结合事件数据的蒙特利尔地铁智能卡进站日志预测

交通运营商的主要目标之一是在各个特定时段根据乘客需求调整现有交通网络的运力调度。运营商提到的另一个问题是准确估计一次性车票或通票的的需求，以使票务供应适应乘客需求。在此背景下，我们提出了一种通用数据整形方法，允许使用已知的回归模型（基础、统计及机器学习模型）以细粒度时间分辨率进行乘客需求的长期预测。具体而言，本文通过考虑计划事件（例如音乐会、演出等），研究提前一年对交通网络中各站点进站乘客数按一刻钟聚合进行的预测。为比较模型及预测质量，我们使用了来自加拿大蒙特利尔市的真实智能卡与事件数据集，该数据集跨度三年，其中两年用于训练，一年用于测试。