LightGBM与LSTM融合提升地铁短程客流量预测精度

随着城市化进程的加快和轨道交通的普及，地铁已经成为居民日常出行的重要选择。地铁客流量的预测对于优化运营管理、提升乘客体验和保障公共安全具有重要意义。本文研究的核心是基于LightGBM和LSTM模型的地铁客流量短期预测。 首先，研究者聚焦于杭州市地铁系统的刷卡数据，通过对数据的清洗和预处理，将原始数据转化为每十分钟的站点客流量数据，以便从空间（站点）和时间（工作日与周末）两个维度深入分析。通过对不同站点的客流量分布进行分类，如将其分为五类，并分析各类站点的特性和趋势，揭示了工作日和周末期间的客流规律。工作日客流量通常表现出明显的高峰期，而周末则受到更多随机因素的影响，呈现出更为复杂的模式。 针对工作日和周末的客流量特性，分别构建了LightGBM预测模型。在模型建立过程中，作者选取金沙湖站作为案例，通过特征重要性分析和网格搜索算法对模型参数进行优化。结果表明，工作日的LightGBM模型在进出站预测方面的表现优秀，进出站RMSE值分别为18.26和13.67，显示出较高的预测精度。然而，对于周末客流量，LightGBM的预测效果相比工作日稍逊一筹，进出站RMSE值分别为23.36和28.14。 为了进一步提高周末客流量预测的准确性，研究者创新地采用了树模型（如LightGBM）和神经网络模型（LSTM）的融合策略。LSTM模型能够捕捉到序列数据中的长期依赖关系，特别适合处理地铁客流量这种时间序列数据。将LightGBM模型与LSTM模型进行加权融合，有效地结合了两者的优点，最终在周末的预测中取得了显著改进，进出站RMSE值分别降低至19.46和25.97，提升了整体预测的精度。 本文的研究成果提供了有效的地铁客流量短期预测方法，为地铁运营管理提供了数据支持，有助于提升交通流畅性，保障市民安全出行。同时，本文的研究也为其他城市或地铁系统的客流量预测提供了可借鉴的策略和技术路线。关键词包括地铁客流量短期预测、LightGBM模型、LSTM模型以及模型融合技术，这些都体现了当前在智能交通领域的重要研究方向。