面向特殊活动的公共交通：客流预测与列车优化

许多特殊活动，包括体育比赛和音乐会，常导致交通系统需求激增和拥堵。因此，交通运营方理解其对中断、延误和票款收入的影响十分重要。本文提出了一套数据驱动技术，利用自动售检票（AFC）数据来评估、预测和管理由特殊活动引起的周期性拥堵高峰期间交通系统的性能。这包括利用大都会亚特兰大快速交通管理局（MARTA）的轨道数据，对亚特兰大市中心两座主要体育场的客流进行广泛分析。本文首先突出了各站点在活动日与非活动日聚合层面的客流可预测性。随后提出一个无监督机器学习模型来聚类乘客并识别其所搭乘列车。该模型使得从每列车载客量和乘客等待时间等基本指标评估系统性能成为可能。本文还提出用于预测客流的线性回归与随机森林模型，并结合历史吞吐量分析来预测需求。最后，通过仿真展示了利用所提技术基于预测需求优化列车频次在等待时间和需求匹配方面的潜在改进。