原文传递
基于XGBoost的地铁短时客流量预测研究
| 论文题名： | 基于XGBoost的地铁短时客流量预测研究 |
| 关键词： | 地铁客流;短时客流量预测;客流分布特征;XGBoost模型 |
| 摘要： | 一直以来，地铁客流量预测研究都是城市进行地铁交通网络规划、设计、建设和营运的重要依据，在城市公共交通系统规划中占据重要地位。随着人们出行需求的多样化发展，短时客流量预测已成为客流预测的重中之重，它不仅关系着乘客的出行体验，还和运营商的经济效益分析工作紧密相关。因此，地铁短时客流量预测成为了轨道交通行业的研究重点。 本研究围绕地铁短时客流量预测主题，阐述地铁客流和地铁客流预测基本理论，将传统预测方法与机器学习方法对比分析，确定构建XGBoost地铁短时客流量预测模型。其次通过对地铁客流内外部因素的特征分析，判断客流在时间和空间上的分布特点，运用K-Means聚类和相关性分析对日期和天气因素进行分析，最终确定相邻时段客流、预测时段、工作日和雨雪天气四个特征变量。然后探究XGBoost模型的实现原理，在模型训练中运用随机搜索法进行参数调整，构建得出短时客流预测模型。最后以大连地铁2号线客流预测为例，运用构建的预测模型进行短时客流预测，针对预测结果采取有效性和灵敏性分析，验证模型在短时客流预测研究领域中的适用性和精准性。 基于上述研究思路，本研究的主要结论为：(1)通过地铁客流时空性特征分析，选取相邻时段客流和预测时段两个特征变量，并将相邻时段客流数据拓展为预测时段7日内每日预测时段及其前3小时内的客流量，又对日期和天气因素采取K-Means聚类和相关性分析，选取工作日和雨雪天气两个特征变量。本研究确定的特征变量既能更直观的表达地铁客流特征，又是对模型输入变量的拓展，有效提升了客流预测精度。(2)运用构建的XGBoost地铁短时客流量预测模型对大连地铁2号线断面客流进行预测，与SARIMAX模型、Prophet模型和LSTM模型的预测结果进行对比，结果表明XGBoost模型在MAE(平均绝对误差)和MAPE(平均绝对百分比误差)方面均为最优，误差浮动比例约为3.6%，具备良好的预测能力。大连地铁建设规模处于全国中游偏上，对其进行短时客流量预测可以使模型更具普适性，结果更具代表性。(3)通过对预测模型的灵敏性分析，得到各变量对客流预测的影响程度，从高到低依次为：相邻时段客流、预测时段、工作日和雨雪天气。本研究构建的短时客流量预测模型可以为地铁日常经营阶段中的车次调整、运行组织工作提供设计依据和决策基础。模型精准的客流预测结果不仅直接关系到城市交通项目发展的经济效益，还有助于开展城市交通基础设施建设工作。 |
| 作者： | 方昇越 |
| 专业： | 交通运输工程 |
| 导师： | 匡海波 |
| 授予学位： | 硕士 |
| 授予学位单位： | 大连海事大学 |
| 学位年度： | 2022 |
检索历史
应用推荐
