典型文献
多因素的XGBoost城市轨道交通短时客流预测方法
文献摘要：
为准确预测城市轨道交通短时客流,为城市轨道交通运营管理部门在行车计划时提供参考依据,分析杭州地铁2019年1月全站客流的历史Automatic Fare Collection(AFC)刷卡数据,及城市轨道交通客流的波动特征及影响因素,综合考虑日期属性、Point of Interest(POI)属性以及天气属性,并将多特征输入Extreme Gradient Boosting(XGBOOST)模型当中,建立了一种考虑多因素的XGBOOST城轨交通客流预测模型;最后以杭州地铁全线客流为例进行实例分析,验证考虑多因素的XGBOOST模型的精度,并和随机森林(Random Forest,简称RF)预测模型做对比.结果表明,单一XGBOOST模型的预测精度高于单一随机森林模型,考虑多因素的XGBOOST模型相较于单一XGBOOST模型的预测误差MAE最高下降了26.64％,考虑多因素的随机森林模型相较于单一随机森林的平均绝对误差最高下降了17.63％.说明考虑多因素可以提升城市轨道交通客流预测精度,且考虑多因素的XGBOOST模型与考虑多因素的随机森林模型相比具有更高的预测精度.基于预测结果进一步分析杭州地铁全站客流量的特点,为地铁运营组织提供参考意见.
文献关键词：
城市轨道交通;多因素;客流预测;XGBOOST;随机森林
中图分类号：
作者姓名：
付甜;刘晓锋;陈强
作者机构：
天津职业技术师范大学 汽车与交通学院,天津 300222
文献出处：
引用格式：
[1]付甜;刘晓锋;陈强-.多因素的XGBoost城市轨道交通短时客流预测方法)[J].装备制造技术,2022(10):34-37,56
A类：
B类：
XGBoost,短时客流预测,准确预测,城市轨道交通运营管理,行车计划,杭州地铁,全站,Automatic,Fare,Collection,AFC,刷卡数据,轨道交通客流,波动特征,Point,Interest,POI,多特征,Extreme,Gradient,Boosting,XGBOOST,城轨交通,全线,Random,Forest,RF,随机森林模型,预测误差,MAE,高下,平均绝对误差,客流量,地铁运营,运营组织
AB值：
0.299259
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
