Forecasting Ferry Passenger Flow Using Long-Short Term Memory Neural Networks

最近有关神经网络在不同预测和时间序列研究中的应用，本研究旨在将这些背景扩展到渡轮客流。该研究的主要目标是调查和评估基于LSTM的神经网络对菲律宾两个港口的渡轮客流进行预测的能力。所提出的模型的拟合和评估基于2016年至2022年从菲律宾港务局（PPA）获取的月度客流数据。本研究使用平均绝对百分比误差（MAPE）作为其评估模型预测能力的主要指标。所提出的基于LSTM的神经网络模型在巴丹加斯港渡轮客流数据上实现了72％的预测准确率，在Mindoro港渡轮客流数据上实现了74％的预测准确率。使用Keras和Scikit-learn Python库，本研究得出了所提出的LSTM模型合理的预测性能。除了这些显着的发现外，该研究还建议进一步研究和调查在预测渡轮客流方面采用其他统计、机器学习和深度学习方法。

本文旨在扩展神经网络在预测和时间序列研究中的应用，将其应用于菲律宾渡轮客流。主要目标是探究和评估基于LSTM的神经网络在预测两个菲律宾港口的渡轮客流方面的能力。

本文提出了基于LSTM的神经网络模型，使用2016年至2022年从菲律宾港口局获得的月度客流数据，对两个港口的客流进行拟合和评估，使用平均绝对百分比误差（MAPE）作为主要评估指标。结果表明，该模型对巴丹加斯港口的渡轮客流数据的预测准确率达到了72％，对明德罗港口的渡轮客流数据的预测准确率达到了74％。

本文使用Keras和Scikit-learn Python库，提出的LSTM模型在菲律宾渡轮客流预测方面表现出合理的性能。此外，本文建议在预测渡轮客流方面进一步研究和探索其他统计、机器学习和深度学习方法。

最近在这个领域中，还有一些相关研究，如：1.基于时间序列的LSTM模型在旅游客流预测中的应用；2.利用深度学习算法预测港口客流量的研究。