[发明专利]一种基于乘客出行多维特征的共享巴士站点客流预测方法

说明书

本发明公开了一种基于共享巴士数据的站点乘客流预测方法，首先对共享巴士数据进行预处理，然后基于共享巴士行车规律对数据进行时间划分，之后根据预测目标的特点，从时间划分后的数据中提取出预测的多维特征，包括时间特征、周次特征、位置特征、历史流量特征和时间间隔特征，随后利用上述特征对机器学习模型XGBoost进行训练，得到预测模型，最后基于预测模型，得到站点乘客流预测结果，并对预测结果进行展示和评估。本发明能够利用机器学习算法对共享巴士站点客流量进行精准地预测，特别针对于“最后一公里”问题中从居民区到其附近地铁站的细分场景，为优化共享巴士运营提供建设性意见，具有可行性强、准确率高、稳定性强的特点。

技术领域

本发明涉及交通流量预测技术领域，尤其涉及一种基于乘客出行多维特征的共享巴士站点客流预测方法。

背景技术

近10年来，随着全球经济的快速发展，资源短缺问题日益严重。共享经济的出现为缓解这个问题提供了很好的解决思路。由于近年来各种网络社区的出现，基于互联网平台新的共享经济模式正在迅速发展，如Airbnb和Uber等。这也推进了共享经济在多个领域的应用推广。共享巴士、共享单车、共享汽车正是共享经济在交通领域的不同应用形式。其中，共享巴士致力于提供一种灵活实惠的公交服务。但是由于其客流波动大，不稳定，共享巴士站点客流预测成为了共享巴士发展的瓶颈。因此本发明基于共享巴士的特点，提取站点客流预测的多维特征，并提出一种基于机器学习算法的站点乘客流预测方法。作为智能城市发展的关键技术之一，交通流预测始终吸引着大量学者进行深入研究。但是在现有预测技术中，针对共享巴士运营特点的专门化的站点客流预测方法尚是空白。

发明内容

本发明的目的主要针对上述现有研究的一些不足之处，提出一种基于乘客出行多维特征的共享巴士站点客流预测方法，通过对共享巴士运营特点和乘客出行行为的分析，提取预测相关的多维特征，并基于机器学习算法对站点乘客流进行精准地预测。“最后一公里”问题是共享巴士的主要应用场景之一。特别地，这里我们针对在居民区和其附近地铁站运营的共享巴士客流进行预测。

本发明的技术方案：

一种基于乘客出行多维特征的共享巴士站点客流预测方法，步骤如下：

S1，对共享巴士数据进行预处理

S1.1，数据清洗：共享巴士数据包括订单数据和站点时间数据，数据清洗包括清除订单数据的错误记录、缺失值、噪声数据和异常值；

S1.2，数据筛选：根据预测目标，剔除现金乘客的订单记录，并提取出预测相关的字段；

S2，对步骤S1预处理得到的共享巴士数据进行时间划分；

S2.1，根据预测目标，选定研究时间范围，并筛选出研究时间范围内的订单数据；

S2.1，时间划分，根据共享巴士的行车规律，对研究时间范围进行时间划分，时间划分公式如下：

T_k＝α+(kθ，(k+1)θ)，k＝1，2，...，19

其中，T_k代表时间段，α代表起始时间，θ代表时间间隔，k代表时间序号；

S3，从步骤S2得到的时间划分后的数据中，提取出乘客出行多维特征；

S3.1，时间特征提取：时间是影响交通流量的关键因素，考虑到共享巴士的运行规律，基于时间划分结果，将时间序号作为时间特征的输入；

S3.2，周次特征提取：工作日和节假日中，共享巴士的客流变化规律有着很大的区别，为了体现流量预测中的周期性变化规律，将周一到周日映射为0到6七个数值作为周次特征的输入；