梁 泉 翁劍成 胡娟娟▲ 韓 冰

（1.交通運(yùn)輸部管理干部學(xué)院道路教研部 北京101601；2.北京工業(yè)大學(xué)城市建設(shè)學(xué)部 北京100124）

0 引 言

通勤出行是公共交通服務(wù)的主體，北京市每日通勤出行量約占全市公共交通出行總量的65.8%[1]。明確公交通勤乘客下次出行目的地，有助于更好地把握通勤乘客出行需求。目前，關(guān)于公交通勤乘客出行目的地需求預(yù)測(cè)，大多研究面向乘客整體均態(tài)特征開(kāi)展。實(shí)際上，不同公共交通個(gè)體乘客的工作類(lèi)型、出行習(xí)慣等屬性往往具有差異性[2-3]，勢(shì)必對(duì)目的地預(yù)測(cè)準(zhǔn)確性產(chǎn)生一定影響。鑒于此，本研究旨在提出公共交通通勤個(gè)體乘客下次出行目的地預(yù)測(cè)方法，以期準(zhǔn)確掌握公交乘客個(gè)性化出行需求，提升公共交通精準(zhǔn)化服務(wù)水平。

Lee[4]根據(jù)交通規(guī)劃普查數(shù)據(jù)，評(píng)估了工作崗位數(shù)和工人職住平衡關(guān)系對(duì)通勤量的影響，對(duì)不同工種的最低通勤需求量進(jìn)行了預(yù)測(cè)。Castiglione等[5]使用調(diào)查數(shù)據(jù)建立了基于活動(dòng)的模擬出行預(yù)測(cè)模型，結(jié)果表明：隨著隨機(jī)數(shù)序列變化和模型運(yùn)行次數(shù)增加，預(yù)測(cè)結(jié)果逐漸收斂。鄭勁松[6]提取了城市軌道交通各站點(diǎn)客流比例、平均乘距、平均票價(jià)、分時(shí)斷面客流量等關(guān)鍵指標(biāo)，通過(guò)聯(lián)機(jī)分析預(yù)測(cè)了不同票卡類(lèi)型客流和進(jìn)出站客流。靳佳[7]基于IC卡數(shù)據(jù)，挖掘了公交出行起訖點(diǎn)及客流信息，并利用空間分析方法預(yù)測(cè)了居民公交出行時(shí)空分布特性。郭婕[8]采用聚類(lèi)分析法將通勤乘客分為不同類(lèi)型，通過(guò)判定通勤乘客類(lèi)型與站點(diǎn)區(qū)段的匹配關(guān)系預(yù)測(cè)通勤乘客上車(chē)站點(diǎn)區(qū)段。Veldhuisen等[9]建立了基于個(gè)人活動(dòng)和出行計(jì)劃的離散選擇模型體系，進(jìn)而開(kāi)展了居民出行行為預(yù)測(cè)，并采用出行調(diào)查數(shù)據(jù)和交通系統(tǒng)服務(wù)水平驗(yàn)證了預(yù)測(cè)結(jié)果。

以往研究多采用現(xiàn)場(chǎng)調(diào)研和網(wǎng)上調(diào)查等手段獲得抽樣數(shù)據(jù)，通過(guò)統(tǒng)計(jì)分析方法識(shí)別并預(yù)測(cè)樣本乘客整體的出行總量及時(shí)空分布特征[10-11]；或基于已有乘客出行行為數(shù)據(jù)，利用Logit模型、重力模型等預(yù)測(cè)模型，預(yù)測(cè)未來(lái)出行OD等特性指標(biāo)，側(cè)重反映宏觀出行特征[4，12]。由于較少考慮不同類(lèi)型公交乘客的出行行為差異，并且較大程度上忽略乘客的個(gè)體特性和社會(huì)經(jīng)濟(jì)屬性，公共交通通勤乘客目的地預(yù)測(cè)精度仍有較大提升空間。

