Python数据分析基础与案例实战 课件 第9章 铁路站点客流量预测.pptx

铁路站点客流量预测;;铁路是我国居民出行重要的交通方式随着社会经济的发展，铁路车站客流量增长速度较快，日均接发列车数量也有较大增加，车流、客流密度明显增加。 尤其是在春运、寒暑假、黄金周及节假日期间，客流量相比平常有大幅度的增加，铁路客运组织难度较大。 因此有必要对铁路站点客流量规律进行分析，预测站点出行客流量，为铁路部门进行站点规划、服务改进等工作提供必要的理论依据。 本案例通过对列车运行数据进行分析，对ST111-01站点的客流量规律进行探索分析，并构建模型预测ST111-01站点的出行客流量，进而给铁路部门的站点规划、服务改进与列车调度提供合理参考。 从每年的春运期间以及旅游淡季期间的铁路客流量数据中可以发现客流量符合一定的变化规律。为分析客流量中隐藏的规律，首先需要了解相关行业背景以及列车运行数据。 ;随着时代经济的发展，交通越来越发达的同时，人们的出行意愿也越发强烈。 铁路兼具方便、快捷与价格低廉的特点，是我国居民长途旅行主要的交通方式之一。 在这样的背景下，铁路部门面临几个难题。 如何正确规划列车调度，改变“一票难求”的购票局面？ 如何合理地制定票价？ 如何提高旅客出行的体验？ 针对这些问题，铁路部门需要对现有的制度与方法进行优化。 铁路客运运输的发展依赖于合理、科学的决策，而科学的决策显然离不开科学的预测。;科学的预测能使铁路部门对未来做出规划，可以为以下方面等提供帮助。 制定合理的价格。 改善客运站组织方式。 优化铁路车辆资源配置。 提高客运设备的服务能力等。 铁路部门科学的预测对提高铁路客运运输效率具有重要的意义。 ;本案例选取2015年1月到2016年3月的列车运行数据，重点对ST111-01站点的出行客流量进行分析。 列车运行的部分梯形密度表数据如下表所示。 ;结合列车运行数据，可以实现以下目标。 利用列车运行数据，探索ST111-01站点旅客出行规律。 构建模型，对ST111-01站点的出行客流量情况做出预测。 本案例的总流程如图所示，主要包括以下5个步骤。 从业务系统中获取数据。 对数据进行结构化处理、缺失值处理和日期格式化。 探索不同站点、不同时段的客流量，以及非节假日和节假日的客流量。 对处理后的数据进行检验，并对非节假日和节假日分别构建时间序列模型。 用构建的模型对客流量进行预测并评价。 ;铁路站客流量预测总流程。;;本案例所使用的原始数据为梯形密度表，是一种非结构化数据，需要将其处理成结构化数据，否则会影响后续分析。 利用Python对原始数据进行结构化处理，提取车次、站点、上下车人数等关键信息，并将结构化后的数据进行保存。列车运行梯形密度表经过处理以后，得到的部分结构化列车运行数据如下表所示。 ;由表中的开行日期属性可以看出，日期是20150101”格式，需要将其处理成标准的“2015-01-01”格式。 除此以外，合并后的数据存在部分缺失（部分为空格，将其视为缺失值），如部分站点的离站时间缺失表示该站是终点站，离站时间与上车人数缺失表示该站是终点站且无人上车。 将缺失值用0补全，便于后续处理。对缺失值和日期格式进行处理。;;由于铁路客运的稳定性与航空客运不同，受天气（除极端天气外）的影响不大。因此本案例针对客流量的分析只考虑时间段、节假日两个因素。 ;从合并后的数据中统计所有站点的日均上下车客流量，并随机抽取20个站点的数据进行图形化展现。 得到的各站点上下车客流量分布如下图所示，其中左侧柱体为日均上车客流量，右侧柱体为日均下车客流量。 ;根据上图可以看出，ST068、ZST145、ST095这3个站点的日均下车客流量较高，T314、T161、ZST224这3个站点的日均上车客流量较高，ST111-01、ZST172这2个站点的日均上下车客流量都比较高。 造成这种现象的原因可能与站点的大小、经过的车次多少、承担铁路交通功能相关。 由于每个站点的情况是各不相同的，因此需要结合各个站点的客流量特征分别进行客流量的预测。 本案例选取ST111-01站点进行客流量预测，因为该站点属于上下车客流量较高的较具代表性的站点。 对ST111-01站点的客流量特征进行探索，并构建模型预测站点将来的客流量。 ;假设以离站时间作为列车的开始运行的时间，构造列车运行的时间段，取列车离站的时间点所在的小时作为列车运行的时间段，如13:04离站则截取13，表示13:00～14:00的时间段。 对ST111-01站点每个时段的上下车客流量进行统计，得到的结果如图所示。 ;根据上图可以看出，ST111-01站点在07:00～20:00的上车客流量较高，其余时间的上车客流量较低，这符合人们的作息规律。 然而在0:00～05:00的上车客流量也有着不低的水平，这可能是由于这个时段开出的长途列车正好能在第二