连续空间需求区域的全球与局部概率性时间序列预测比较分析

本研究评估了三种概率预测策略的表现，使用LightGBM进行全球池化、聚类级别池化和站点级别建模，涵盖从完全均匀的模拟数据到2023-2024年观察到的高度异构的Divvy自行车需求。使用K-means算法对主成分分析转换后的协变量进行聚类，这些协变量包括时间序列特征、附近交通基础设施的数量以及当地人口特征。采用预测区间覆盖概率(PICP)、归一化区间宽度(PINAW)和中位数预测的均方误差(MSE)评估预测性能。结果显示，集成站点标识符的全局LightGBM模型在大多数情景下均优于聚类级别和站点级别模型。这些全局模型有效地利用了完整的横截面数据集，同时通过站点标识符实现局部调整，导致预测区间覆盖率更好、区间更锐利且预测误差更低。相比之下，基于聚类的模型常常存在残余的群内异构性，导致准确性下降。站点级别模型在异构环境中捕捉细粒度的局部动态。这些发现凸显了集成站点标识符的全局LightGBM模型为交通需求预测提供了稳健、可扩展且计算效率高的框架。通过在全局结构与局部特定性之间取得平衡，这种方法为实际的 mobility 应用提供了实用且有效的解决方案。