基于Stacking集成學(xué)習(xí)的機(jī)場(chǎng)線短時(shí)客流預(yù)測(cè)研究

摘要：地鐵機(jī)場(chǎng)線客流具有高度時(shí)變性，受機(jī)場(chǎng)航班影響使得精準(zhǔn)的短時(shí)客流預(yù)測(cè)具有挑戰(zhàn)性。綜合考慮機(jī)場(chǎng)航班信息和機(jī)場(chǎng)線路歷史客流，構(gòu)建了一種以隨機(jī)森林（RF）、LightGBM （light gradient boosting machine）、梯度提升決策樹(shù)（GBDT）和邏輯回歸算法作為集成學(xué)習(xí)器，基于疊加（Stacking）集成模型的機(jī)場(chǎng)線路短時(shí)客流預(yù)測(cè)模型。以北京地鐵大興機(jī)場(chǎng)線為實(shí)例進(jìn)行驗(yàn)證，并與Informer和長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（long short-term memory，LSTM）兩種基線模型進(jìn)行對(duì)比。結(jié)果表明，考慮航班信息和機(jī)場(chǎng)線歷史客流的雙通道預(yù)測(cè)效果明顯優(yōu)于僅考慮機(jī)場(chǎng)線歷史客流的單通道預(yù)測(cè)；Stacking模型在各項(xiàng)指標(biāo)中均表現(xiàn)出優(yōu)越的性能，其中，在96步長(zhǎng)（24 h）下的預(yù)測(cè)效果最好，預(yù)測(cè)進(jìn)站客流的平均絕對(duì)誤差為7.66，預(yù)測(cè)出站客流的平均絕對(duì)誤差為4.67；分析航班信息特征對(duì)預(yù)測(cè)模型的影響，發(fā)現(xiàn)離港航班信息重要性不如到港航班，這與離港旅客提前到達(dá)機(jī)場(chǎng)時(shí)間差異較大有關(guān)。

關(guān)鍵詞：機(jī)場(chǎng)線；短時(shí)客流預(yù)測(cè)；Stacking集成模型；航班信息

中圖分類號(hào)：U121"" 文獻(xiàn)標(biāo)志碼：A"" 文章編號(hào)：1002-4026（2024）04-0112-09

開(kāi)放科學(xué)（資源服務(wù)）標(biāo)志碼（OSID）：

Study on short-term passenger flow prediction for a subway airport line

based on Stacking ensemble learning

YANG An’an1， HAN Xingyu2， TIAN Kuang1， LIU Zeyuan3， MING Wei1

（1.Beijing Intelligent Transportation Development Center （Beijing Automotive Regulation and Management Service Center），

Beijing 100161， China; 2. Beijing Metro Operation Administration Co.， Ltd.， Beijing 100068， China;

3. Beijing Jingcheng Metro Co.， Ltd.， Beijing 100082， China）

Abstract∶The highly dynamic nature of subway airport line passenger flows and their susceptibility to the influence of airport flight schedules present challenges for accurate short-term forecasting of passenger flow. This study integrates airport flight information and historical passenger flow data from airport lines to construct a short-term passenger flow forecasting model based on a stacking ensemble model. The model incorporates random forest （RF）， LightGBM （light gradient boosting machine）， gradient boosting decision tree （GBDT）， and logistic regression algorithms to act as ensemble learners. The proposed model is validated using data from the Beijing Subway Daxing Airport Line and is compared against two baseline models， namely informer and long short-term memory （LSTM） networks. The results indicate that the dual-channel prediction， which considers flight information and historical passenger flows， outperforms the single-channel prediction solely based on historical passenger flows. The results also indicate that the stacking model demonstrates superior performance across all metrics. Particularly， the best prediction performance is achieved at a 96 step （24 h） forecast horizon， with mean absolute error of 7.66 and 4.67 for inbound and outbound passenger flow predictions， respectively. Analysis of the impact of flight information characteristics on the prediction model reveals that departure flight information is of relatively lower importance than that of arrival flights， which is attributed to large differences in advance arrival times for departing passengers.

Key words∶airport line; short-term passenger flow forecasting; Stacking model; flight information

近年來(lái)，航空運(yùn)輸業(yè)的迅猛發(fā)展使我國(guó)的機(jī)場(chǎng)網(wǎng)絡(luò)規(guī)模不斷擴(kuò)大。據(jù)統(tǒng)計(jì)，截至2021年，我國(guó)境內(nèi)運(yùn)輸機(jī)場(chǎng)（不含港澳臺(tái)）有248座，全年旅客吞吐量超9億人次［1］。然而，隨之而來(lái)的是機(jī)場(chǎng)周邊交通壓力的顯著增加，這對(duì)機(jī)場(chǎng)線的規(guī)劃和運(yùn)營(yíng)提出了更高的要求［2］。機(jī)場(chǎng)線不僅為乘客提供了從機(jī)場(chǎng)到市區(qū)的高效便捷出行方式，還有效減輕了機(jī)場(chǎng)周邊道路的交通壓力。然而，機(jī)場(chǎng)線客流的高度時(shí)變性和受多種因素影響的特點(diǎn)，使得其運(yùn)營(yíng)管理面臨一系列挑戰(zhàn)，其中最重要的之一就是精確預(yù)測(cè)客流。精確的客流預(yù)測(cè)可以幫助運(yùn)營(yíng)企業(yè)更好地掌握客流變化規(guī)律，優(yōu)化列車(chē)發(fā)車(chē)間隔，避免高峰時(shí)段擁堵，提升乘客的出行體驗(yàn)，為機(jī)場(chǎng)線的高效運(yùn)營(yíng)和服務(wù)提供可靠支持。

