论文笔记：An Improved STL-LSTM Model for Daily Bus Passenger Flow Prediction during the COVID-19 Pandemic

2021 Sensors: Intelligent Transportation Systems

疫情时期公交客流预测

1 intro

• 分析了新冠疫情对公交客流的影响，并将新冠肺炎数据引入公共交通客流的预测
  • 实验结果证明，在预测疫情期间的客流时，结合节假日、天气和COVID-19相关特征的模型比单一特征预测效果更好
  • 即使是结合了这些特征的单一结构模型（没有分解成趋势、周期和残差的模型），预测效果也比没有考虑这些特征的混合结构模型要好
• STL+LSTM
  • 机器学习笔记： 时间序列 分解 STL_stl时间序列分解_UQI-LIUWJ的博客-CSDN博客
  • STL将公交客流时间序列划分成趋势序列、季节序列以及残差序列
  • 实验结果表明，具有STL的模型在预测新冠肺炎疫情影响下的公交客流时比没有STL的模型具有更好的性能

2 模型框架

 3 实验

3.1 数据集

北京市公交系统每日客流量、节假日和周末、天气状况以及北京市新冠肺炎病例每日报告

 

 3.2 公交客流量的STL分解

 3.3 实验结果

 ISTL——考虑了information