基于GMM聚类的AMBiLSTM机场安检旅客流量预测
李国,钱梦飞
中国民航大学
2024-09-02
针对现有安检旅客流量预测研究大多为正常情况下的预测,未考虑异常突发情况下安检旅客流量的变化趋势,提出一种基于高斯混合模型(GMM)聚类的融合注意力机制的多变量双向长短期记忆(AMBiLSTM)机场安检旅客流量预测模型。首先,利用GMM聚类算法对原始数据集使用日期特征和延误特征分别进行聚类分析,根据聚类所得的不同日安检旅客流量场景构建不同的AMBiLSTM旅客流量预测模型。实验结果表明:与现有多种预测方法相比,该方法在不同场景下均能准确预测各时段的安检旅客流量。
  • 机场安检
被引用: 567次
年份: 2024年
下载文档 2.00元
引用
分享
来源期刊
内容目录
  • 引言

  • 1、安检旅客流量聚类预测结构

    • 1.1 日期影响因素相似性聚类

    • 1.2 延误因素相似性聚类

  • 2、安检旅客流量预测模型

    • 2.1 整体预测模型结构

    • 2.2 数据准备模型

    • 2.3 预测模型

      • 2.31 BiLSTM神经网络

      • 2.32 Attention机制

  • 3、实验

    • 3.1 数据处理

    • 3.2 GMM聚类结果

    • 3.3 评价指标

    • 3.4 实验设置

    • 3.5 预测结果对比分析

  • 4、结束语

核心点推荐
  • 安检旅客流量
  • 高斯混合模型聚类
  • 长短期记忆网