基金項目：

2021年度廣西高校中青年教師科研基礎(chǔ)能力提升項目“基于DALI及無線技術(shù)的智能照明控制系統(tǒng)的研究與應(yīng)用”（編號：2021KY1125）

作者簡介：

王菊嬌（1986—），碩士，講師，工程師，研究方向：電子信息技術(shù)，物聯(lián)網(wǎng)技術(shù)、計算機(jī)應(yīng)用技術(shù)。

摘要：針對軌道交通客流量預(yù)測問題，文章以南寧市軌道交通1號線為對象，提出了一種基于多模型Stacking集成學(xué)習(xí)的方法，對客流量進(jìn)行預(yù)測并進(jìn)行評估。通過融合XGBoost、LightGBM和LSTM模型，利用各模型優(yōu)勢互補(bǔ)，降低過擬合風(fēng)險，提高預(yù)測準(zhǔn)確性和泛化能力。結(jié)果顯示：Stacking模型在客流量預(yù)測中表現(xiàn)優(yōu)異，與實際值接近，評價指標(biāo)表現(xiàn)良好，可有效提高運(yùn)營效率和管理決策水平。

關(guān)鍵詞：軌道交通；客流量預(yù)測；Stacking集成學(xué)習(xí)

中圖分類號：U491.1+4文獻(xiàn)標(biāo)識碼：A 47 157 3

0 引言

近年來，城市軌道交通迅速發(fā)展，據(jù)2023年數(shù)據(jù)顯示，全國已有66座城市開通城市軌道交通，總線路長度達(dá)11 900.29 km，其中僅當(dāng)年新增的城市軌道交通運(yùn)營線路長度達(dá)884.55 km，占全球新增線路長度的42.56%。高效便捷、綠色經(jīng)濟(jì)的軌道交通，日益成為人們的優(yōu)選出行工具。然而，軌道交通系統(tǒng)面臨諸如天氣變化，大型文體活動、重大節(jié)假日等造成客流量激增，交通擁堵等問題，除了直接影響著交通運(yùn)營的效率和乘客出行體驗，甚至還會引發(fā)公共安全事件。因此，準(zhǔn)確預(yù)測客流量可以掌握客流規(guī)律和特點，幫助軌道交通提前制定預(yù)案，對優(yōu)化軌道交通系統(tǒng)的運(yùn)營、緩解交通擁堵、提升服務(wù)質(zhì)量以及改善乘客出行體驗至關(guān)重要。

當(dāng)前學(xué)術(shù)界關(guān)于短期客流預(yù)測的方法有很多，趙鵬等［1］用ARIMA模型對客流量進(jìn)行預(yù)測取得一定的成果，但在處理非線性和突發(fā)性數(shù)據(jù)時表現(xiàn)有限；付甜等［2］使用多因素XGBoost進(jìn)行城市軌道交通短時客流預(yù)測，較好地分析客流量與天氣、日期等多種影響因素的關(guān)系模型，利用歷史數(shù)據(jù)進(jìn)行較準(zhǔn)確預(yù)測，不足的是涉及的環(huán)境因素相對較少；韓皓等［3］研究的LightGBM預(yù)測模型，不需要對數(shù)據(jù)進(jìn)行假定，利用其高效性能和較快的訓(xùn)練速度來處理大規(guī)模數(shù)據(jù)集，并取得較好的預(yù)測效果，但在數(shù)據(jù)量較小或噪聲較多的情況容易過擬合；孫越等［4］對原始數(shù)據(jù)進(jìn)行分析和特征提取，訓(xùn)練LSTM模型和ARMA模型，通過組合模型對鐵路客流量預(yù)測，但在多因素影響方面存在改進(jìn)空間。

