基于遗传算法优化XGBoost模型的地铁乘客出站走行时间预测

作     者：郭凯旋 肖梅 刘宇 张皓 GUO Kai-xuan;XIAO Mei;LIU Yu;ZHANG Hao

作者机构：长安大学运输工程学院学院西安710064 

出 版 物：《科学技术与工程》 (Science Technology and Engineering)

年 卷 期：2024年第24卷第18期

页      面：7851-7858页

学科分类：08[工学] 082303[工学-交通运输规划与管理] 0823[工学-交通运输工程] 

基　　金：浙江省“尖兵”“领雁”研发攻关计划(2022C01105) 陕西省自然科学基金(2023-JC-YB-588,2022F021) 

主　　题：遗传算法 极端梯度提升模型 走行时间预测 特征提取 

摘      要：地铁乘客出站走行时间的预测是城市交通运行和管理的重要依据,对其进行准确预测有助于缓解地铁拥堵、优化地铁服务和提高乘客满意度。为了准确预测地铁乘客出站走行时间,首先,基于视频分析软件从监控视频中提取了乘客出站时的走行时间和若干特征变量。其次,为了筛选出对走行时间有显著影响的因素,采用相关性分析和最优尺度回归模型进行影响因素分析,并使用遗传算法进行最优特征组合的提取。最终,将提取出的特征作为输入向量,使用极端梯度提升模型(extreme gradient boosting,XGBoost)进行走行时间的预测,并以平均绝对误差等作为评价指标。实验结果表明,本文提出的方法在地铁乘客出站行为预测方面具有较好的效果,平均绝对误差为1.55 s,低于未优化的极端梯度提升模型(1.87 s)、支持向量机(2.03 s)和随机森林(1.96 s)等模型。