利用元启发式优化分解辅助的长短期记忆神经网络预测公共交通客流量

《Research in Transportation Business & Management》：Forecasting public transportation passenger load via metaheuristic optimized decomposition aided long short-term neural networks

　　

**摘要**

公共交通在现代社会的生活中发挥着重要作用。它有助于降低城市的能源需求和污染水平，并为社区提供更好的经济机遇。然而，确保公共交通的正常运转需要丰富的经验，并非易事。在保证车队最大利用率的同时将空驶成本控制在较低水平，需要周密的规划。这一过程中的一个重大挑战是准确预测交通线路和站点的乘客流量。本研究提出了一种稳健的人工智能方法，结合变分模态分解技术，用于预测各个公共交通站点的月度最大客流量。文中提出了一种改进的元启发式算法用于分解过程的优化，同时采用长短期记忆神经网络进行预测。为实现第一层分解优化和第二层网络优化的分层处理，提出了一种两层架构。所提出的方法在真实公共交通数据集上与几种知名元启发式算法进行了对比测试，并展现出令人鼓舞的结果。表现最优的模型在芝加哥市三大公共交通枢纽站提供了显著的稳定性：Adams Wabash站的R2得分0.857921，Clark Lake站0.939538，Washington Wells站0.838688。

**引言**

公共交通在当代文化中至关重要，它为员工提供了经济实惠的交通方式，使其能够获取更好的就业机会，对经济产生积极影响。此外，公共交通的使用还可以减少交通拥堵、降低能耗和减少排放，对环境以及社区的众多其他方面产生积极影响（Weisbrod & Reno, 2009）。公共交通依赖于火车、公交车和轨道交通系统，不同城市之间存在差异。但其核心功能始终如一，即在保持低运营成本的同时，提供便捷、经济、可负担的出行方式。

要充分发挥公共交通的优势，有效的资源管理至关重要。为特定时段和区域分配适当数量的车辆，以及严格执行时刻表，是政策制定者和交通公司每天面临的诸多挑战之一。维持发车车辆数量与乘客需求之间的平衡，对于高效且具有成本效益的公共交通系统至关重要（Gkiotsalitis & Cats, 2021）。这种微妙的平衡受多种因素影响，因此需要一种稳健的方法来应对这一紧迫问题。已有研究将大都市地区的人口增长与公共交通需求的云图变化联系起来（Pasini et al., 2020）。

一种可能的预测乘客流量的方法是通过应用人工智能（AI）算法。通过模拟自然大脑中观察到的学习机制，AI算法能够从观测数据中获取宝贵经验，而无需显式编程。这些特性使AI成为解决复杂非线性问题的吸引人方法。然而，AI的正确应用需要领域知识和充足的数据来支撑必要的训练和测试程序（Dikmen & Burns, 2022）。另一个需要考虑的方面是，当前的AI算法通常被设计为追求最佳通用性能。虽然这种方法能取得不错的结果，但要达到更高的精度水平，仍需进一步优化。

为了实现良好的通用性能，算法通常会提供一组可调节的超参数。这些参数可用于微调内部学习机制并将算法适配到特定问题，从而提升整体性能（Passos & Mishra, 2022）。然而，由于现代算法往往包含数十个参数，调整过程通常具有挑战性。传统方法依赖于试错法。尽管如此，随着优化需求日益增长，自动化系统的需求也日益明显。调参挑战被视为混合NP-hard问题，因此需要能在合理时间范围内并以现实资源解决此类问题的方法。近期研究中，研究人员已成功利用多种技术通过超参数调优提升基础算法的性能（Mu'azu, 2023; Kozakijevic et al., 2023）。

利用元启发式算法进行超参数优化是一种可能的解决方案。元启发式算法采用基于种群的策略和迭代过程来确定给定问题的有前景的解决方案。然而，单次运行无法保证找到最优解。因此，通过迭代优化过程，解在目标函数的引导下不断改善，每次后续迭代中定位最优解的机会都会增加。元启发式算法的混合化已成为研究人员解决现有算法潜在不足的一种流行方法（Mostafa et al., 2023; Das et al., 2023）。

