：客流预测精度由高到低依次为CEEMDAN-PSO-BiLSTM、CEEMDAN-BiLSTM、PSO-BiLSTM、BiLSTM和LSTM,2个站点CEEMDAN-PSO-BiLSTM比BiLSTM预测结果的均方根误差分别下...