# RFGRU

**Repository Path**: ouxuewen/rfgru

## Basic Information

- **Project Name**: RFGRU
- **Description**: 基于RF-GRU组合模型实现代码，适用于时间序列预测。
- **Primary Language**: Unknown
- **License**: MulanPSL-2.0
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 5
- **Forks**: 0
- **Created**: 2022-06-22
- **Last Updated**: 2024-04-08

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# RFGRU

#### 介绍
基于RF-GRU组合模型的城轨客流预测

   基于组合模型的城轨客流预测方法以多源数据为输入，选取杭州市地铁站自动检票系统(Automatic Fare Collection System, AFC)采集的进出站刷卡数据为分析实例。客流历史数据源自2019年1月1日至2019年1月26日乘客刷卡数据。除了刷卡数据之外，还收集了这一时段的站点类型基础数据、站点线路基础数据、地面气象逐日观测数据。按8:2的比例对经过预处理的杭州客流数据进行切分，选取1日- 20日数据作为训练集，21日- 25日数据作为测试集，并以15分钟为时间粒度统计客流量。

运行环境：


- tensorflow；
- numpy；
- pandas；
- sklearn；
- scipy；
- featuretools；






数据描述：


- 1.record_2019-01-xx.csv文件中，除第一行外，每行包含一条用户的刷卡记录。
- 2.对于userID，在payType为3时无法唯一标识用户身份。即此userID可能为多人使用，但在一次进出站期间可以视为同一用户。对于其他取值的payType，对应的userID可以唯一标识一个用户。
- 

| time                | lineID | stationID | deviceID | status | userID                            | payType |
|---------------------|--------|-----------|----------|--------|-----------------------------------|---------|
| 2019-01-01 02:00:05 | B      | 27        | 1354     | 0      | D13f76f42c9a677c4add94d9e480fb5c5 | 3       |
| 2019-01-01 02:01:40 | B      | 5         | 200      | 1      | D9a337d37d9512184b8e3fd477934b293 | 3       |
| 2019-01-01 02:01:53 | B      | 5         | 247      | 0      | Dc9e179298617f40b782490c1f3e2346c | 3       |
| 2019-01-01 02:02:38 | B      | 5         | 235      | 0      | D9a337d37d9512184b8e3fd477934b293 | 3       |
| ...                 | ...    | ...       | ...      | ...    | ...                               | ...     |



数据集：

链接：https://pan.baidu.com/s/1ECed3tIOW9uBxpL06_F0lg 
提取码：beum

对比基线方法：


- 	自归综合移动平均(ARIMA)：结合自回归、差分和移动平均线对时间序列进行分析。
- 	支持向量回归(SVR)：应用支持向量机(SVM)进行回归分析。
- 	长短时记忆网络(LSTM)：循环神经网络(RNN)的变体形式，能够解决时间序列中的长期依赖问题。
- 	门控循环单元(GRU)：相对LSTM而言，简化了神经网络的结构，且拥有更好的序列数据处理能力。
- 	堆叠自编码器(SAEs)：采用无监督学习的方式对高维数据进行特征提取和特征表示。
- 	图神经网络(GCN)：采用神经网络来学习图结构数据，提取和挖掘图结构数据中的特征和模式。
- 	基于图卷积的RNN模型(DCRNN)[15]：使用扩散卷积来捕获空间相关性，并使用具有预定采样的编码器-解码器架构来捕获时间相关性。
- 	时空图卷积网络(STGCN)[16]：使用纯卷积结构建立模型，减少参数量提高训练速度。
- 	时空超图卷积网络(STHGCN)[17]、动态时空超图卷积网络(DSTHGCN)[17]：使用纯卷积结构对超图进行学习。
- 

实验结果：
（15min/30min/45min）
| 方法     | MAE               | RMSE               |
|--------|-------------------|--------------------|
| ARIMA  | 26.15/28.07/30.05 | 46.55/48.85/50.74  |
| SVR    | 19.00/20.91/21.57 | 35.01/36.25/37.30  |
| LSTM   | 16.92/19.13/20.11 | 30.22/33.83/34.98  |
| GRU    | 16.99/18.52/20.25 | 31.96/34.06/36.12  |
| SAEs   | 14.03/16.19/18.14 | 31.43/33.75/34.03  |
| GCN    | 13.93/15.25/17.02 | 32.27/33.50/35.63  |
| DCRNN  | 11.82/13.71/15.82 | 31..41/32.94/36.03 |
| STGCN  | 12.97/14.65/15.96 | 28.12/29.02/31.50  |
| RF-GRU | 10.31/12.45/13.95 | 24.74/27.01/28.29  |