改进粒子群算法优化LSTM神经网络的铁路客运量预测

基于精确的铁路客运量预测对于国家和企业的规划管理非常重要,为提高预测的精度,提出改进粒子群算法(IPSO)和将粒子群算法(PSO)与长短时记忆神经网络相结合的预测模型(IPSO-LSTM)。LSTM与传统的全连接神经网络不同,其避免梯度消失,具有记忆过去信息的能力。由于LSTM的神经元数量、学习率和迭代次数难以确定,利用IPSO对这些参数进行优化。提出利用非线性惯性权重变化来提高PSO的全局寻优能力和收敛速度。将相关性分析得到的铁路营业里程、国家铁路客车拥有量、国内生产总值和年末总人口作为铁路客运量的影响因素并对铁路客运量进行预测。预测结果表明,当LSTM具有2层隐含层时,IPSO-LSTM具有更高的精确度。