基于含噪 APC 数据设计城市级公交网络日前与当日客流预测模型

准确预测公共交通客流需求的能力能使乘客和公交机构双方受益。公交机构将能够重新分配公交车以处理利用不足或过度拥挤的公交线路，从而提高资源利用率；乘客也将能够调整并规划其日程安排，以避免乘坐拥挤的公交车并保持一定的舒适度。然而，准确预测载客量并非易事。各种因素（如异质性、不断变化的客流模式、天气等外生事件以及其他随机变量）使得该任务更具挑战性。随着大数据的发展，公交管理部门现在能够获取其车辆的实时载客量信息。生成的数据量是惊人的。尽管数据并不短缺，但在生成任何有用信息之前，仍必须对其进行清洗、处理、增强和合并。本文提出使用并融合来自多个数据源的数据，经过清洗、处理和合并后，用于训练机器学习模型以预测公交客流。我们使用跨越 2 年（2020-2022）的数据，包含公交、天气、交通和日历数据。最终得到的数据相当于 1700 万条观测记录，用于分别训练行程级和站点级预测模型。我们在田纳西州纳什维尔市公共交通机构提供的真实公交数据上评估了该方法。我们证明，基于 Xgboost 的行程级模型和基于 LSTM 的站点级模型在整个公交服务日内的表现均优于基线统计模型。