在考虑时间序列预测时，信号复杂度带来了另一挑战。时间序列表示变量值随时间的变化。虽然存在多种能够基于输入历史进行预测的AI方法，但复杂的变动难以充分处理。分解技术提供了一种可能的解决途径。这些技术允许将单一复杂时间序列转化为多个更简单的信号，使网络更容易处理并做出更准确的预测（Lv & Wang, 2022）。另一个优势是，数据中存在的很大一部分噪声可以很容易被网络检测并移除（Tian et al., 2022）。

本研究提出了一种基于历史数据进行时间序列预测的方法，用于预测公共交通的最大客流量。对于这一任务，应用了长短期记忆（LSTM）网络（Greff et al., 2016），并结合变分模态分解（VMD）技术（Dragomiretskiy & Zosso, 2013）。此外，专门为优化两种方法设计了一种改进的元启发式算法，该算法基于知名的粒子群优化算法（PSO）（Wang et al., 2018）。PSO是在小规模模拟测试中取得稳健结果后被选定的，因此被作为通过混合化进行进一步扩展的良好基础。本研究引入遗传参数以进一步提升特定应用中的性能。所采用的两层框架中，第一层利用元启发式算法优化分解过程，第二层利用分解后的数据微调LSTM网络以实现最优性能。采用真实数据集评估所提出的技术，并将结果与几种前沿优化方法的结果进行对比。

尽管分解—优化—预测流水线已在多个领域得到探索，包括能源负荷预测、水文预报和金融时间序列建模（Dama?evi?ius et al., 2024; Jovanovic et al., 2024; Yin et al., 2025; Feng et al., 2025），但这些框架尚未扩展到公共交通客流量预测领域。现有研究通常独立优化分解阶段或预测模型，这限制了它们捕捉VMD参数选择与LSTM架构设计之间耦合特性的能力。此外，先前的元启发式方法在处理探索与利用的平衡以及早熟收敛方面存在困难，尤其是在层次化优化设置中。而且，现有研究很少结合可解释性工具，导致分解模式对预测过程的影响缺乏充分理解。这些差距促使开发了一个集成的两层框架，该框架联合优化分解与预测，并通过可解释AI（XAI）提供可解释性。

本研究的主要科学贡献包括：通过两层协同框架，探索新兴信号处理技术与成熟预测方法的结合，以提升公共交通的预测精度。此外，本研究考察了优化器在这一高要求环境下处理复杂优化问题的能力，强调了为两个模型和分解技术选择合适参数以实现最优性能的必要性。本研究中专门创建的新算法与其他现代优化技术进行了对比。通过对结果进行统计验证以及使用可解释AI（XAI）技术对表现最优的模型进行分析，深入了解了影响最成功模型预测结果的各种因素。本研究并未声称发明新的预测或优化算法，而是提供了一个面向特定领域、经经验证的分解、层次化优化与深度循环预测的集成方案，用于公共交通客流量预测。因此，贡献可总结如下：

- **提出了一种用于公共交通客流量预测的两层架构**：本研究提出了一种新颖的两层框架，用于预测公共交通系统的客流量。第一层利用先进的信号处理技术对客流量数据进行预处理和分解。第二层将这些处理后的信号整合到预测模型中以预测未来的客流量，从而提高精度。通过高效捕捉数据的短期和长期模式，这一结构化过程旨在提升整体预测性能。本研究首次将VMD与深度循环架构结合应用于公共交通客流量预测，该领域中基于分解的辅助框架尚处于探索初期。

- **引入了一种改进的元启发式算法以优化VMD和LSTM网络的性能**：本研究提出了一种改进的元启发式算法，专门设计用于优化VMD和LSTM网络的参数和性能。该算法针对两层框架中复杂高维空间内的参数选择和模型调优挑战。通过优化这些参数，该算法显著提升了VMD和LSTM网络的分解和预测能力，从而在公共交通客流量预测场景中实现更准确、更可靠的预测。

- **将所提框架应用于实证客流数据以验证其有效性**：所提出的两层框架被应用于真实世界客流数据，以验证其有效性和稳健性。这一实证验证涉及使用公共交通系统的历史客流数据，使其经历框架的预处理、分解和预测阶段。评估框架性能采用了多项指标，包括预测精度、计算效率和可扩展性。结果表明该框架具有实际应用价值，并有望在真实场景中提升预测精度。

