基于多边形与全球机器学习模型的巴士座位预测比较分析
机器学习
2026-05-04 v1
摘要
准确预测巴士乘客数量（座位占用率）对于高效管理和优化公共交通系统至关重要。传统预测模型往往无法捕捉不同城市区域的独特且局部动态，因为它们将整个城市视为单一均匀区域。本文引入一种新框架，通过整合空间聚类方法和多维特征分析来增强巴士乘客预测。该框架利用多样化数据，包括按线路号、时间和巴士站点统计的巴士乘客数据，补充以各种开源数据，例如空间特征（如吸引力目的地）、气象条件（如温度、降雨）和时序模式（如时间、星期）。通过基于巴士站点在空间上彼此靠近且共享类似乘客特征的原则，将城市聚类划分为 distinct 区域，为每个区域训练一个独立的局部预测模型。这种局部方法显示出与全局模型相当的准确率。研究发现，空间感知、局部建模策略对公共交通预测有效，为更精准、更高效的服务改进铺平了道路。
引用
@article{arxiv.2605.00083,
title = {Comparative Analysis of Polygon-Based and Global Machine Learning Models for Bus Occupancy Prediction},
author = {Daniel Azenkot and Michael Fire and Eran Ben Elia},
journal= {arXiv preprint arXiv:2605.00083},
year = {2026}
}