基于SARIMA模型的广珠城际铁路客流量预测

• 作者: 彭其渊 李洁 杨宇翔
• 来源期刊: 西南交通大学学报
• 学科: 交通运输
• 关键词: 铁路运输 SARIMA模型 广珠城际铁路 车站发送客流 客流预测
• 年，卷（期）: 2020,（1）
• 页码范围: 41-51
• 页数: 11页
• 分类号: U293.4
• 字数: 6221字
• 语种: 中文
• DOI: 10.3969/j.issn.0258-2724.20180617

摘要

为实现铁路车站发送客流量的短期预测,研究预测步长对短期客流预测效果的影响,分析了广珠城际铁路车站发送客流的特征和变化规律,结合客流特征及季节性差分自回归滑动平均模型(seasonal autoregressive integrated moving average,SARIMA)的适用性,构建了SARIMA客流预测模型,利用Python软件中的Statsmodels模块完成了SARIMA客流模型的精细化调参,以广州南站、小榄站的发送客流量为例验证了模型的有效性.结果表明,SARIMA预测模型可以较好地适用于不同数量等级的客流预测,其预测精度随预测步长的增加而降低.预测步长为1时,广州南站、小榄站、珠海站客流预测平均绝对百分比误差(mean absolute percentage error,MAPE)值分别为3.97％,5.83％,5.43％;预测步长增加为2时,各车站客流预测误差显著增加,广州南站、小榄站、珠海站客流预测误差MAPE值分别为5.31％,6.79％,7.62％;预测步长大于2时,预测误差基本保持稳定.将SARIMA模型预测效果与随机森林(random forest,RF)、支持向量机(support vector machine,SVM)、梯度提升算法(gradient boosting,GB)、K最近邻算法(K-nearest neighbor,KNN)模型或方法的预测效果进行对比,预测步长为1时,SARIMA模型预测效果略优于其余4种模型,5种预测模型预测精度差距较小;预测步长大于1时,RF、SVM、GB、KNN模型预测误差随预测步长显著增加,预测误差为SARIMA模型的数倍.SARIMA模型在客流时间序列的多步预测方面具有较大的优势.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	彭其渊	西南交通大学交通运输与物流学院	258	3785	32.0	47.0
5	杨宇翔	西南交通大学交通运输与物流学院	8	42	2.0	6.0
6	李洁	西南交通大学交通运输与物流学院	12	79	6.0	8.0