在前期研究中，筆者已經(jīng)匯聚了豐富的公交乘客社會(huì)經(jīng)濟(jì)屬性數(shù)據(jù)，通過(guò)關(guān)聯(lián)分析RP調(diào)查數(shù)據(jù)和公共交通多源數(shù)據(jù)，匹配獲得了通勤個(gè)體出行鏈，并且面向公交通勤乘客實(shí)現(xiàn)了高、中、低穩(wěn)定性分類(lèi)，識(shí)別出不同穩(wěn)定性通勤乘客目的地的關(guān)鍵影響因素[13-14]，為面向個(gè)體通勤乘客開(kāi)展更加精細(xì)化的出行目的地預(yù)測(cè)提供了支撐。但是，由于不同穩(wěn)定性乘客目的地影響因素存在類(lèi)似變量，需要尋求更加優(yōu)秀的學(xué)習(xí)模型以規(guī)避分類(lèi)出錯(cuò)的問(wèn)題。極限梯度提升算法（eXtreme Gradient Boosting，XGBoost）[15-17]較多關(guān)注被已有分類(lèi)器錯(cuò)分的數(shù)據(jù)進(jìn)而獲得新分類(lèi)器，有助于提高迭代成功率，為面向不同穩(wěn)定類(lèi)型的乘客目的地預(yù)測(cè)提供了途徑。同時(shí)，XGBoost在代價(jià)函數(shù)中加入正則項(xiàng)，能夠控制模型復(fù)雜度和防止過(guò)擬合，并且對(duì)代價(jià)函數(shù)的二階泰勒展開(kāi)，促使目標(biāo)數(shù)據(jù)優(yōu)化逼近實(shí)際值，相比其他淺層機(jī)器學(xué)習(xí)模型具有更高的預(yù)測(cè)精度和運(yùn)算效率。另外，考慮到圖譜能夠準(zhǔn)確表征分類(lèi)別的結(jié)構(gòu)化知識(shí)，作者前期研究建立的個(gè)體公交乘客出行圖譜可以提取個(gè)體乘客出行特性，并且圖譜轉(zhuǎn)移概率能體現(xiàn)目的地發(fā)生關(guān)聯(lián)性，可以進(jìn)一步優(yōu)化預(yù)測(cè)結(jié)果[18]。

因此，基于前期研究提取的不同穩(wěn)定性公共交通通勤乘客出行鏈和出行目的地關(guān)鍵影響因素，本研究以出行目的地顯著影響因素和該次目的地為輸入變量，下次出行目的地為輸出變量，通過(guò)XGBoost模型參數(shù)調(diào)優(yōu)，實(shí)現(xiàn)高、中、低穩(wěn)定性個(gè)體乘客下次出行目的地預(yù)測(cè)。在此基礎(chǔ)上，研究利用前期建立的個(gè)體公交乘客出行圖譜轉(zhuǎn)移概率，對(duì)預(yù)測(cè)結(jié)果進(jìn)行優(yōu)化，以進(jìn)一步提升預(yù)測(cè)精度。研究為提前掌握公交通勤乘客出行目的地提供方法支撐，助力精細(xì)化和定制化的公共交通出行服務(wù)。

1 數(shù)據(jù)基礎(chǔ)

通過(guò)RP調(diào)查數(shù)據(jù)和公共交通多源數(shù)據(jù)的采集、預(yù)處理與關(guān)聯(lián)匹配，提取反映出行過(guò)程的通勤個(gè)體乘客出行鏈，為公共交通目的地預(yù)測(cè)模型的變量選取奠定支撐。

1.1 RP調(diào)查數(shù)據(jù)

通過(guò)開(kāi)展RP調(diào)查，獲取乘客的公共交通出行行為信息。主要調(diào)查內(nèi)容為：①I(mǎi)C卡/億通行卡號(hào)；②乘客類(lèi)別屬性（通勤者/非通勤者）；③出行特征（出行天數(shù)、上下班/上下學(xué)出行次數(shù)、休閑類(lèi)出行次數(shù)）；④社會(huì)經(jīng)濟(jì)屬性（性別、年齡、職業(yè)、受教育程度、月收入和家庭小汽車(chē)數(shù)等）。

其中，將調(diào)查獲得的卡號(hào)與刷卡數(shù)據(jù)匹配，提取乘客公共交通刷卡數(shù)據(jù)。乘客類(lèi)別通過(guò)出行目的（通勤/非通勤）界定。出行特征信息主要用于驗(yàn)證乘客問(wèn)卷作答的一致性。

1.2 公共交通多源數(shù)據(jù)

