![](https://csdnimg.cn/release/download_crawler_static/88322194/bgb.jpg)
题也得到了解决.然而现阶段的客流量预测主要依赖时间维度的数据,大部分研
究都是通过站点的历史数据来进行预测,很少考虑其他其他因素的影响,同时现
阶段的研究很少将客流量数据分布特征相差较大的工作日和节假日分开来建模,
大部分研究将工作日和周末的客流量数据集中在一起,使用同一个模型进行预测
分析.本文在前人学者的研究经验基础上,除了历史数据信息,在建模时把影响
客流量预测的其他信息也纳入进来,综合考虑多种因素进行建模来对站点客流量
进行预测.同时本文将工作日和节假日的数据分开进行研究,分析工作日和节假
日数据各自的特征、分别建立预测模型并通过融合树模型和神经网络模型来提高
模型预测效果.
本文收集了 2019 年 1 月 1 日至 1 月 28 日的数据,以 2019 年 1 月 1 日至 2019
年 1 月 25 日为训练集,1 月 26 日(周六),1 月 28 日(周一)为测试集,分别
建立模型,预测各站点未来一天以十分钟为时间间隔的地铁进出站客流量数据
(地铁运营时间:6:00 至 11:00),本文根据工作日和周末的不同特征对两类
数据分别进行建模分析,并对预测效果进行检验.本文具体研究内如如下:
1.各站点进出站数据分析,本文收集了杭州市地铁 AFC 系统进出站的刷卡信
息,以十分钟为时间间隔进行进出站客流的流量数据统计,并对其进行数据预处
理,分析全网以及各线路客流量特征.同时将所有的地铁站点按照其功能性质及
乘客出行目的的不同进行类别划分,从每一类站点中选择典型站点,分析各类站
点的进出站客流量的时间空间特征.
2.分析各类型站点工作日和周末客流量数据,总结工作日以及节假日客流量
的数据特征,分别对工作日和周末建立客流量短期预测模型.
3.分别对工作日和节假日建立短期客流量预测模型.本文采用学习能力较强
的 lightGBM 模型进行客流量短期预测.同时通过网格搜索算法来优化模型参数,
使用测试集对模型进行验证.
4.基于 RMSE 指标对 LightGBM 模型的拟合效果进行评估.分析模型对工作日
和周末的短期客流量预测效果,并对模型进行改进.本文基于 LightGBM 对工作日
和周末客流量预测的不同效果,建立树模型和神经网络模型的融合模型来对周末
客流量预测模型进行改进,结合两种模型的优点,弥补单个模型的不足,提高模