10.19348/j.cnki.issn1008-5696.2021.01.009
基于XGBoost的轨道交通短时客流预测精度分析
短时客流预测是轨道交通运营调度中的先导工作,其中短时预测的时效性尤为重要,预测中既要保证预测精度同时也要提升预测效率,提出基于集成学习的XGBoost算法进行轨道客流预测.以西安市地铁二号线AFC刷卡数据为例,在数据预处理过程中发现特殊节假日、休息日及工作日具有不同的客流特征,在工作日客流波动更为剧烈,因此,采用工作日客流量进行验证.将预测结果与BP神经网络模型、ARM A模型进行对比,结果表明:XG-Boost算法具有更高的预测精度,同时计算时间更短.研究结果可为制定轨道交通动态运营提供参考,同时,将机器学习运用到客流预测中也能增大预测方法的可选择性.
轨道交通、客流预测、XGBoost算法、BP神经网络、ARMA模型
23
U491.1+4(交通工程与公路运输技术管理)
国家自然科学基金资助项目;住房和城乡建设部科学技术计划项目
2021-01-25(万方平台首次上网日期,不代表论文的发表时间)
共5页
54-58