基于梯度提升的城市轨道交通客流量预测分析.pdfVIP

基亏梯度提升的城市轨道交通客流量预测分析

丁聪1倪少权2吕红霞2

(1．西南交通大学信息科学与技术学院，611756，成都；

2．西南交通大学交通运输与物流学院，610031，成都／／第一作者，硕士研究生)

摘要通过分析城市轨道交通日均客流及相关影响因素升了预测效果[1引。近年来机器学习技术得到广泛

的变化特征，以多种因素作为数据集特征，采用梯度提升法应用，有的采用特殊结构神经网络口圳、支持向量

和随机森林的混合模型对日均客流量进行预测。以北京地机bo等方法实现客流量预测，并通过分析客流特征

铁客流数据作为研究对象，对模型进行了试验。试验结果表研究居民出行规律和交通规律。本文在参考已有

明，基于梯度提升和随机森林的混合模型相较于常规ARI—

算法的基础上【6引，使用梯度提升决策树混合模型

MA模型和随机森林模型具有更好的适应性，在常态和特殊

预测城市轨道交通客流量，并分析相关影响因素

情况下均能取得可接受的预测效果。

特征。

关键词城市轨道交通；客流量预测；梯度提升

中图分类号U293．131梯度提升决策树基本原理

DOI：10．16037／j．1007—869x．2018．09．015

梯度提升决策树是一种通过构建多个弱学习

器、并将之组合形成强学习器的集成模型。通常使

ForecastandofUrbanRaftTransit

Analysis

Flow用分类回归决策树作为弱学习器。分类回归决策

BasedonGradient

PassengerBoosting

D玳G树是一种应用较为广泛的决策树实现方法，其每一

Cong，NIShaoquan，LYUHongxia

Abstracttransitflow次训练尽可能遍历所有可能的属性取值，依据最佳

therail

Byanalyzingpassenger

daily

andthevariationcharacteristicsofrelated分割点将样本数据分为2个部分，以递归分割的方

influencingfactors，

variousfactorsarecollecteddataa

astheset

features，andgra—式，不断循环直至终止条件。

dientmethodiswiththe

boostingregressionemployedtogether梯度提升属于提升算法体系的一种，由斯坦福

forestflow．

randommodeltoforecastthedaily

passenger

modelistestedbasedonthedataof

Then，theBeijingmemo，损失函数的负梯度在当前模型下的值作为模型本

Iesllltshowsthatboos—

thethemodelbasedon

hybridgradient次训练结果残差的近似，