公交客流预测的主要步骤及相关模型算法
公交客流预测步骤及模型简介
把握公交客流变化规律、开展公交客流预测工作可提高公交调度精准度及乘客满意度，同时提高企业资源利用效率。下面我们简要介绍公交客流预测步骤及目前研究较多的一种模型。
（一）主要步骤
1.
数据获取：
需获取的数据源主要包括：公交乘客支付流水数据、GPS到离站数据、发车间隔等公交内部数据，此外，为了提高预测准确度，还需采集对客流影响较大的外部因素的相关数据，如：天气、温度、是否工作日、节假日等。
2.
客流影响因素分析：
公交内部对客流影响较大的因素主要包括：线路走向、站点覆盖、发车间隔、运营速度、车辆设施、服务态度、运营安全等，这些因素会影响市民对公交这一出行方式的体验感、获得感及忠诚度；从公交系统外部分析来看，天气、温度、日期类型及其他交通方式的便捷度是影响市民出行选择的重要因素，冬季大雪低温天气下的公交客流较平常增多，春节期间客流较平常下降明显。
图1 12月份公交客流变化图（部分日期）
各因素对公交客流影响程度大小的判断可以采用相关系数计算、主成分分析、回归分析、时间序列分析等方法，以确定影响程度较大的内外部因素，这些因素可在建模预测过程中提高模型性能。
3.
模型构建：
以深度学习模型为例，建模过程如下：首先，确定模型输入、输出数据，并对数据预处理，预处理主要包括缺失值、异常值的处理及数据整合、客流影响因素的特征提取等；其次，根据数据复杂度选择合适的模型进行建模；模型建立后，可借助贝叶斯优化、遗传算法等确定模型参数或多次实验手动调参；之后，可借助准确率等指标评估模型性能，当准确率较高时建模完成。高性能模型的建立是不断迭代的过程，需多次调整模型及参数优化。
（二）相关模型算法介绍
根据相关文献统计，目前常用的公交客流预测模型包括：传统统计模型、机器学习模型及深度学习模型，其中传统统计模型基于统计学原理进行预测，主要包括线性回归、逻辑回归、时间序列分析等；机器学习模型利用计算机算法自动学习数据特征、进行模型优化，主要包括决策树、支持向量机等；深度学习模型相对有更好的泛化能力，可以处理较复杂的任务，主要包括卷积神经网络、循环神经网络等。下面简单介绍研究应用较多的深度学习预测模型——长短期记忆网络（LSTM）。
LSTM是一种特殊的循环神经网络，模型的核心结构包括三个门控单元：遗忘门、输入门和输出门，遗忘门控制上一时刻的单元状态需要遗忘多少信息，输入门控制当前时刻的候选状态有多少信息需要保存，输出门控制当前时刻的内部状态有多少信息需要输出给外部。该模型的建模预测流程如下：
图2 LSTM建模预测流程
LSTM模型在时间序列预测、自然语言处理、语音识别及手写识别等领域应用广泛，该模型将时间序列属性纳入其结构中，可以对公交客流量随时间序列的变化进行深层次的训练和特征提取。通过建立高性能模型，其预测结果可为公交企业掌握未来期客流变化特征提供数据支撑，从而指导运营调度工作、提高公交吸引力。
参考文献：
[1]刘妙男,王魏,胡显辉等.基于因果卷积和Informer模型的城市公交客流预测[J/OL].控制工程,1-10[2023-12-21].
[2]严春荣.降雨天气下的城市公交客流预测及调度优化[D].西安建筑科技大学,2023.
END
更多阅读