-
题名基于多因素分析的地铁客流预测方法实证研究
- 1
-
-
作者
郑宣传
秦勇
郭建媛
佟鑫
黄小林
-
机构
北京交通大学交通运输学院
-
出处
《都市快轨交通》
2025年第5期57-63,102,共8页
-
基金
北京市自然科学基金-丰台轨道交通前沿研究联合基金(L221006,L231003)。
-
文摘
面向多因素下地铁线路客运量预测需求,通过特征挖掘、相关性分析,从时间、天气、线网规模、城市发展、节假日及活动等因素选取12项影响特征指标,针对XGBoost模型超参数优化难题,提出基于斑马优化算法(ZOA)的超参数优化算法;构建XGBoost-ZOA组合预测模型,设计时序数据预测的交叉验证方案,并在西安地铁开展实例验证。经ZOA算法优化后的预测模型,在1号线测试集上的预测误差平均误差百分比MAPE为3.85%,与经典的智能优化算法相比其预测效果更佳,证实该算法的先进性。XGBoost-ZOA组合预测模型在9条线路的平均MAPE达到5.18%,最大误差不超过7%,预测值与真实值曲线吻合度较高,同比SARIMA模型及LSTM模型,MAPE分别减少了17.8%及21.9%,均方根误差RMSE分别减少了10.8%及13.6%。最后,基于模型特征重要度,将9条线路分为趋势客流导向、假日活动客流导向和多因素均衡导向3类,发现假日活动主导的线路客流预测误差较大,周期趋势主导的线路客流预测误差较小,证实了该模型的解释性及实用性较好。
-
关键词
城市轨道交通
多因素客流预测
XGBoost
斑马优化算法
超参数优化
特征重要度
-
Keywords
urban rail transit
multi-factor passenger flow forecasting
XGBoost
zebra optimization algorithm
hyperparameter optimization
feature importance
-
分类号
U231
[交通运输工程]
-
