高级检索 加入收藏
  • 查询稿件
  • 获取最新论文
  • 知晓行业信息
官方微信 欢迎关注

后疫情时代基于XGBoost的铁路客运站客流量预测研究

王平, 吴文波, 马毅华, 许江, 宗智诚

王平, 吴文波, 马毅华, 许江, 宗智诚. 后疫情时代基于XGBoost的铁路客运站客流量预测研究[J]. 铁路计算机应用, 2022, 31(1): 22-26. DOI: 10.3969/j.issn.1005-8451.2022.01.03
引用本文: 王平, 吴文波, 马毅华, 许江, 宗智诚. 后疫情时代基于XGBoost的铁路客运站客流量预测研究[J]. 铁路计算机应用, 2022, 31(1): 22-26. DOI: 10.3969/j.issn.1005-8451.2022.01.03
shu
WANG Ping, WU Wenbo, MA Yihua, XU Jiang, ZONG Zhicheng. Research on passenger flow forecast for railway passenger station based on XGBoost in post-pandemic era[J]. Railway Computer Application, 2022, 31(1): 22-26. DOI: 10.3969/j.issn.1005-8451.2022.01.03
Citation: WANG Ping, WU Wenbo, MA Yihua, XU Jiang, ZONG Zhicheng. Research on passenger flow forecast for railway passenger station based on XGBoost in post-pandemic era[J]. Railway Computer Application, 2022, 31(1): 22-26. DOI: 10.3969/j.issn.1005-8451.2022.01.03
shu

后疫情时代基于XGBoost的铁路客运站客流量预测研究

  • 上海申铁信息工程有限公司，上海　200071

基金项目: 中国铁路上海局集团有限公司科研项目（2018179）。
详细信息
    作者简介:

    王　平，正高级工程师

    吴文波，高级工程师

  • 中图分类号: U293.13 : TP39

Research on passenger flow forecast for railway passenger station based on XGBoost in post-pandemic era

  • Shanghai Shentie Information Engineering Co. Ltd., Shanghai　200071, China

摘要

    摘要
  • 摘要: 进入“后疫情时期”，铁路客流正逐步回升，但呈现较大波动，面对铁路提质增效的任务，准确预测客流量愈发重要。文章采用极端梯度提升（XGBoost，eXtreme Gradient Boosting）模型，以新冠肺炎疫情、天气和日期属性作为影响因素，选取上海站2016年1月1日—2020年7月27日客流量数据作为训练集和验证集，利用5折交叉验证和网格搜索（Grid Search）得到最优参数，并对上海站2020年7月28日—2021年5月17日的客流量进行预测，预测拟合度$ {R}^{2} $为0.812，总体预测效果较好。
    Abstract: Entering the post-pandemic era, railway passenger flow is gradually rising, but there is a large fluctuation. Facing the task of improving the quality and operation efficiency of railway, accurate prediction of passenger flow is becoming more and more important. In this paper, XGBoost model was adopted for passenger flow forecast with COVID-19 pandemic, weather, and date attributes as influencing factors. Meanwhile, passenger flow data of Shanghai Railway Station from January 1, 2016 to July 27, 2020 were selected as training set and validation set and the optimal parameters of the XGBoost-based passenger flow forecast model were obtained by using 5-fold cross-validation and Grid Search. Then, the passenger flow of Shanghai Railway Station from July 28, 2020 to May 17, 2021 was predicted using this model. The result of the prediction attained a fitting degree of 0.812, indicating that the overall prediction effect is good.
    • HTML全文

