с 01.01.2019 по настоящее время
Санкт-Петербург, г. Санкт-Петербург и Ленинградская область, Россия
Россия
сотрудник
УДК 656.072 Управление пассажирскими перевозками
УДК 656.027 Перевозки в зависимости от времени
В работе предложен новый метод для прогнозирования пассажиропотока с применением комбинированной модели. Эффективное развитие регионального транспортного сектора экономики зависит от прогнозирования пассажиропотока. Для повышения качества пассажирских перевозок необходимо построение логистических моделей и разработка точных методов для прогнозирования. Решаемая задача прогнозирования пассажиропотока особенно актуальна в условиях ускоренного роста населения и туристического потока, расширения городских границ, развития инфраструктуры. Качественное прогнозирование пассажирского потока позволит эффективно управлять транспортом, снижать затраты. Точный прогноз пассажирского потока обеспечивает комфортные условия для пассажиров. Для точного прогнозирования в работе предложен новый комбинированный метод, объединяющий преимущества различных моделей прогнозирования: градиентного бустирования, ансамбля деревьев решений и метода Холта-Уинтерса. Для комбинированной модели выполняется оптимальный выбор весов на основе характеристик моделей. Для вычислительного эксперимента авторами разработана программа на Python. Результаты эксперимента показали повышение точности прогнозирования комбинированной модели на 15% по сравнению с градиентным бустированием, и на 19% по сравнению с экспоненциальным сглаживанием.
пассажирские перевозки, прогнозирование пассажиропотока, комбинированная модель, машинное обучение, повышение эффективности
1. Cheng Y., Li H., Sun S., Liu W., Jia X., Yu, Y. Short-term subway passenger flow forecasting approach based on multi-source data fusion // Information Sciences. – 2024. – Т. 679. – С. 121109.
2. Cheng Z., Trépanier M., Sun L. Incorporating travel behavior regularity into passenger flow forecasting // Transportation Research Part C: Emerging Technologies. – 2021. – Т. 128. – С. 103200.
3. Chuwang D. D., Chen W., Zhong M. Short-term urban rail transit passenger flow forecasting based on fusion model methods using univariate time series // Applied Soft Computing. – 2023. – Т. 147. – С. 110740.
4. Hu Y. C. Air passenger flow forecasting using nonadditive forecast combination with grey prediction // Journal of Air Transport Management. – 2023. – Т. 112. – С. 102439.
5. Jin K., Sun S., Li H., Zhang F. A novel multi-modal analysis model with Baidu Search Index for subway passenger flow forecasting // Engineering Applications of Artificial Intelligence. – 2022. – Т. 107. – С. 104518.
6. Li H., Jin K., Sun S., Jia X., Li Y. Metro passenger flow forecasting though multi-source time-series fusion: An ensemble deep learning approach // Applied Soft Computing. – 2022. – Т. 120. – С. 108644.
7. Li P., Wang S., Zhao H., Yu J., Hu L., Yin H., Liu Z. IG-Net: An interaction graph network model for metro passenger flow forecasting // IEEE Transactions on Intelligent Transportation Systems. – 2023. – Т. 24. – №. 4. – С. 4147-4157.
8. Li W., Sui L., Zhou M., Dong H. Short-term passenger flow forecast for urban rail transit based on multi-source data // EURASIP Journal on Wireless Communications and Networking. – 2021. – Т. 2021. – №. 1. – С. 9.
9. Lundaeva K. A., Saranin Z. A., Pospelov K. N., Gintciak, A. M. Demand Forecasting Model for Airline Flights Based on Historical Passenger Flow Data // Applied Sciences. – 2024. – Т. 14. – №. 23. – С. 11413.
10. Luo D., Zhao D., Ke Q., You X., Liu L., Ma H. Spatiotemporal hashing multigraph convolutional network for service-level passenger flow forecasting in bus transit systems // IEEE Internet of Things Journal. – 2021. – Т. 9. – №. 9. – С. 6803-6815.
11. Mulerikkal J., Thandassery S., Rejathalal V., Kunnamkody D. M. D. Performance improvement for metro passenger flow forecast using spatio-temporal deep neural network // Neural Computing and Applications. – 2022. – Т. 34. – №. 2. – С. 983-994.
12. Tan Y., Li Y., Wang R., Mi X., Li Y., Zheng H., Wang Y. Improving synchronization in high-speed railway and air intermodality: Integrated train timetable rescheduling and passenger flow forecasting // IEEE Transactions on Intelligent Transportation Systems. – 2022. – Т. 23. – №. 3. – С. 2651-2667.
13. Wang J., Wang R., Zeng, X. Short‐term passenger flow forecasting using CEEMDAN meshed CNN‐LSTM‐attention model under wireless sensor network // IET Communications. – 2022. – Т. 16. – №. 10. – С. 1253-1263.
14. Wang X., Zhu C., Jiang J. A deep learning and ensemble learning based architecture for metro passenger flow forecast // IET Intelligent Transport Systems. – 2023. – Т. 17. – №. 3. – С. 487-502.
15. Xue Q., Zhang W., Ding M., Yang X., Wu J., Gao Z. Passenger flow forecasting approaches for urban rail transit: A survey // International Journal of General Systems. – 2023. – Т. 52. – №. 8. – С. 919-947.
16. Yi P., Huang F., Wang J., Peng J. Topology augmented dynamic spatial-temporal network for passenger flow forecasting in urban rail transit // Applied Intelligence. – 2023. – Т. 53. – №. 21. – С. 24655-24670.
17. Yue M., Ma S. LSTM-based transformer for transfer passenger flow forecasting between transportation integrated hubs in urban agglomeration // Applied Sciences. – 2023. – Т. 13. – №. 1. – С. 637.
18. Zhang Y., Chen Y., Wang Z., Xin, D. TMFO-AGGRU: A graph convolutional gated recurrent network for metro passenger flow forecasting // IEEE Transactions on Intelligent Transportation Systems. – 2023. – Т. 25. – №. 3. – С. 2893-2907.
19. Zhang Y., Sun K., Wen D., Chen D., Lv H., Zhang Q. Deep learning for metro short-term origin-destination passenger flow forecasting considering section capacity utilization ratio // IEEE Transactions on Intelligent Transportation Systems. – 2023. – Т. 24. – №. 8. – С. 7943-7960.
20. Zhang Y., Wang X., Xie J., Bai, Y. Comparative analysis of deep-learning-based models for hourly bus passenger flow forecasting // Transportation. – 2024. – Т. 51. – №. 5. – С. 1759-1784.
