2024年4月13日发(作者：)
池贤昭
,
等
:
基于
stackin
g
组合模型的轨道交通换乘站短期客流预测
YANJIUYUTANSUO
研究与探
—
４０７
—
索
基于
stackin
g
组合模型的
轨道交通换乘站短期客流预测
池贤昭
,
陈
鹏
,
祝佳莉
,
耿小情
()
武汉理工大学交通学院
,
湖北武汉
４３００６３
在有效提取客流时间特征基础上
,
提出了一种基于
s５min
小区间进出站客流
,
tackin
g
组合模型的轨道交通短期客流预测方法
(.
该方法基于
s
、、
将梯度提升回归
(
随机森林回归
(
作为初级训练
GGRK－MLR
)
tackinGBR
)
K
近邻回归
(
KNN
)
RFR
)
g
算法
,
模型
,
将多响应线性回归神经网络
(
作为次级训练模型
.
实验结果表明
,
组合模型相对单个模型预测精度更高
,
在客流曲
MLR
)
线波动上有更好的拟合效果
.
关键词
:
轨道交通
;
客流预测
;
组合模型
;
stackin
g
算法
摘
要
:
轨道交通换乘站的进出站客流相对于一般的中间站影响因素更加复杂
,
具有更加显著的随机性和波动性
.
本文针对
()
中图分类号
:
U２９３．１
＋
３
文献标识码
:
A
文章编号
:
１６７３Ｇ５７８１２０２００３Ｇ０４０７Ｇ０５
０
引
言
和波动性
,
在提取异常客流特征的基础上
,
构建了一种基于支
持向量机回归和长短时记忆神经网络的混合预测方法
.
但混
合方法仅适用于预测
１５min
内的客流量
.
本文基于短时客流的随机波动性
,
考虑客流序列的时间特
面对迅猛增长的地铁建设现状
,
以及智慧城市和智能交通
的发展需要
,
实时精确的客流预测作为智能交通的重要支撑就
显得尤为重要
.
轨道交通短期客流预测通过对地铁站历史刷
卡数据的分析
,
预测站点未来的客流量变化
,
帮助实现更合理
的出行路线选择
,
规避交通堵塞
,
提前部署站点安保措施等
,
可
以最终实现用大数据和人工智能等技术助力未来城市安全
出行
.
现有研究大都从地铁客流的周期性或者随机性出发
,
针对
１
,
２
]
、
性的提出预测方法
.
比较经典的方法有时间序列法
[
非线
性和组合模型和泛化性
,
提出了一种基于
stackin
g
算法的轨道
交通短期客流组合预测方法
.
该方法能够较为精确的预测随
机性和波动性较大的客流
,
一定程度上克服了组合模型泛化性
能不强的缺陷
.
１ GGRK－MLP
组合模型介绍
１．１
组合预测算法简介
组合预测也可称为集成学习预测
,
组合预测的一般结构如
性回归法
[
３
,
４
]
际客流的复杂性和单一预测模型的片面性
,
针对不同的客流状
况
,
尝试利用组合模型来预测短期客流
.
通过选取两种或两种
以上的客流预测方法进行组合
,
提高预测精度
,
实现优势互补
.
８
]
()
郝晓涛
[
根据交通流特性
,
在交通流时间序列数据聚类
２０１６
、
参数回归法
[
５－７
]
等
.
近年来
,
很多学者考虑到实
,
图
１
所示
,
先产生一组
“
个体预测器
”
再用某种策略将他们结
１１
]
.
合起来
[
分析
(
的基础上
,
通过
WNN
神经网络模型和
ACA
)
RIMA
时
间序列统计模型的组合模型来预测交通流
,
相较于传统的短时
交通流预测模型
,
组合模型在预测精度
、
预测速度和稳定性上
９
]
(
都有了明显的提高
.
高杨等
[
以小时客流量为预测时
２０１６
)
间粒度
,
构造一种基于组合误差优化模型的城市轨道交通短期
客流预测模型
.
模型预测效果良好
,
但考虑因素单一
,
忽略了
时空
、
客流属性
、
票价以及车站运输能力等多维度因素的影响
.
[
０
]
()
考虑轨道交通客流预测中异常客流的随机性
Guo
等
１
２０１９
通过训练一个元模型来组合它们
,
然后基于这些弱模型返回的
并
stackin
g
算法的基本思想是学习几个不同的弱学习器
,
图
１
组合预测一般结构
收稿日期
:
修改日期
:
２０２０Ｇ０２Ｇ１０
;
２０２０Ｇ０４Ｇ１３
,
作者简介
:
池贤昭
(
男
,
湖北孝感人
,
硕士研究生在读
;
１９９６－
)
,
陈
鹏
(
男
,
湖北武汉人
,
副教授
;
１９８０－
)
,
祝佳莉
(
女
,
江西抚州人
,
硕士研究生在读
;
１９９６－
)
,
耿小情
(
女
,
河南开封人
,
硕士研究生在读
．１９９６－
)
工程与建设
»
«
２０２０
年第
３４
卷第
３
期
４ ０７
—
４０８
—
YANJIUYUTANSUO
研究与探索
池贤昭
,
等
:
基于
stackin
g
组合模型的轨道交通换乘站短期客流预测
来拟合短时间内的客流变化特征
.
１．２．３
多层感知机回归
多层感知机
(
是多个单层感知机的组合
.
感知机也
MLP
)
多个预测结果输出最终的预测结果
.
因此
,
为了构建
stackin
g
模型
,
需要定义想要拟合的
L
个学习器和组合它们的元模型
.
１．２ GGRK－MLR
组合模型
、
将梯度提升回归
(
随机森林回归
(
以及
K
近邻回
GBR
)
RFR
)
归
(
作为初级学习器
,
多层感知器回归
(
作为次级
KNN
)
MLR
)
学习器
,
并采用
１０
次
１０
折交叉训练避免初级训练模型与次级
训练模型过拟合
.
１．２．１
梯度提升回归和随机森林回归
本文提出的
GGRK－MLR
组合模型基于
stackin
g
算法
,
称为感知器
,
是一种双层神经网络
,
即只有输入层和输出层而
没有隐层的神经网络
.
多层感知机的本质就是通过在输入层
和输出层之间加入一层或多层隐层
,
建立起来的神经网络模
型
,
并且每一层和前一层通过一个系数矩阵连接
.
更新参数的权值
,
所以
MLP
模型也能够有效的学习数据的不
因此在训练的过程中
,
模型会持续的
MLP
基于
BP
算法
,
梯度提升回归是一种通过构建多个分类回归决策树并将
之组合形成强学习器的集成模型
.
梯度提升属于提升算法体
系的一种
,
其基本思想是利用损失函数的负梯度在当前模型下
的值作为模型本次训练结果残差的近似
,
并以该值作为下一次
训练的目标
[
１２
]
.
对于样本
N
＝
{(
x
１
,
y
１
),
发布者：admin，转转请注明出处：http://www.yc00.com/web/1712940261a2152074.html
评论列表（0条）