依托北京城市交通協(xié)同創(chuàng)新中心和綜合交通協(xié)同運(yùn)行與超級(jí)計(jì)算應(yīng)用技術(shù)協(xié)同創(chuàng)新平臺(tái)，獲取北京市公共交通刷卡數(shù)據(jù)和線站數(shù)據(jù)[19]。其中，刷卡數(shù)據(jù)包括地面公交IC卡刷卡數(shù)據(jù)和軌道AFC系統(tǒng)數(shù)據(jù)，有效字段主要包含卡號(hào)、線路號(hào)、公交上下車(chē)/軌道進(jìn)出站編號(hào)及時(shí)間；線站數(shù)據(jù)包括地面公交和軌道的線站數(shù)據(jù)，有效字段主要包含站點(diǎn)編號(hào)、名稱(chēng)和經(jīng)緯度等?；谏宪?chē)時(shí)間將刷卡數(shù)據(jù)與線站數(shù)據(jù)進(jìn)行排序和整合，通過(guò)換乘點(diǎn)時(shí)空閾值判別提取個(gè)體出行鏈[20]，能夠有效獲得出行鏈起訖點(diǎn)、出行時(shí)間與距離等信息。

研究依據(jù)調(diào)查獲得的卡號(hào)與公共交通刷卡數(shù)據(jù)進(jìn)行關(guān)聯(lián)匹配，獲得563名通勤者和296名非通勤者的出行鏈數(shù)據(jù)。某通勤個(gè)體乘客出行鏈?zhǔn)疽?，?jiàn)表1。前期分析中采用關(guān)聯(lián)規(guī)則方法將通勤乘客為高、中、低3類(lèi)穩(wěn)定性的人群，實(shí)現(xiàn)了302名通勤乘客穩(wěn)定性辨識(shí)[13]。

表1 個(gè)體乘客出行鏈?zhǔn)疽釺ab.1 Trip-chain data of individual passengers

2 目的地預(yù)測(cè)方法

研究采用XGBoost算法構(gòu)建不同穩(wěn)定性通勤個(gè)體乘客下次目的地預(yù)測(cè)模型，并借助圖譜轉(zhuǎn)移概率對(duì)預(yù)測(cè)結(jié)果進(jìn)行修正。

2.1 XGBoost集成學(xué)習(xí)算法

XGBoost是基于Boosting的集成學(xué)習(xí)算法。該算法通過(guò)組合決策樹(shù)和線型分類(lèi)器等基學(xué)習(xí)器，學(xué)習(xí)模型預(yù)測(cè)誤差，改進(jìn)目標(biāo)函數(shù)，并定義樹(shù)的復(fù)雜度，盡可能提高預(yù)測(cè)準(zhǔn)確性和效率[17]。

目標(biāo)函數(shù)定義為

式中：ft(xi)為第t次迭代加入的預(yù)測(cè)函數(shù)。

定義Ω(fk)為葉節(jié)點(diǎn)總數(shù)與葉節(jié)點(diǎn)權(quán)重平方和函數(shù)。

式中：w為葉節(jié)點(diǎn)權(quán)重；γ和λ為調(diào)節(jié)系數(shù)。

本研究選取9個(gè)XGBoost算法的關(guān)鍵參數(shù)進(jìn)行調(diào)優(yōu)[17，21-22]。

1）學(xué)習(xí)速率（learning rate），表征模型的建模速率，取值范圍為[0，0.5]。

2）最大弱學(xué)習(xí)器數(shù)（n-estimators），模型構(gòu)建所需最大弱學(xué)習(xí)器的數(shù)量，取值范圍為[10，150]。

3）每棵樹(shù)最大深度（max-depth），取值越大，學(xué)習(xí)樣本越具體，取值范圍為[3，10]。

4）最小葉子節(jié)點(diǎn)樣本權(quán)重和（min-child-weight），防止過(guò)擬合，取值范圍為[1，10]。

5）節(jié)點(diǎn)分裂所需最小損失函數(shù)下降值（gamma），表示節(jié)點(diǎn)分類(lèi)所需最小損失函數(shù)的下降值，取值范圍為[0，0.5]。

