基于多源数据划分和残差不同时更新的地铁客流区间预测.pdfVIP

洞察先机INSIGHTINTOOPPORTUNITIES

基于多源数据划分和残差不同时更新的地铁客流区间预测

文/成一帆李新爱

近年来，城市轨道交通凭借其速度快、舒适、环境污染低等优势和高德迁入指数、百度迁入指数和百度迁出指数。在宏观层面上，

成为应对路面交通拥挤的有效措施，迎来了爆发式发展，成为大中它们反映了城市间人口流动的趋势。还获得了目标城市的城市内

[1]

型城市中不可或缺的公共交通工具。随着城市轨道交通线网的快迁移指数作为特征“b”。它由市内出行强度指数、市内工作娱乐指

速扩张，我们需要顺应大客流的发展趋势，有效分析客流发展情况数和市内工作指数组成。它是一个微观指标，可以显示目标城市内

[2]

来科学地组织相应的运营管控。随着智能交通系统的发展，交通流的动态。其次，由城市发展演变的相似性可能会导致交通流的相似

预测成为一个非常重要的问题。原始交通流数据分布构造极其不稳性。以包含目标城市的商业中心内的第二大城市的地铁客流为特

定，数据具有完全随机性，为掌握不同时段数据的特点，需对数据进征“c”。同时，我们收集了影响目标城市短期地铁客流的其他特征

行有效聚类。当聚类对象的不确定性较强时，聚类中心只能反映类“d”。然后，将点预测结果的误差作为特征“e”。介绍了五种类型的

别之间的差异，不能反映类别内部误差点分布的具体情况。为了得特征，为了方便起见，我们可以将上述特征的组合标记为“多元数

到更精确的预测区间，需要对突变时段预测误差的不确定性进行描据（a，b，c，d，e）”。

述，获取更多类内误差分布的信息。近年来，云模型开始在预测方二、数据分段预处理

面得到广泛应用，但未分析根据其分类依据各情况下的误差特性，以点预测误差为基点进行突变和非突变判断，然后利用误差进

没有基于不确定性研究模型与误差之间的具体适配性。本文利用行特征选取，若误差与特征关联度大则说明该特征的存在会影响误

不同技术的优势分析了数据并得到了预测结果，同时也探索了未差的产生，反之亦然。本文以云模型结果为导向，选择将周内数据和

来可能会有的研究方向。当前影响城市居民出行行为的因素多种周末数据分别作为不同的观察对象进行预测。

[3]

多样，导致地铁客流情况复杂多变。本文首先利用影响出行的天三、分段数据的预测

[4]

气和空气质量等直接因素来帮助理解地铁客流的动态。此外，我不同的数据选择不同的预测方式，选择适配度高的预测方法可

们还深入研究了人口流动的变化和邻近城市地铁客流的发展对目以使得结果更为精准。不同的预测方法是以模型误差为基准来校准

标城市客流的影响。值得注意的是，反映城市人口流动的众多迁移区间预测的范围，但模型误差的调节应该根据云模型的结果分配给

指标和同质邻近城市的地铁客流可以为目标城市的地铁客流量预不同区段的数据进行最终预测。本文最终选定将周内数据进行残差

测提供更有效的特征，具有重要的研究价值。通过整合这些特征本更新预测而周末数据进行不更新的残差预测，将最后结果整合。

文提出了一种创新的混合区间预测框架，该框架结合了多信息采四、多特征测试和预测评估

集、数据分段等预处理、多特征测试和预测评估。将数据集分为训练集和测试集，利用不同的区间预测评判指标

一、多信息采集进行说明。可以通过设置四个实验验证提出框架的优越性。实验一

首先，我们将短期地铁客流预测的城市作为目标城市。目标城用来测试“特征a，b，c，d，e”的辅助预测能力；在实验二中考察数据

市人口输入和输出的迁移指数被收集为特征“a”，包括高德迁出指数分段的重要性；实验三验证提出模型的适应能力，也就是分段预测

建设，夯实医药供应链数字化发展基础。数字基础设施建设是数据生性以及数字赋能供应链的机遇和困境，提出完善数字化基础设

成、收集、存储与使用的关键，完备与高效的基础设施建设为医药供施、数字化技术与医药供应链深度融合等供应链韧性提升路径，