基于SSA-GRU深度学习优化模型的短时公交客流预测

短时公交客流预测是实时动态调整公交发车频率，实现公交精准动态调度的重要决策基础之一。为挖掘公交客流的时序特征，提升短时公交客流预测精度，建立了一种基于麻雀搜索算法(Sparrow Search Algorithm, SSA)优化门控循环单元(Gated Recurrent Unit, GRU)的短时公交客流预测模型。该模型基于历史客流数据的时序分布特征，利用SSA寻优算法对GRU中的隐含层节点个数、学习率和训练次数进行寻优，然后依据参数寻优结果重构模型超参数，利用门控循环神经网络基进行短时客流预测。为验证优化模型的预测性能，选取某城市1号线站点客流数据进行实验；结果表明，相比于GRU门控循环神经网络，SSA-GRU模型的平均相对百分误差(MAPE)降低了37.9%、平均绝对误差(MAE)降低了42.1%，均方根误差(RMSE)降低了40.7%，组合模型的预测精度高于GRU模型且能够有效进行短时公交客流预测。

发展公共交通是缓解城市交通拥堵的重要途径之一，公交出行在公共交通系统中发挥主导作用，站点与线路设计规划不完善，公交车辆超载与空车现象频发，降低了城市公交的运营服务水平。精确、实时的短时客流预测是优化公交调度和制定合理排班方案的前提与基础，为市民提供高效公交出行服务， 优化公交资源的动态配置。

近年来，基于深度学习网络的短时客流预测方法被提出和实践，相较于传统预测方法，深度神经网络可以挖掘数据中复杂的非线性关系，对数据的分布式特征进行提取。循环神经网络(Recurrent Neural Network, RNN)将神经元前一刻的输出再次转化为输入信息，通过共享其网络结构中的参数，提升了训练性能，使模型可以提取不同长度数据的分布特征；如Ran X 等[1]将卷积神经网络(CNN)中的池化层铺与全连接层相连，提取数据特征，预测效果得到提升。由于RNN 存在周围的客流进行预测，并改进激活函数来提高预测精度；李高盛[2]等基于LSTM 网络对时段内各公交站点展开客流预测；龚兰兰等[3]提出通过建立多公交站点的客流时空矩阵来分析公交客流时空分布上的变化；Hao 等[4]发现神经网络模型在处理大量数据时，存在训练时间长等缺陷，改进后的LSTM 网络提高了短时客流预测效果；Liu 等[5]利用深度长短时记忆神经网络(DLSTM)开展客流量预测，伴随DLSTM 模型深度的增加，预测性能进一步得到提升。Wan Huaiyu 等[6]在LSTM 网络框架的基础上，创建了一种新的存储单元，提出了CTS-LSTM模型(Correlated Time Series oriented LSTM, CTS-LSTM)。

Ouyang Qi 等[7]结合实时信息， 基于北京市公交