基于XGBoost的轨道交通短时客流预测精度分析

作者：孙晓黎,马超群,朱才华

摘要：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、ARMA模型进行对比,结果表明:XGBoost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。

发文机构：长安大学运输工程学院

关键词：轨道交通客流预测XGBoost算法BP神经网络ARMA模型rail transitpassenger forecastingXGBoost algorithmBP neural networkARMA model

分类号： U491.14[交通运输工程—交通运输规划与管理]