機(jī)場(chǎng)線是一種專門(mén)承擔(dān)特定功能的軌道交通線路，其在區(qū)位、功能、客流來(lái)源、客流特征和客流影響因素方面與一般軌道線路有著顯著的差異。機(jī)場(chǎng)多位于城市外圍，占地面積大，機(jī)場(chǎng)線的終點(diǎn)和起點(diǎn)都位于機(jī)場(chǎng)的航站樓或航空樞紐附近，以便乘客的無(wú)縫連接。機(jī)場(chǎng)線的主要功能是為旅客提供從城市中心到機(jī)場(chǎng)以及從機(jī)場(chǎng)到城市的快速便捷交通服務(wù)。這種單一的功能定位導(dǎo)致機(jī)場(chǎng)線的主要客流來(lái)源集中在民航旅客和機(jī)場(chǎng)工作人員［3］。與一般軌道線路站點(diǎn)客流呈現(xiàn)出的“單峰型”和“雙峰型”特征［4］不同的是，機(jī)場(chǎng)線的客流特征不規(guī)律。機(jī)場(chǎng)線的高峰小時(shí)系數(shù)低于一般站點(diǎn)［5］，這主要由于航班的起降時(shí)間分布在全日不集中，在航班集中度到達(dá)或離開(kāi)的時(shí)間段反而會(huì)產(chǎn)生大量軌道客流［6］。航班的延誤、取消等突發(fā)事件可能導(dǎo)致乘客需要臨時(shí)調(diào)整乘坐機(jī)場(chǎng)線的計(jì)劃，從而對(duì)機(jī)場(chǎng)線的客流產(chǎn)生影響［7］。

近幾年，基于大數(shù)據(jù)和先進(jìn)的數(shù)學(xué)方法來(lái)預(yù)測(cè)軌道站點(diǎn)客流量成為趨勢(shì)。大數(shù)據(jù)技術(shù)的廣泛應(yīng)用為軌道站點(diǎn)客流量的精準(zhǔn)預(yù)測(cè)提供了強(qiáng)有力的支持。通過(guò)收集、整合和分析大量的歷史乘客進(jìn)出站數(shù)據(jù)，可以揭示客流量的周期性變化、節(jié)假日影響、特定時(shí)段的高峰等規(guī)律，為預(yù)測(cè)模型的構(gòu)建提供了可靠的依據(jù)［8］。機(jī)器學(xué)習(xí)和深度學(xué)習(xí)等技術(shù)的應(yīng)用不斷推動(dòng)著軌道站點(diǎn)客流量預(yù)測(cè)的精度和效果的提升。傳統(tǒng)的時(shí)間序列模型如ARIMA（autoregressive integrated moving average，自回歸移動(dòng)平均模型）能夠預(yù)測(cè)客流量的趨勢(shì)，但難以捕捉非線性關(guān)系和復(fù)雜的影響因素［9］。而機(jī)器學(xué)習(xí)模型如支持向量機(jī)［10］、長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）［11］等，具備更強(qiáng)大的擬合能力和學(xué)習(xí)能力，能夠處理大量的歷史數(shù)據(jù)，提供更準(zhǔn)確的預(yù)測(cè)結(jié)果。然而，機(jī)器學(xué)習(xí)模型在訓(xùn)練階段存在過(guò)于關(guān)注訓(xùn)練數(shù)據(jù)中的細(xì)節(jié)和噪聲，從而產(chǎn)生過(guò)擬合的問(wèn)題。隨著機(jī)器學(xué)習(xí)技術(shù)的發(fā)展，集成學(xué)習(xí)在客流量預(yù)測(cè)方面展現(xiàn)了出色的性能［12］。集成學(xué)習(xí)通過(guò)將多個(gè)基本模型的預(yù)測(cè)結(jié)果進(jìn)行結(jié)合，從而提高整體預(yù)測(cè)的準(zhǔn)確性和穩(wěn)定性［13］。在預(yù)測(cè)軌道站點(diǎn)客流量的場(chǎng)景中，集成學(xué)習(xí)能夠克服單一模型的局限性，更好地適應(yīng)數(shù)據(jù)的多樣性和變化性［14］。