由于影響軌道交通短時客流量的因素很多，如天氣、時間、特殊事項等，其數(shù)據(jù)具有周期性、非線性和隨機(jī)性，在上述單模型算法和同質(zhì)組合模型中，存在著一定的局限性，如處理非線性關(guān)系時表現(xiàn)有限，容易過擬合，多因素影響上表現(xiàn)不佳等問題。針對這些挑戰(zhàn)，本文提出了一種基于多模型Stacking集成學(xué)習(xí)的軌道交通短時客流量預(yù)測方法。該方法通過融合多種優(yōu)秀的異質(zhì)模型（XGBoost、LightGBM、LSTM），訓(xùn)練并預(yù)測最終的客流量結(jié)果，綜合利用各模型優(yōu)勢，彌補(bǔ)其不足，降低過擬合風(fēng)險，提高整體預(yù)測性能和泛化能力，從而實現(xiàn)更準(zhǔn)確和穩(wěn)健的客流量預(yù)測。

1 模型準(zhǔn)備

1.1 XGBoost算法

XGBoost算法［5］處理一些不規(guī)則數(shù)據(jù)有較大的優(yōu)勢，屬于集成學(xué)習(xí)中的Boosting框架算法，包括多個CART（分類回歸樹）的集成，采取迭代增加樹，擬合上一輪迭代中預(yù)測值和真實值的殘差，逐步逼近真實數(shù)值。

XGBoost的預(yù)測模型公式如下：

y︿i=∑mm=1fm（xi）

（1）

式中：m——樹的總量；

fm——第m棵樹；

y︿i——數(shù)據(jù)xi的對應(yīng)的預(yù)測結(jié)果。

1.2 LightGBM算法

LightGBM是一種基于決策樹算法（GBDT）的梯度提升框架，采用基于直方圖的決策樹算法，通過Leaf-wise生長策略來構(gòu)建樹，同時引入了互斥特征捆綁和直方圖做差等技術(shù)，以提高訓(xùn)練效率和預(yù)測性能。

LightGBM利用直方圖算法，將連續(xù)的浮點特征（#data）分割為k個離散數(shù)值（分桶bins），建立寬度為k的直方圖，遍歷訓(xùn)練數(shù)據(jù)，計算每個離散值在直方圖中的累積統(tǒng)計量，根據(jù)直方圖的離散值來尋找最優(yōu)的分割點。如下頁圖1所示。

LightGBM采用Leaf-wise（按葉子生長）生長策略，能夠在更小的計算代價上建立所需的決策樹。每次從當(dāng)前所有葉子中找到分裂增益最大（一般也是數(shù)據(jù)量最大）的一個葉子，然后分裂，如此循環(huán)，但需要控制樹的深度和每個葉子節(jié)點的最小數(shù)據(jù)量，從而減少過擬合。如圖2所示。

1.3 LSTM算法

基于Stacking集成學(xué)習(xí)的軌道交通短時客流量預(yù)測研究/

王菊嬌，闕凡博

LSTM（Long Short-Term Memory）如圖3所示，是一種專門用于處理時間序列數(shù)據(jù)的深度學(xué)習(xí)模型，具有記憶單元和門控機(jī)制，能夠有效捕捉長期依賴關(guān)系。通過遺忘門、輸入門和輸出門的調(diào)控神經(jīng)元細(xì)胞的信息流動，避免梯度消失或梯度爆炸問題，從而在處理序列數(shù)據(jù)時表現(xiàn)更為優(yōu)越。

1.4 Stacking模型

Stacking是一種集成學(xué)習(xí)方法，其通過將多個基礎(chǔ)模型的預(yù)測結(jié)果作為新特征，并通過訓(xùn)練一個次級模型來融合基本模型的預(yù)測結(jié)果。由于兩次所使用的訓(xùn)練數(shù)據(jù)不同，因此可以在一定程度上防止過擬合。本研究采用兩層的學(xué)習(xí)器構(gòu)成，初級學(xué)習(xí)器使用兩種模型，分別是處理不規(guī)則數(shù)據(jù)效果好的XGBoost和效率性能佳的LightGBM，次級學(xué)習(xí)器使用預(yù)測能力強(qiáng)的LSTM深度神經(jīng)網(wǎng)絡(luò)，可以捕捉數(shù)據(jù)中的重要模式和特征。