6）樣本的采樣率（subsample），訓(xùn)練樣本占整體模型樣本的比例，取值范圍為[0.5，1]。

7）每棵樹(shù)采樣的列數(shù)占比（colsample-bytree），每棵樹(shù)隨機(jī)采樣特征的比例，取值范圍為[0.5，1]。

8）L1正則化項(xiàng)（alpha），權(quán)重的L1正則懲罰項(xiàng)系數(shù)。

9）L2正則化項(xiàng)（lambda），權(quán)重的L2正則懲罰項(xiàng)系數(shù)。

2.2 圖譜轉(zhuǎn)移概率計(jì)算方法

圖譜以符號(hào)的形式描述對(duì)象間的概念及相互關(guān)聯(lián)，并通過(guò)關(guān)系相互聯(lián)結(jié)，構(gòu)成網(wǎng)狀知識(shí)結(jié)構(gòu)，能夠?qū)崿F(xiàn)特征的直觀表達(dá)[18]。研究基于北京市2017年4月公共交通出行鏈數(shù)據(jù)，繪制個(gè)體出行知識(shí)圖譜，通過(guò)提取圖譜轉(zhuǎn)移概率，為目的地預(yù)測(cè)模型優(yōu)化提供支撐。步驟如下。

步驟1。出行空間位置聚類(lèi)。采用系統(tǒng)聚類(lèi)方法，將起訖點(diǎn)經(jīng)緯度歸類(lèi)將為不同的簇。

步驟2。出行時(shí)間分類(lèi)。在空間位置聚類(lèi)的基礎(chǔ)上，將每組OD簇按照出發(fā)時(shí)間與終到時(shí)間細(xì)化出行時(shí)間。05：00—23：00以2 h為間隔進(jìn)行劃分。

步驟3。出行路徑聚類(lèi)。選取出行距離和出行方向表征出行方式，開(kāi)展出行方式細(xì)化分析。

步驟4。個(gè)體出行知識(shí)圖譜構(gòu)建。采用多層規(guī)劃理論，將空間位置、出行時(shí)間與出行路徑分別作為第一、二、三層，構(gòu)建個(gè)體出行知識(shí)圖譜。各節(jié)點(diǎn)分別表示每層行為的發(fā)生頻率。

按照上述步驟，繪制乘客A知識(shí)圖譜見(jiàn)圖1。

圖1 乘客A個(gè)體出行行為知識(shí)圖譜Fig.1 Mapping knowledge graph of individual travel behaviors of passenger A

出行知識(shí)圖譜中，圓圈內(nèi)節(jié)點(diǎn)的概率表征每層行為的發(fā)生頻率，而OD簇間的弧段權(quán)重表明彼此間的轉(zhuǎn)移概率。研究表明，圖譜能夠準(zhǔn)確表征個(gè)體乘客時(shí)空出行特征和不同行為間的轉(zhuǎn)移概率[23]。圖譜轉(zhuǎn)移概率采用以下3個(gè)步驟計(jì)算得到。

步驟1。通過(guò)個(gè)體乘客出行空間位置聚類(lèi)獲得出行起訖點(diǎn)集合。

步驟2。按照出發(fā)時(shí)間將個(gè)體乘客1個(gè)月的出行鏈進(jìn)行排序。

步驟3。針對(duì)每類(lèi)OD到其他OD或自身的百分比進(jìn)行統(tǒng)計(jì)性分析，計(jì)算轉(zhuǎn)移概率。

例如，某乘客在1個(gè)月公共交通出行中，有11次第二類(lèi)OD簇發(fā)生在第一類(lèi)OD簇之后，有3次同樣出行在第一類(lèi)OD簇之后，而無(wú)第三類(lèi)OD出行。因此，從第一類(lèi)OD至第二類(lèi)OD、至自身出行和第三類(lèi)OD的轉(zhuǎn)移概率分別為0.79（11/14）、0.21（3/14）和0（0/14）。

3 下次出行目的地預(yù)測(cè)模型構(gòu)建

面向不同穩(wěn)定性的通勤者，以個(gè)體乘客為分析單元，分別構(gòu)建基于XGBoost算法的下次出行目的地預(yù)測(cè)模型。

3.1 變量選取

模型輸入變量為目的地顯著影響因素與該次出行目的地，輸出變量為下次出行目的地。基于前期研究[19]，不同穩(wěn)定性通勤個(gè)體乘客公交出行目的地影響因素存在顯著差異。選取不同穩(wěn)定性乘客目的地的差異化影響因素作為下次出行目的地預(yù)測(cè)模型的輸入變量。目的地以終到公交站點(diǎn)所在的交通中區(qū)編號(hào)表示。以規(guī)劃用地、街道辦事處、鄉(xiāng)鎮(zhèn)和新城建設(shè)用地等邊界為參考，北京市共劃分為389個(gè)中區(qū)[24]。匯總不同穩(wěn)定性公交通勤乘客下次目的地預(yù)測(cè)模型的輸入和輸出變量見(jiàn)表2。

