科研导师
Prof. Luo211高校副教授
导师介绍
研究领域：交通时空预测 学术成果：以第一作者身份发表计算机行业核心期刊论文8篇，包括中科院一区2篇； 长期担任多个定期期刊/会议的审稿人，包括IEEE Transactions on Intelligent Transportation Systems，IEEE Transactions on Intelligent Vehicles等。
基于深度学习的城市地铁短时客流预测模型研究
- 课题名称
- 基于深度学习的城市地铁短时客流预测模型研究
- 学科专业
- 课题关键词
- 辅导模式
- 1对1
- 发表目标
- SCI期刊1～3区CCF-B
- 课题介绍
- 随着城市化进程加速，城市地铁网络日均客流量持续增长，短时客流预测成为提升运营效率与应急响应能力的关键支撑。传统时间序列模型（如ARIMA）在处理非线性、强耦合的客流数据时存在泛化能力不足问题，难以捕捉节假日效应、天气影响等复杂因素。深度学习技术凭借强大的特征学习能力，在时序预测领域展现出显著优势，如循环神经网络（RNN）及其变体（LSTM、GRU）能有效建模长短期依赖关系，卷积神经网络（CNN）可提取空间相关性，Transformer模型则通过注意力机制优化序列信息权重分配。然而，实际应用中仍面临多源数据融合（如OD数据、实时监控、气象信息）、突发客流扰动识别、模型可解释性等问题。本研究旨在构建融合多模态特征的深度学习预测框架，探索时空关联建模方法，提升短时客流预测精度与鲁棒性，为地铁网络化运营决策提供科学依据。
导师信息
招生要求
面向具有相关学科背景与研究兴趣的学习者，具体要求以课题导师评估为准。