  • 图  1   2016年—2021年上海站客流量总体变化趋势

    下载: 全尺寸图片 幻灯片

    图  2   新冠肺炎疫情本土确诊人数和客流量关系曲线

    下载: 全尺寸图片 幻灯片

    图  3   上海站1年内客流量变化（1月—12月）

    下载: 全尺寸图片 幻灯片

    图  4   上海市1年内气温变化（1月—12月）

    下载: 全尺寸图片 幻灯片

    图  5   上海站1个星期内客流量变化（2016年1月1日—2021年5月17日）

    下载: 全尺寸图片 幻灯片

    图  6   上海站节假日客流量变化（2016年1月1日—2021年5月17日）

    下载: 全尺寸图片 幻灯片

    图  7   上海站实际客流量与XGBoost预测结果（2020年7月28日—2021年5月17日）

    下载: 全尺寸图片 幻灯片

    表  1   2016—2021年上海站客流量（从大到小排序）

    序号日期客流量(人次)
    12019-05-01189841
    22021-05-01187263
    32019-10-01184243
    42018-10-01179396
    .........
    222016-10-01153110
    .........
    272017-04-29149480
    .........
    2122020-05-01105975
    .........
    下载: 导出CSV
    • 参考文献(8)
  • [1] 林晓言,李明真,陈小君. 疫情对我国铁路行业发展的影响与对策 [J]. 铁道经济研究,2020(2):1-6. DOI: 10.3969/j.issn.1004-9746.2020.02.001
    [2] 新华社. 上半年全国铁路发送旅客8.18亿人次[EB/OL].（2020-07-09）[2021-06-22]. http://www.xinhuanet.com/travel/2020-07/09/c_1126214823.htm.
    [3] 黄召杰,冯 硕. 灰色预测模型在铁路客流预测中的应用 [J]. 交通科技与经济,2014,16(1):57-60. DOI: 10.3969/j.issn.1008-5696.2014.01.016
    [4] 曹鸿飞,张 铭,李 平. 灰色动态模型群在城市轨道交通客流预测中的应用研究 [J]. 铁路计算机应用,2012,21(3):1-3,8. DOI: 10.3969/j.issn.1005-8451.2012.03.001
    [5] 郭 淼. 基于支持向量回归的大型客运站客流量预测应用研究 [J]. 铁路计算机应用,2021,30(3):15-18. DOI: 10.3969/j.issn.1005-8451.2021.03.004
    [6] 孟 歌,王洪业,李丽辉,等. 基于EMD的SVR方法在铁路客流预测中的应用 [J]. 铁路计算机应用,2020,29(4):28-32. DOI: 10.3969/j.issn.1005-8451.2020.04.007
    [7] 滕 靖,李金洋. 考虑日期属性和天气因素的铁路城际短期客流预测方法 [J]. 中国铁道科学,2020,41(5):136-144. DOI: 10.3969/j.issn.1001-4632.2020.05.16
    [8]

    CHEN TIANQI, GUESTRIN CARLOS. XGBoost: A Scalable Tree Boosting System[C]// In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD '16). New York, USA: Association for Computing Machinery, 2016: 785–794.
    • 相关文章
    • 施引文献(23)

  • 期刊类型引用(10)

    1. 蔡伯根，李智宇，王剑，刘丹，姜维，赵珈琪，王啸阳，刘江，陆德彪. 面向铁路巡检的低空无人机智能感知与精密定位研究. 铁路通信信号工程技术. 2025(01): 1-12 . 百度学术
    2. 李浩，牛洪蛟，李夏洋，袁小芳. 基于无人机协同编队控制的铁路智能巡检方法. 铁路通信信号工程技术. 2025(02): 11-17+70 . 百度学术
    3. 李斌，张俊武，王爽. 铁路防洪防灾无人机智能巡检关键技术应用研究. 铁路通信信号工程技术. 2025(03): 1-8 . 百度学术
    4. 李飞，李达明，蒙笑阳，全超，吴昊. 基于编组站巡检无人机的自适应安全挂载平台. 铁路通信信号工程技术. 2025(03): 9-14+28 . 百度学术
    5. 梅东升，薛长站，张宇博，梁国杰，付达，孟超. 基于LiDAR与可见光融合的自动风电叶片巡检方法. 自动化应用. 2024(03): 102-105 . 百度学术
    6. 陈昱行，高至飞，胡朝鹏，宋国策. 基于无人机多模态数据的铁路防洪隐患排查系统研发. 铁道勘察. 2024(05): 156-162 . 百度学术
    7. 杨振伟，陈炳海，张淏凌，郭靖，陈诚. 面向电力设备检修的多无人机协同飞行路径规划算法. 微型电脑应用. 2023(01): 88-91 . 百度学术
    8. 杜伦平，朱天赐，刘期柏，梁力东，王泉东，傅勤毅，刘斯斯. 基于单目视觉三维重建的货运列车超限检测方法研究. 铁道科学与工程学报. 2021(04): 1009-1016 . 百度学术
    9. 韩宜君. 青藏铁路安多段护路技防系统方案研究. 工程建设与设计. 2020(04): 74-76 . 百度学术
    10. 武岳龙，钟凡，高月. 面向铁路巡检的无人机飞行路径规划方法. 数码世界. 2020(07): 42 . 百度学术

    其他类型引用(13)

    • 资源附件(0)
图(7)  /  表(1)
计量
  • 文章访问数:  226
  • HTML全文浏览量:  127
  • PDF下载量:  61
  • 被引次数: 23
出版历程
  • 收稿日期:  2021-06-21
  • 刊出日期:  2022-01-27

目录

摘要
HTML全文
    参考文献(8)
    相关文章
    施引文献(23)
    资源附件(0)

    /

    返回文章
    返回

    京ICP备12043220号-2

    本系统版权所有：北京仁和汇智信息技术有限公司   百度统计