预测 MBTA 交通动态：统计与机器学习模型的性能基准测试
机器学习
2025-12-03 v1
摘要
马萨诸塞州湾岸交通局（MBTA）是波士顿主要的公共交通服务者，运营包括火车、地铁和公交车等多种交通方式。然而，该系统常面临延误和乘客量波动，严重影响效率和乘客满意度。为进一步理解这一现象，本文比较现有和独特方法，以确定预测地铁系统封闭站进入量（地铁使用量的代理指标）和整个MBTA系统延误数量的最佳方法。为此，本研究考虑影响公共交通的因素，如星期几、季节、气压、风速、平均温度和降水量。本文评估了10种统计和机器学习模型在预测次日地铁使用量方面的性能。在预测延误数量时，模型数量扩展至11种/天，通过引入自激发点过程模型，代表对MBTA延误建模的独特应用。本研究涉及对 selectively 包含特征以确定特征重要性、通过均方根误差（RMSE）测试模型准确性。令人惊讶的是发现，仅提供星期几或季节数据对预测准确性的提升作用更大；事实上，提供天气数据通常会损害性能，表明模型倾向于过拟合。
引用
@article{arxiv.2512.02336,
title = {Forecasting MBTA Transit Dynamics: A Performance Benchmarking of Statistical and Machine Learning Models},
author = {Sai Siddharth Nalamalpu and Kaining Yuan and Aiden Zhou and Eugene Pinsky},
journal= {arXiv preprint arXiv:2512.02336},
year = {2025}
}
备注
14 pages 9 figures