基于数据驱动的方法用于推断城市铁路系统高峰时段的旅行轨迹
机器学习
2025-12-18 v1
摘要
城市铁路系统的轨迹推断精细化对于运营组织具有重要意义。本文发展了一种完全数据驱动的方法，用于推断城市铁路系统中的个体旅行轨迹。该方法利用自动票价收集（AFC）和自动车辆定位（AVL）系统的数据，推断关键轨迹元素，包括所选火车、进入/离站时间以及换乘时间。该方法包括基于时空约束建立火车备选集、数据驱动的自适应轨迹推断以及旅行轨迹构建。为实现数据驱动的自适应轨迹推断，本文提出了一种基于KL散度结合EM算法（KLEM）的数据驱动参数估计方法。该方法消除了对外部或调查数据进行参数拟合的依赖，增强了模型的鲁棒性和适用性。此外，为克服使用合成数据验证结果的局限性，本文采用真实的个体旅行轨迹数据进行验证。结果表明，本文开发的方法可实现高精度的客流轨迹推断，在城市铁路系统高峰时段的旅行轨迹推断准确率超过90%。
引用
@article{arxiv.2512.14728,
title = {A data-driven approach to inferring travel trajectory during peak hours in urban rail transit systems},
author = {Jie He and Yong Qin and Jianyuan Guo and Xuan Sun and Xuanchuan Zheng},
journal= {arXiv preprint arXiv:2512.14728},
year = {2025}
}