表2 下次目的地預(yù)測(cè)模型變量選取Tab.2 Model variables for predicting next travel destination

3.2 模型構(gòu)建

參數(shù)調(diào)優(yōu)是XGBoost模型構(gòu)建的關(guān)鍵步驟。以預(yù)測(cè)平均準(zhǔn)確度和標(biāo)準(zhǔn)差為控制變量開(kāi)展5次交叉檢驗(yàn)，并逐個(gè)調(diào)整learning rate、n-estimators等9個(gè)參數(shù)，選取平均預(yù)測(cè)準(zhǔn)確度高且標(biāo)準(zhǔn)差小的取值為各參數(shù)最優(yōu)值。為保證訓(xùn)練集和測(cè)試集數(shù)據(jù)比例均衡，設(shè)置訓(xùn)練集為整體數(shù)據(jù)集的80%，輸入到XGBoost模型中，并將剩余的20%作為測(cè)試集進(jìn)行預(yù)測(cè)，測(cè)試集模型10次運(yùn)行平均值為預(yù)測(cè)準(zhǔn)確率，作為控制變量進(jìn)行模型打分。以高穩(wěn)定性乘客A為例，各參數(shù)取值的模型預(yù)測(cè)變化結(jié)果見(jiàn)圖2。

圖2 高穩(wěn)定性典型乘客A模型參數(shù)調(diào)優(yōu)過(guò)程Fig.2 Model-parameter adjustment for high stability passenger A

由圖2確定乘客A下次出行目的地預(yù)測(cè)模型的各參數(shù)最優(yōu)取值見(jiàn)表3。隨機(jī)選取該乘客整體數(shù)據(jù)的80%進(jìn)行訓(xùn)練，20%的測(cè)試數(shù)據(jù)進(jìn)行預(yù)測(cè)，得到模型運(yùn)行10次的平均預(yù)測(cè)準(zhǔn)確率為90%。類(lèi)似地，隨機(jī)選取中穩(wěn)定性、低穩(wěn)定性公共交通通勤乘客B和C，分別構(gòu)建乘客的下次目的地預(yù)測(cè)模型。選取關(guān)鍵影響因素及該次出行目的地為輸入變量，下次出行目的地為輸出變量，構(gòu)建乘客出行目的地預(yù)測(cè)模型并進(jìn)行參數(shù)調(diào)優(yōu)。基于XGBoost模型，通過(guò)模型10次運(yùn)行獲得乘客B測(cè)試數(shù)據(jù)的平均預(yù)測(cè)準(zhǔn)確度為66.67%，乘客C平均預(yù)測(cè)準(zhǔn)確度為50%。

表3 乘客A下次出行目的地預(yù)測(cè)模型參數(shù)優(yōu)化結(jié)果Tab.3 Parameter optimization of the destination prediction model of passenger A

3.3 圖譜轉(zhuǎn)移概率修正

為進(jìn)一步提高個(gè)體乘客下次出行目的地預(yù)測(cè)精度，研究基于XGBoost算法獲得的預(yù)測(cè)值，針對(duì)準(zhǔn)確度欠佳的預(yù)測(cè)結(jié)果，結(jié)合圖譜轉(zhuǎn)移概率進(jìn)行修正。

由2.2可獲得個(gè)體乘客圖譜轉(zhuǎn)移概率。研究基于100名個(gè)體乘客知識(shí)圖譜并計(jì)算轉(zhuǎn)移概率p。綜合分析可知，當(dāng)p=0.7時(shí)，目的地預(yù)測(cè)準(zhǔn)確率較高。因此，研究取p≥0.7對(duì)應(yīng)的下次目的地作為預(yù)測(cè)修正結(jié)果。

利用圖譜轉(zhuǎn)移概率修正后，乘客A下次出行目的地平均預(yù)測(cè)準(zhǔn)確率提升至91.2%，乘客B預(yù)測(cè)準(zhǔn)確率提高至83.21%，乘客C提高至69.5%。隨著乘客出行穩(wěn)定降低，圖譜轉(zhuǎn)移概率對(duì)出行目的地預(yù)測(cè)準(zhǔn)確率的修正效果越明顯。

