基于GRU算法的轨道交通客流预测模型

轨道交通的高速发展，使得站点的客流压力加剧，拥挤问题也带来了安全隐患.为简化客流预测模型训练时间，轻量化模型，采用K-means聚类，将客流数据进行分类，归一化数据，简化数据分布.在划分训练集和测试集后，分别利用长短时记忆网络(LSTM)模型和门控循环单元(GRU)模型对数据集进行训练.在不同时间粒度下分析了模型的可行性，对比两种算法的损失函数和运行时间.实验结果表明，在预测结果的准确性相近的情况下，GRU模型比LSTM模型有更短的拟合时间，同时模型本身更加简单，有着更好的适用性.