[发明专利]一种基于权重堆叠决策树的短时公交客流预测方法及系统

说明书

本发明公开了一种基于权重堆叠决策树的短时公交客流预测方法及系统，包括下列步骤：1)对公交IC卡数据进行预处理，并聚合为小时客流数据；2)根据公交线路所在地点和历史客流的时间区间获取待测路线特征数据，建立特征矩阵并进行归一化操作；3)对获取的特征进行独立性检验，对不同的特征和预测标签之间进行相关性检验，对特征进行正态分布检验；4)构建权重堆叠梯度提升树模型；5)通过权重堆叠梯度提升树模型对训练集进行训练，然后对预测时段的客流进行预测，得到预测结果。本发明具有更高的预测精度以及预测稳定性，能充分发挥公共交通领域大数据的价值，有效地提取多源影响因子与客流之间关联性，对公交短期客流作更精准的预测。

技术领域

本发明涉及智能交通客流预测和机器学习技术的研究领域，特别涉及一种基于权重堆叠决策树的短时公交客流预测方法及系统。

背景技术

随着社会经济的发展，城市居民的交通出行需求和城市公共交通体系所面对的交通负荷日益增加，北上广等各大一线城市近年来经常性地发生大规模交通拥堵事件。为了改善城市日益严峻的出行环境、缓解城市交通压力、提升客运服务水平，城市公共交通系统的完善与公交客流预测变得越来越重要。当前国内公共交通系统的投入多集中在基础设施建设领域，而对公交客流预测的投入明显不足，造成城市公交线网的规划与设计与实际公交客流变化不能适应，令公交系统的运力出现浪费。此外，进行公交线网短时客流预测能精准并合理地调整为公交线路规划和调度优化提供依据，为减少交通拥堵、乘客出行损失、城市交通污染以及能源消耗提供助力。

影响城市公交客流预测的因素十分复杂，传统的公交客流预测主要从纯数理统计的角度对公交客流进行拟合。多运用时间序列、自回归模型、灰色系统等统计方法进行预测。然而，公交客流随时间波动趋势明显，受天气、节假日、乘客类型等诸多因素影响。传统的统计科学预测方法很难对客流变化的本质规律和影响机理做出解释，模型对不同数据的适应性也比较差，预测精度亦不尽如人意。

近年来，随着人工智能领域和机器学习各类算法的蓬勃发展，诞生了很多新的数据预测方法。比如神经网络模型、SVM支持向量机、随机森林以及各类决策树模型。这些方法和模型的预测精度和准确性较传统方法要好，在电商、电力等领域已经有了较为成熟的应用场景，国内外也有少部分的学者将这类新型预测方法用于交通领域，但是SVM和深度学习类的方法有着调参复杂、训练时间长和对数据集的依赖程度高等问题。

发明内容

本发明的主要目的在于克服现有技术的缺点与不足，提供一种基于权重堆叠决策树的短时公交客流预测方法及系统，能够有效地提取多源影响因子与客流之间关联性，对提高短时公交客流预测的效率和精度有极大帮助。

本发明的第一目的在于提供一种基于权重堆叠决策树的短时公交客流预测方法。

本发明的第二目的在于提供一种基于权重堆叠决策树的短时公交客流预测系统。

本发明的目的通过以下的技术方案实现：

一种基于权重堆叠决策树的短时公交客流预测方法，其特征在于，包括以下步骤：

通过数据获取装置获取公交IC卡数据，所述公交IC卡数据包括客流信息和持卡人信息；

对公交IC卡数据进行预处理，提取客流特征信息和持卡人群特征信息，并将公交IC卡数据聚合为小时客流数据；

基于待预测线路所在地点和历史客流时间区间获取待预测线路特征数据，建立特征矩阵并进行归一化处理；所述待预测线路特征数据包括：小时、日期、周几、一年中第几周、一年中第几天、是否节假日、最高温、最低温、降雨量、空气指数；

对待预测线路特征数据之间进行独立性检验，将客流设定为预测标签，对不同的特征和预测标签之间进行相关性检验；得到预测标签相关度高的多源特征；