城市轨道交通车站短时客流机器学习预测方法

• Published in: 深圳大学学报（理工版） Vol. 39; no. 5; pp. 593 - 599
• Main Authors: 胡明伟, 施小龙, 吴雯琳, 何国庆
• Format: Journal Article
• Language: Chinese
• Published: 深圳大学滨海城市韧性基础设施教育部重点实验室,广东深圳518060 01.09.2022; 深圳大学未来地下城市研究院,广东深圳518060; 深圳大学土木与交通工程学院,广东深圳518060; 深圳大学深圳市地铁地下车站绿色高效智能建造重点实验室,广东深圳518060%深圳大学土木与交通工程学院,广东深圳518060
• Subjects: 机器学习; 短时客流预测; 数据处理; 特征工程; 交通运输工程; 城市轨道交通
• ISSN: 1000-2618
• DOI: 10.3724/SP.J.1249.2022.05593

U491; 轨道交通具有载客量大、安全及环保等优点,已成为多数乘客的优先出行方式,是缓解城市交通压力的有效途径之一.为提高轨道系统的运行效率,实现轨道交通智慧化运营,基于机器学习算法理论,结合轨道交通车站的时间、空间及外部影响因素等客流特征,建立轻量的梯度提升机(light gradient boosting machine,LightGBM)、长短期记忆(long short-term memory,LSTM)及LightGBM-LSTM融合模型的车站短时客流预测模型,同时构建差分自回归移动平均(autoregressive integrated moving average,ARIMA)和极限梯度提升(extreme gradient boosting,XGBoost)模型作为预测实验的对照模型.以中国杭州地铁自动售票系统刷卡数据为例,选取了5种地铁车站(居住类型、工作类型、居住工作混合类型、购物类型及交通枢纽类型)和3个准确性评价指标(平均绝对误差、均方根误差及平均绝对百分误差),量化评价不同模型的预测准确性.结果表明,基于多特征的机器学习模型可以较好预测地铁车站短时客流,弥补了传统时间序列模型的不足.但单一模型在不同类型车站的预测效果波动性较大.基于多模型融合的LightGBM-LSTM模型可以综合单一模型的优点,预测性能更佳,对于不同类型车站的适应性更好.