将出行行为规律性纳入客流预测
应用统计
2021-06-07 v2 计算机与社会
摘要
准确预测客流（即客流量）对城市地铁系统的运营至关重要。以往研究主要将客流聚合个体出行后作为时间序列建模，并基于过去若干步的数值进行预测。然而，该方法本质上忽视了客流由每位个体出行者的出行构成这一事实。例如，某出行者早晨的工作出行可帮助预测其傍晚的回家出行，而这种因果结构无法在标准时间序列模型中显式编码。本文中，我们提出一种新的上车流预测框架，将生成机制纳入标准时间序列模型，并利用根植于出行行为中的强规律性。为此，我们引入来自先前下车出行的返回流作为新协变量，其基于出行行为捕捉客流数据中的因果结构与长程依赖。我们发展了返回概率平行四边形（RPP）以总结因果关系并估计返回流。所提框架使用真实世界客流数据评估，结果证实返回流——单一协变量——可大幅且稳定地改善多种预测任务，包括单步超前预测、多步超前预测以及特殊事件下的预测。并且所提方法对于大多数乘客当日往返的商务型车站更为有效。本研究可扩展至其他交通方式，也为由用户行为产生因果结构与长程依赖的一般需求时间序列预测问题提供了新思路。
引用
@article{arxiv.2004.00992,
title = {Incorporating travel behavior regularity into passenger flow forecasting},
author = {Zhanhong Cheng and Martin Trepanier and Lijun Sun},
journal= {arXiv preprint arXiv:2004.00992},
year = {2021}
}