2 模型融合與預(yù)測結(jié)果分析

本文對南寧軌道交通1號線進(jìn)行短時客流預(yù)測分析。1號線是南寧軌道交通系統(tǒng)的首條地鐵線路，全線長32.1 km，起點站為石埠，終點為南寧東站，沿途有25座地下站。

2.1 客流量數(shù)據(jù)分析

客流量數(shù)據(jù)選取的時間為2023-11-06至2023-12-03（4周），并通過官網(wǎng)獲取這個時間段的天氣和氣溫情況。軌道交通1號線各個車站客流量如圖4所示。由圖4可知，在南寧市軌道交通1號線25個車站中，客流量較多的有火車東站、瑯東客運(yùn)站、會展中心站、廣西大學(xué)站、動物園站和朝陽廣場站，這里選取客流量最多的朝陽廣場站作為研究對象。圖5～6為地鐵1號線朝陽廣場站一個月內(nèi)6：30-23：00的進(jìn)站量的分布曲線?？土髟谠绺叻搴屯砀叻逵休^大的波動性。另外，朝陽廣場站的客流量整體體現(xiàn)了以星期為周期的波動規(guī)律，周一到周五晚高峰客流量明顯增多，周六、周日客流量增多，同時也受溫度、天氣和所處地段的影響（見圖7）。

對客流量相關(guān)的數(shù)據(jù)特征進(jìn)行分類，分為區(qū)域類型、日期、氣溫、天氣、特殊事件類型等，如表1所示。

2.2 模型融合

基于Stacking集成學(xué)習(xí)的軌道交通短時客流量預(yù)測是通過集成兩層學(xué)習(xí)器，第一層學(xué)習(xí)器采用XGBoost、LightGBM，第二層學(xué)習(xí)器采用LSTM。對應(yīng)的步驟如下：

步驟一：數(shù)據(jù)準(zhǔn)備，將軌道交通客流的原數(shù)據(jù)劃分為兩大類，一類是用于訓(xùn)練的數(shù)據(jù)的集合T，另一類是用于測試的數(shù)據(jù)集合V。按日期進(jìn)行分類，A類為周一～周四的數(shù)據(jù)，B類為周五數(shù)據(jù)，C類為雙休日數(shù)據(jù)。以A類數(shù)據(jù)預(yù)測為例結(jié)合其他特征參數(shù)進(jìn)行分析，將4周中A類數(shù)據(jù)共16 d的數(shù)據(jù)，按照15 min粒度的客流量進(jìn)行分析，時間為南寧地鐵1號線的運(yùn)營時間6：30-23：00，每天67條數(shù)據(jù)，合計有1 072條數(shù)據(jù)。將前15 d的數(shù)據(jù)歸為訓(xùn)練集，后1 d的數(shù)據(jù)歸為測試集。

步驟二：初級學(xué)習(xí)器訓(xùn)練過程，如圖8所示。采用XGBoost、LightGBM兩類基模型對訓(xùn)練集合T數(shù)據(jù)處理，將訓(xùn)練集隨機(jī)平分為等5個子集T1、T2、T3、T4、T5，即將前15 d共1 005條客流量數(shù)據(jù)均分成5份，每份客流量數(shù)據(jù)為201條。其中4個子集用作訓(xùn)練集，剩下的1個子集用作測試集，將子集連續(xù)進(jìn)行5次迭代。每次迭代完成后，就使用原始測試集進(jìn)行預(yù)測，得到一個預(yù)測結(jié)果Y，每個基學(xué)習(xí)器進(jìn)行5折交叉驗證會得到對應(yīng)的預(yù)測結(jié)果，這樣就會產(chǎn)生特征樣本的預(yù)測集{Y1，Y2，Y3，Y4，Y5}。5次迭代結(jié)束后，對每一次預(yù)測的結(jié)果取均值得到基學(xué)習(xí)器的預(yù)測結(jié)果，并將此預(yù)測結(jié)果與訓(xùn)練數(shù)據(jù)集5次的測試結(jié)果保存在一起作為次級學(xué)習(xí)器的特征值。