3.4 預(yù)測(cè)結(jié)果分析

研究基于XGBoost集成學(xué)習(xí)模型，面向不同穩(wěn)定性的公交通勤乘客，依據(jù)各乘客輸入變量和輸出變量構(gòu)建模型并進(jìn)行參數(shù)調(diào)優(yōu)，分別構(gòu)建了86名高穩(wěn)定乘客、102名中穩(wěn)定乘客和114名低穩(wěn)定性乘客下次出行目的地預(yù)測(cè)模型，并結(jié)合圖譜轉(zhuǎn)移概率進(jìn)行修正。

3.4.1 模型性能評(píng)價(jià)

選取準(zhǔn)確率（Accuracy）、宏F1（MacroF1）、微F1（MicroF1）共同作為模型預(yù)測(cè)效果的評(píng)價(jià)指標(biāo)。指標(biāo)計(jì)算方法如下。

1）準(zhǔn)確率（Accuracy）

式中：RY為預(yù)測(cè)正確的樣本數(shù)，N為測(cè)試總樣本數(shù)。

2）宏F1（MacroF1）

式中：Pi為第i個(gè)目的地預(yù)測(cè)精確率；Ri為第i個(gè)目的地預(yù)測(cè)召回率。P和R計(jì)算公式見(jiàn)式（6）～（7）。

1）式中：TP為真陽(yáng)性，則預(yù)測(cè)為真，實(shí)際為真；FP為假陽(yáng)性，則預(yù)測(cè)為真，實(shí)際為假；FN為假陰性，則預(yù)測(cè)為假，實(shí)際為真。針對(duì)測(cè)試數(shù)據(jù)，每類(lèi)目的地分別計(jì)算TP、FP和FN，進(jìn)而計(jì)算P和R，得到MacroF1。MacroF1取值為（0，1），分?jǐn)?shù)越高，模型預(yù)測(cè)精度越高。

3）微F1（MicroF1）

式中：P*為合并精確率；R*為合并召回率。MicroF1取值介于（0，1），分?jǐn)?shù)越高，預(yù)測(cè)結(jié)果越好。

3.4.2 預(yù)測(cè)結(jié)果評(píng)價(jià)

根據(jù)以上評(píng)價(jià)指標(biāo)，分析高穩(wěn)定性乘客A下次出行目的地預(yù)測(cè)準(zhǔn)確性，見(jiàn)表4。該乘客目的地預(yù)測(cè)精度在圖譜轉(zhuǎn)移概率修正后變化不顯著。修正前MacroF1與MicroF1分別為0.69和0.90，修正后分別提高至0.83和0.93?？芍D(zhuǎn)移概率修正后該乘客預(yù)測(cè)模型精度小幅提高。

表4 乘客A預(yù)測(cè)結(jié)果統(tǒng)計(jì)Tab.4 Forecasting results of passenger A

研究評(píng)價(jià)中穩(wěn)定性乘客B與低穩(wěn)定性乘客C下次出行目的地預(yù)測(cè)結(jié)果，見(jiàn)表7。乘客B修正后預(yù)測(cè)精度由66.67%提高至83.21%，MacroF1與MicroF1由0.52和0.67分別提高至0.81和0.83；乘客C修正后預(yù)測(cè)精度為69.5%，相比修正前提高了19.5%，MacroF1與MicroF1分別由0.45和0.50調(diào)高至0.52和0.70?？芍蟹€(wěn)定性與低穩(wěn)定性乘客的預(yù)測(cè)準(zhǔn)確率與預(yù)測(cè)精度在圖譜轉(zhuǎn)移概率修正后實(shí)現(xiàn)了有效提升。

研究在典型乘客目的地預(yù)測(cè)模型構(gòu)建的基礎(chǔ)上，面向高、中、低3類(lèi)穩(wěn)定性通勤乘客逐一構(gòu)建XGBoost算法與圖譜轉(zhuǎn)移概率結(jié)合的預(yù)測(cè)方法，采用Python語(yǔ)言開(kāi)展下次出行目的地的預(yù)測(cè)，得到修正前后下次出行目的地平均預(yù)測(cè)結(jié)果見(jiàn)表5。可知，高穩(wěn)定性公交通勤乘客修正前后的下次出行目的地預(yù)測(cè)準(zhǔn)確率與精度變化不明顯，修正后平均預(yù)測(cè)準(zhǔn)確率為92.12%，MacroF1和MicroF1分別為0.80和0.92。中、低穩(wěn)定性乘客預(yù)測(cè)結(jié)果提高顯著：中穩(wěn)定性乘客修正后平均預(yù)測(cè)準(zhǔn)確率提高了8.39%，達(dá)到80.92%，MacroF1和MicroF1分別為0.52和0.81；低穩(wěn)定性乘客修正后預(yù)測(cè)準(zhǔn)確率提高了14.14%，提升至67.27%，MacroF1和MicroF1分別為0.48和0.67。