- **使用可解释AI方法分析最优模型，以更好地理解影响交通需求的因素**：对表现最优的模型进一步使用XAI技术进行分析，以揭示影响交通需求的潜在因素。XAI方法为原本不透明的机器学习模型提供了透明度和可解释性，使研究人员和从业者能够理解数据中的关系和依赖。这种深入洞察有助于公共交通系统的决策和战略规划，使其能够基于已识别的需求模式和影响因素，更有针对性地调整服务时刻表、线路规划和资源配置。通过对最优模型应用SHAP，本研究首次解读了各VMD模态如何对客流量需求预测做出贡献，提供了透明度并支持实际决策。

本文其余各节组织如下：第2节讨论为本研究提供启发和贡献的先前研究。第3节详细介绍了所提出的方法论，并描述了改进的元启发式算法。第4节详细介绍了实验设置及使用的评估指标，随后第5节呈现实验结果。最后在第6节中给出总结，并提出未来工作建议。

**相关工作**

各种人工智能算法在预测领域均有应用。一种流行的实现方式是时间序列预测。算法可以观察历史数据片段来确定趋势并做出有依据的判断，以预测后续数值。尽管时间序列预测在一定程度上可以由简单人工神经网络（ANN）处理，但该架构无法考虑先前的输入。因此，各种新颖的架构已被提出，以使网络能够受先前输入的影响。一些值得注意的——

**方法**

本研究使用的方法将在以下章节中呈现。在简要介绍原始元启发式算法之后，将深入探讨改进版本的动机与机制。最后描述两层框架。方法论步骤以结构化方式呈现，以突出每个组件的功能角色，并确保从分解到优化再到预测的连贯性。

**实验设置**

本研究依赖于芝加哥交通局提供的公开可用公共交通数据。1 数据集重点关注芝加哥市中心三个关键站点的月度最大客流量：Adams Wabash站、Clark Lake站和Washington Wells站。这些站点被精心选择，因其客流量大，是多条市中心交通线路的重要交汇点。

数据集的时间跨度始于2001年1月1日，实验结果如下所述。各框架层的实验结果在以下文本中呈现。第一个实验评估了所提出的改进优化器在调优VMD分解参数时，与几种前沿元启发式算法相比的优化性能。第二个实验利用第一层获得的最佳分解数据来优化LSTM注意力网络，同样通过与已有元启发式算法的对比评估进行。在以上两方面实验后，结论部分如下。本研究深入探讨了LSTM网络在公共交通负载预测中的预测能力。此外，本研究还审视了分解技术的应用及其在使用真实数据集提高预测精度方面的影响。所提出的两层框架采用第一层优化VMD超参数，从而为优化LSTM网络奠定坚实基础。随后，框架的第二层利用……CRediT作者贡献声明：卢卡·约万诺维奇：写作—审阅与编辑，写作—初稿撰写，研究方法。弗拉迪米尔·西米奇：写作—审阅与编辑。德拉甘·帕穆卡尔：写作—审阅与编辑。米奥德拉格·日夫科维奇：写作—审阅与编辑，写作—初稿撰写。米洛斯·安东杰耶维奇：写作—审阅与编辑，写作—初稿撰写。亚斯米娜·佩里西奇：写作—审阅与编辑。内博伊沙·巴卡宁：写作—审阅与编辑。人工智能工具的使用：本文使用基于人工智能的工具仅用于辅助风格和语法优化，包括为提高清晰度进行释义、纠正语言错误以及改善句子流畅度。所有科学内容、分析、解释和结论均为作者原创。利益冲突声明：作者声明，他们没有已知的竞争性经济利益或个人关系，这些利益或关系可能影响本文所报告的工作。致谢：本研究由塞尔维亚共和国科学基金会资助，项目编号7502，面向绿色建筑和环境监测无人机群应用的智能多智能体控制与优化——ECOSwarm。本研究由塞尔维亚共和国科学基金会资助，项目编号7373，基于人工智能框架表征危机引起的空气污染变化——crAIRsis。卢卡·约万诺维奇|弗拉迪米尔·西米奇|德拉甘·帕穆卡尔|米奥德拉格·日夫科维奇|米洛斯·安东杰耶维奇|亚斯米娜·佩里西奇|内博伊沙·巴卡宁