步驟三：將初級學(xué)習(xí)器訓(xùn)練得到的新訓(xùn)練集Y與測試集C作為輸入，通過第二層學(xué)習(xí)器LSTM用于次級訓(xùn)練，最后輸出城市軌道交通客流量預(yù)測的最終結(jié)果。如圖9所示。

2.3 測試結(jié)果

通過Stacking對多種模型進(jìn)行融合，設(shè)置相關(guān)參數(shù)，訓(xùn)練集損失最小時即為最合適的迭代次數(shù)。本研究最佳迭代次數(shù)為195次，其在訓(xùn)練集和測試集最終預(yù)測結(jié)果與真實值對比如圖10和圖11所示。

由圖10、圖11可知，預(yù)測結(jié)果與實際值非常接近，兩條曲線相差很小，說明本研究采用的Stacking模型預(yù)測效果很好。

結(jié)合評價指標(biāo)對模型進(jìn)行評估，主要計算出以下三個參數(shù)，得出的結(jié)果如表2所示。

MAPE=1N∑ni=1yi-y︿iyi

（2）

MAE=1N∑ni=1|yi-y︿i|

（3）

RMSE= 1N∑ni=1yi-y︿iyi2

（4）

根據(jù)評估結(jié)果可以看出，Stacking模型的平均絕對百分比MAPE、均方根差RMSE、平均絕對誤差MAE都較小，整體效果良好。

3 結(jié)語

本文以南寧市軌道交通1號線為研究對象，通過Stacking集成學(xué)習(xí)算法進(jìn)行客流量的預(yù)測。選擇XGBoost和LightGBM這兩種基于決策樹算法的梯度提升框架作為基學(xué)習(xí)器，以提高預(yù)測準(zhǔn)確性和泛化能力；利用長短期記憶網(wǎng)絡(luò)（LSTM）作為元學(xué)習(xí)器，充分發(fā)揮其在序列數(shù)據(jù)處理方面的優(yōu)勢。通過對南寧市軌道交通1號線客流量的精準(zhǔn)預(yù)測，可以為城市軌道交通部門提前規(guī)劃運(yùn)營策略，調(diào)整發(fā)車間隔、優(yōu)化運(yùn)營時間等措施，從而提升運(yùn)營效率，為城市軌道交通系統(tǒng)的管理決策提供更精確的支持。

參考文獻(xiàn)

［1］趙 鵬，李 璐. 基于ARIMA模型的城市軌道交通進(jìn)站量［J］. 重慶理工大學(xué)學(xué)報（自然科學(xué)版），2020，39（1）：40-44.

［2］付 甜，劉曉鋒，陳 強(qiáng). 多因素的XGBoost城市軌道交通短時客流預(yù)測方法［J］.裝備制造技術(shù)，2022（10）：34-37，56.

［3］韓 皓，徐圣安，趙 蒙. 考慮線網(wǎng)結(jié)構(gòu)的LightGBM軌道交通短時客流預(yù)測模型［J］. 鐵道運(yùn)輸與經(jīng)濟(jì)，2021，43（10）：109-117.

［4］孫 越，宋曉宇，金莉婷，等. 基于ARMA-LSTM組合模型的鐵路客流量預(yù)測［J］. 計算機(jī)應(yīng)用與軟件，2021，38（12）：262-267，273.

［5］張杉基.城市軌道交通短時客流預(yù)測與實證分析研究［D］. 蘭州：蘭州交通大學(xué)，2020.