表5 不同穩(wěn)定性公共交通通勤乘客下次出行目的地預(yù)測(cè)結(jié)果統(tǒng)計(jì)Tab.5 Forecasting results of next travel destinations ofpublic transport commuters with different stability

由以上分析可知，不同出行穩(wěn)定性的公交通勤乘客，其出行目的地預(yù)測(cè)結(jié)果的準(zhǔn)確性存在較大差異。高穩(wěn)定性乘客，由于其出行特征較為固定，因此僅依靠XGBoost算法便能得到較高的預(yù)測(cè)準(zhǔn)確性，且通過(guò)圖譜轉(zhuǎn)移概率修正也較少有進(jìn)一步提升空間。相反，中、低出行穩(wěn)定性乘客其出行規(guī)律較難把握，因此僅借助XGBoost算法較難獲得理想的預(yù)測(cè)精度，而圖譜轉(zhuǎn)移概率的加入可以較大程度上提升預(yù)測(cè)效果，但總體仍低于高穩(wěn)定性乘客的預(yù)測(cè)準(zhǔn)確度。

4 下次出行目的地聚合與結(jié)果驗(yàn)證

研究分別面向高、中、低穩(wěn)定性共302名通勤乘客的下次出行目的地開(kāi)展聚合分析。并依托北京市城市公共交通智能化應(yīng)用示范工程——城市公共交通運(yùn)行監(jiān)測(cè)與綜合信息服務(wù)系統(tǒng)（以下簡(jiǎn)稱(chēng)公交都市系統(tǒng)）的實(shí)時(shí)數(shù)據(jù)對(duì)聚合結(jié)果進(jìn)行驗(yàn)證。

4.1 下次出行目的地聚合

截至2017年4月25日24：00，面向302名公共交通通勤者，在順次預(yù)測(cè)各乘客下次出行目的地的基礎(chǔ)上，開(kāi)展下次目的地聚合的統(tǒng)計(jì)性分析。

預(yù)測(cè)各高穩(wěn)定性乘客在第二天（2017年4月26日）第一次采用公共交通出行的目的地。通過(guò)與實(shí)際刷卡數(shù)據(jù)對(duì)比，平均預(yù)測(cè)準(zhǔn)確率達(dá)92.84%。并根據(jù)預(yù)測(cè)結(jié)果，統(tǒng)計(jì)TOP10熱點(diǎn)目的地，對(duì)應(yīng)交通中區(qū)見(jiàn)表6。熱點(diǎn)目的地分別占高穩(wěn)定性乘客出行所有目的地比例，共計(jì)占下次出行目的地的68.75%。

表6 高穩(wěn)定性乘客下次出行熱點(diǎn)目的地預(yù)測(cè)Tab.6 Prediction of hot destinations for high stabilitypassengers'next trip

同樣地，預(yù)測(cè)得到中、低穩(wěn)定性乘客在2017年4月26日第一次乘坐公共交通的目的地，通過(guò)與實(shí)際出行數(shù)據(jù)對(duì)比，平均預(yù)測(cè)準(zhǔn)確率分別為80.67%和68.39%。根據(jù)預(yù)測(cè)結(jié)果統(tǒng)計(jì)TOP10熱點(diǎn)目的地所在的交通中區(qū)，及各熱點(diǎn)目的地占所有中、低穩(wěn)定性乘客下次出行目的地的占比分別為53.92%和48.75%，見(jiàn)表7～8。

表7 中穩(wěn)定性乘客下次出行熱點(diǎn)目的地預(yù)測(cè)結(jié)果Tab.7 Prediction of hot destinations formoderate-stability passengers'next trip

表8 低穩(wěn)定性乘客下次出行熱點(diǎn)目的地預(yù)測(cè)結(jié)果Tab.8 Prediction of hot destinations for low-stability passengers'next trip

