基于Stacking集成学习模型的轨道交通客流量关键特征分析与预测控制研究——以武汉市为例  

作　　者：王寒 任双喜 侯凯达 刘展 

机构地区：[1]湖北大学数学与统计学学院,湖北武汉430062 [2]武汉轻工大学生命科学与技术学院,湖北武汉430048

出　　处：《统计与管理》2025年第4期49-58,共10页Statistics and Management

基　　金：国家社会科学基金一般项目“大数据背景下网络调查样本的模型推断研究”(18BTJ022);国家社会科学基金西部项目“多源数据融合视角下基于非概率样本的有限总体推断研究”(21XTJ006);中国商业统计学会规划课题“基于机器学习的多源抽样数据融合推断方法与应用研究”(2024STZD22)。

摘　　要：文章利用国家气象统计局、武汉地铁运营、武汉地铁数据库、武汉交通运输局提供的武汉市气象数据、武汉市活动举办数据,构建了以月份、天气、工作日、节假日属性、活动类型、网络热度等为自变量,客流量为因变量的数据集。首先,利用随机森林算法识别出影响客流量的六大关键特征:节假日属性、音乐类活动、雨雪天气、抖音热度、工作日和体育类活动。其次,通过Stacking模型集成LightGBM、XGBoost和LSTM模型,结合交叉验证和SHAP模型进行性能评估与超参数优化,避免过拟合并增强泛化能力。接着,基于蚁群算法,进一步求解客流顶峰的产生规律及条件,提出了最大和最小客流量的典型场景。最后,基于训练良好的预测模型,提出客流量干预方法。文章为武汉市轨道交通管理提供了科学的决策支持,并为运用数据分析技术优化城市公共交通系统提供了重要参考。

关 键 词：Stacking集成学习模型 随机森林算法 蚁群算法 预测控制 武汉市轨道交通 

分 类 号：U293[交通运输工程—交通运输规划与管理] TP18[交通运输工程—道路与铁道工程]