基于统计学的地铁换乘客流数据预测的特征提取研究.pdfVIP

人民公交总第206期

PEOPLESPUBLICTRANSPORTATION

摘 要：本文通过统计分类法对车站换乘客流进行回归分析，结合显著性影响结果，选取工作日、温差、风力、季节等作

为神经网络输入向量，利用BP神经网络完成对换乘客流的预测，可靠测试样本量达到了86.7%，为今后在机器学习背景下进

行换乘客流预测时的特征提取提供了一定参考方向。

关键词：地铁换乘客流数据；特征提取；数据预测

课题项目：2024年浙江省教育厅一般科研项目“预燃室内电火花点燃空气辅助喷射柴油射流点燃主燃室内氨气的燃烧特性

研究”（项目编号：Z3204015）；浙江省教育科学规划2024年度一般规划课题“城市轨道交通运营管理专业实训数字化平台

体系的构建和应用”（项目编号：2024SCG030）

基于统计学的地铁换乘客流数据预测的特征提取研究

██文/刘莹莹█方栋华█赵帅帅█杭州万向职业技术学院

机器学习在地铁客流数据分析中扮演着重要角色，练集、测试集的特征选取方案的研究较少。

它能利用智能算法对大量数据进行学习，总结数据特征。

地铁车站客流量预测受多因素影响，数据量庞大。鉴于1地铁换乘客流数据分析的重要性

机器学习在复杂、庞大数据类型分析中的卓越表现，为地铁车站的客流数据分析一般围绕客流预测展开，

准确预测基于历史车站客流数据的客流情况，机器学习车站客流的预测一方面可对车站不同时刻客流管理方案

成为一个值得探索的研究方向，有助于构建精准的客流提供数据参考，必要时可提前做好客运方案调整；另一

预测经验模型。国内外学者针对地铁车站客流的预测，方面，车站客流数量的变化，尤其是换乘客流，会引起

提出了多种预测模型和算法，如支持向量机和统计分析地铁线路供电负荷量输出不同，尤其短期大客流的出现

等方法。此外，神经网络作为机器学习的重要算法大严重时会造成线网内其他车站供电波动，同时也对客流

[1]

军，也广受各类学者的喜爱。如李青云以北京地铁为组织工作提出动态变化的要求，成熟的客流预测可在供

例，提出了一种基于深度学习的客流预测模型。模型通电安全方面提高线网内轨道交通的运行可靠性。同时，

过分析历史数据和实时数据，能够准确预测未来客流；鉴于各地铁车站客流预测的动态可控性低，故究其各因

[2]素对客流预测量的影响值及相关性大小值得深究，它可

王雅观提出了一种基于机器学习的框架，利用实时数

据预测地铁客流。框架结合了多种机器学习算法，能对相关专业方向的数据库搭建提供一定的参考。客流量

够动态调整预测模型；熊洋[3]提出了一种结合ARIMA和是地铁车站的运营收益根源，故影响地铁车站客流预测

LSTM的混合模型，用于预测地铁客流，ARIMA用于捕捉的特征提取，对今后车站运营盈收评估及相关新线建设

线性关系，LSTM用于捕捉非线性关系；傅晨琳等[4]依托发展都很重要。

BP神经网络原理，结合其他数据处理算法[5-6]对客流进行

了预测；也有学者通过灰狼优化算法模型（GWO-WNN2基于统计学的地铁换乘客流预测模型和特征提

模型）[7]预测了城市轨道交通短时进站客流以及其他复取方案

合型神经网络模型[8-10]的预测算法。前述学者在地铁客流特征提取是机器学习过程中的关键，对地铁客流数

数据分析过程中，较多关注车站总客流及智能算法的预据分析至关重要。有效的特征提取能揭示客流的内在规

测精度，但在统计分析学方面，对机器学习算法中的训律和模式，为预测、优化和决策提供支持。地铁车站设

1162025/14

发展

纪实

DevelopmentDocumentary

置需满足客流吸引、城市规划、行车组织等需求，特别数据显示