城市轨道交通车站短时客流机器学习预测方法

作     者：胡明伟 施小龙 吴雯琳 何国庆 HU Mingwei;SHI Xiaolong;WU Wenlin;HE Guoqing

作者机构：深圳大学土木与交通工程学院广东深圳518060 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 深圳大学未来地下城市研究院广东深圳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 

出 版 物：《深圳大学学报（理工版）》 (Journal of Shenzhen University(Science and Engineering))

年 卷 期：2022年第39卷第5期

页      面：593-599,I0003,I0004页

核心收录：

学科分类：08[工学] 082302[工学-交通信息工程及控制] 0823[工学-交通运输工程] 

基　　金：中国工程科技发展战略广东咨询研究资助项目(2020-GD-09)。 

主　　题：交通运输工程 城市轨道交通 短时客流预测 数据处理 特征工程 机器学习 

摘      要：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.