基于 MEA-BP 神经网络融合多源数据的地铁客流预测
摘要
随为应对广州地铁 3 号线因客流激增引发的拥堵问题，本研究针对传统 BP 神经网络预测精度不足的缺陷，提出
融合思维进化算法（MEA）的优化模型（MEA-BP）。通过整合历史客流、天气及日期等多源数据构建基准模型，结合
MEA 的趋同 - 异化机制动态优化网络权值与阈值。实验表明：优化后模型的平均绝对误差降至 0.38 万人（降幅 58%），
平均相对误差由 8.5% 优化至 3.6%，峰值误差收敛至 4.6%，精准捕捉节假日、突发事件等复杂场景下的客流波动。该模型
可为地铁运营部门提供高精度预测支持，优化运力调度并缓解高峰期拥堵，为城市轨道交通智能化管理提供了创新算法框架。
融合思维进化算法（MEA）的优化模型（MEA-BP）。通过整合历史客流、天气及日期等多源数据构建基准模型，结合
MEA 的趋同 - 异化机制动态优化网络权值与阈值。实验表明：优化后模型的平均绝对误差降至 0.38 万人（降幅 58%），
平均相对误差由 8.5% 优化至 3.6%，峰值误差收敛至 4.6%，精准捕捉节假日、突发事件等复杂场景下的客流波动。该模型
可为地铁运营部门提供高精度预测支持，优化运力调度并缓解高峰期拥堵，为城市轨道交通智能化管理提供了创新算法框架。
关键词
地铁客流预测；BP 神经网络；思维进化算法（MEA-BP）；预测精度
全文:
PDF参考
[1] 叶 森 , 吕 兴 , 李 盛 杰 , 等 . 基 于 神 经 网 络 算 法
的 城 市 轨 道 交 通 网 弹 性 评 估 [J/OL]. 交 通 运 输 工 程 与
信 息 学 报 ,1-29[2025-04-08].https://doi.org/10.19961/
j.cnki.1672-4747.2025.03.018.
[2] 董 慧 , 潘 晓 , 郭 景 峰 , 等 . 基 于 时 空 图 神 经 网
络 的 城 市 路 网 行 程 时 间 预 测 研 究 综 述 [J]. 燕 山 大 学 学
报 ,2025,49(02):95-105
[3] 张佳佳 , 陈静 . 深度学习交通流预测模型的现状与未
来 [J]. 天津职业技术师范大学学报 ,2025,35(01):53-58+72.
[4]Ding X and Liu Z and Chen W et al. The Forecast
Algorithm of Stranded Passenger Flow Based on the Angle Cost of
Urban Rail Line[J]. Journal of Computational and Theoretical Nan
oscience,2016,13(9):5724-5730(7).
[5]Wu K, Wu Z, Ning C. Subway Passenger Forecast
Based on System Dynamics[J]. Open Journal of Transportation
Technologies,2017,6(3):77-85
(15 摘要 Views, 62 PDF Downloads)
Refbacks
- 当前没有refback。