4.2 聚合結(jié)果驗(yàn)證

由于公交都市系統(tǒng)出行者不區(qū)分穩(wěn)定性，研究將不同穩(wěn)定性公交通勤乘客在2017年4月26日早高峰乘坐公共交通出行的預(yù)測(cè)結(jié)果進(jìn)行統(tǒng)合。依據(jù)公交都市系統(tǒng)記錄的公共交通出行特征信息，提取2017年4月26日通勤出行量和各交通中區(qū)出行吸引量數(shù)據(jù)，對(duì)通勤群體目的地預(yù)測(cè)結(jié)果進(jìn)行對(duì)比驗(yàn)證。統(tǒng)合結(jié)果與公交都市系統(tǒng)熱點(diǎn)交通中區(qū)的對(duì)比，見(jiàn)表9。

表9 通勤乘客群體熱點(diǎn)目的地對(duì)比Tab.9 Comparisons of hot destinations of commuterpassengers

由交通中區(qū)排序結(jié)果可得以下結(jié)論。

1）熱點(diǎn)目的地預(yù)測(cè)值與真實(shí)值吻合度較高，有9個(gè)預(yù)測(cè)目的地中區(qū)在真值范圍內(nèi)，并具有相近的排序。

2）按照排序依次計(jì)算相鄰目的地吸引量比值，得到客流預(yù)測(cè)值變化梯度分別為1.07，1，1.17，1.09，1.22，1.125，1，1.33，1；對(duì)于熱點(diǎn)目的地真值，客流變化梯度分別為1.04，1.05，1.24，1.02，1.35，1.35，1.01，1.02，1.01。計(jì)算客流預(yù)測(cè)值與真值變化梯度的絕對(duì)百分誤差見(jiàn)表10，均小于10%。由于不同熱點(diǎn)目的地其高、中、低出行穩(wěn)定性乘客的占比不一樣，所以導(dǎo)致客流變化梯度的絕對(duì)百分誤差存在一定不同。絕對(duì)百分誤差低的交通中區(qū)高穩(wěn)定性乘客占比高，客流預(yù)測(cè)值準(zhǔn)確度高；相反，絕對(duì)百分誤差高的交通中區(qū)其低穩(wěn)定性乘客占比高，客流預(yù)測(cè)值準(zhǔn)確度低。

表10 客流變化梯度對(duì)比Tab.10 Comparison of variable gradients of passenger flow

5 結(jié)束語(yǔ)

1）基于XGBoost算法，以出行目的地顯著影響因素和該次目的地為輸入變量，下次出行目的地為輸出變量，并結(jié)合圖譜轉(zhuǎn)移概率修正，構(gòu)建了不同穩(wěn)定性公共交通通勤個(gè)體的下次出行目的地預(yù)測(cè)方法。

2）隨機(jī)選取個(gè)體乘客整體數(shù)據(jù)的80%作為訓(xùn)練集，另外20%數(shù)據(jù)作為測(cè)試集，獲得高、中、低穩(wěn)定性乘客的平均預(yù)測(cè)精度分別為92.12%，80.92%和67.27%，MacroF1分別為0.80，0.52和0.48，MicroF1分別為0.92，0.81和0.67。高穩(wěn)定性乘客下次出行目的地總體預(yù)測(cè)精度超過(guò)90%，隨著乘客采用公共交通出行的穩(wěn)定性減弱，預(yù)測(cè)精度相應(yīng)降低。

3）基于公交都市系統(tǒng)出行數(shù)據(jù)開(kāi)展聚合結(jié)果驗(yàn)證，結(jié)果表明熱點(diǎn)目的地客流變化梯度絕對(duì)百分誤差均小于10%。在劃分通勤乘客出行穩(wěn)定性的基礎(chǔ)上，融合XGBoost和圖譜修正的公交通勤乘客目的地預(yù)測(cè)預(yù)測(cè)方法具有較高準(zhǔn)確性。

由于低穩(wěn)定性通勤乘客出行規(guī)律性較弱，未來(lái)將面向低穩(wěn)定性乘客進(jìn)一步開(kāi)展出行目的地預(yù)測(cè)概率方法研究，助力分析低穩(wěn)定性乘客未來(lái)出行空間分布特征。除此，后續(xù)將拓展不同穩(wěn)定性乘客從個(gè)體到群體至區(qū)域?qū)用娴哪康牡仡A(yù)測(cè)方法，促進(jìn)公交乘客目的地預(yù)測(cè)在公交走廊及區(qū)域?qū)用鎸?shí)際驗(yàn)證和推廣應(yīng)用，助力交通服務(wù)影響政策制定與評(píng)估。