城市軌道交通站點(diǎn)客流預(yù)測(cè)研究已經(jīng)較為豐富，但是機(jī)場(chǎng)線的客流預(yù)測(cè)研究較少，其主要原因是，一般線路的客流影響因素在機(jī)場(chǎng)線適用性差，如時(shí)間特征（工作日、非工作日）對(duì)民航乘客的出行目的的關(guān)聯(lián)度不高［15］，反而航班安排、氣象條件、航班延誤、旅客通關(guān)等動(dòng)態(tài)因素對(duì)機(jī)場(chǎng)線客流的影響較為顯著［16］。

然而，目前對(duì)于機(jī)場(chǎng)線客流預(yù)測(cè)的研究仍存在不足：（1）集成學(xué)習(xí)方法在機(jī)場(chǎng)線短時(shí)客流預(yù)測(cè)方面的研究較為有限，其預(yù)測(cè)效果及精度有待進(jìn)一步驗(yàn)證；（2）航班信息對(duì)預(yù)測(cè)精度的影響缺乏深入研究；（3）現(xiàn)有的預(yù)測(cè)方法僅聚焦于到港旅客的客流量預(yù)測(cè)，缺乏對(duì)離港方向客流的準(zhǔn)確預(yù)測(cè)。鑒于此，本研究將到離港航班信息納入機(jī)場(chǎng)線客流影響因素，對(duì)乘坐機(jī)場(chǎng)線出入機(jī)場(chǎng)的進(jìn)出站雙向客流進(jìn)行預(yù)測(cè)。采用基于Stacking的集成學(xué)習(xí)方法對(duì)機(jī)場(chǎng)線短時(shí)客流進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果與LSTM、Informer等深度學(xué)習(xí)方法進(jìn)行對(duì)比。最后，以大興機(jī)場(chǎng)線作為實(shí)例，驗(yàn)證基于Stacking的集成學(xué)習(xí)客流預(yù)測(cè)方法的可行性與有效性，并進(jìn)一步挖掘到離港航班信息對(duì)預(yù)測(cè)結(jié)果的重要性。

1 模型構(gòu)建

1.1 模型架構(gòu)

Stacking算法由Wolpert［17］于1992年提出，被廣泛應(yīng)用于機(jī)器學(xué)習(xí)各類應(yīng)用中。Stacking是若干個(gè)機(jī)器學(xué)習(xí)方法的結(jié)合，其本質(zhì)上是一種分層結(jié)構(gòu)，通過(guò)生成一系列基學(xué)習(xí)器，再用某種策略將學(xué)習(xí)器組合起來(lái)使用。因此為得到性能優(yōu)異的Stacking集成學(xué)習(xí)預(yù)測(cè)模型，需要選擇相適應(yīng)的基學(xué)習(xí)器和元學(xué)習(xí)器。

為滿足Stacking對(duì)基學(xué)習(xí)器“多且不同”的要求，本研究選取了4個(gè)基學(xué)習(xí)器。其中，隨機(jī)森林（random forest， RF）［11］和梯度提升決策樹(shù)（gradient boosting decision tree， GBDT）［18］是兩種常見(jiàn)的以決策樹(shù)模型為基礎(chǔ)的回歸算法，常被用來(lái)預(yù)測(cè)連續(xù)數(shù)值。極端梯度提升（extreme gradient boosting， XGBoost）［19］是GBDT的改進(jìn)算法，具有更強(qiáng)的計(jì)算能力、效率出眾、速度更快、預(yù)測(cè)準(zhǔn)確度高的優(yōu)點(diǎn)。

除上述3種以決策樹(shù)為基礎(chǔ)的模型算法外，本研究增加K近鄰（K-nearest neighbors， KNN）作為基學(xué)習(xí)器層的模型算法，其精度高、對(duì)異常值不敏感、簡(jiǎn)單有效。第二層應(yīng)當(dāng)選擇泛化能力較強(qiáng)的模型，能夠?qū)崿F(xiàn)從中歸納并糾正第一層多個(gè)基學(xué)習(xí)器對(duì)于訓(xùn)練模型的偏值情況，通過(guò)對(duì)第一層基模型產(chǎn)生的數(shù)據(jù)進(jìn)行二次預(yù)測(cè)，進(jìn)一步提高預(yù)測(cè)表現(xiàn)。邏輯回歸（logistic regression，LR）算法是一種概率統(tǒng)計(jì)模型，為最流行的分類算法，具有容易拓展、解釋力強(qiáng)等優(yōu)點(diǎn)，作為元分類器可以保證模型精確度的同時(shí)防止過(guò)擬合。因此，本研究將RF、GBDT、XGBoost、KNN 4種算法作為第一層基學(xué)習(xí)器，LR算法為第二層元學(xué)習(xí)器，構(gòu)成基于Stacking的機(jī)場(chǎng)線短時(shí)客流預(yù)測(cè)算法架構(gòu)，如圖1所示。

1.2 算法流程

基于Stacking的機(jī)場(chǎng)線短時(shí)客流預(yù)測(cè)模型的目標(biāo)是預(yù)測(cè)機(jī)場(chǎng)線未來(lái)短時(shí)進(jìn)出站客流，通過(guò)輸入機(jī)場(chǎng)線歷史客流與到離港航班數(shù)據(jù)（自變量X）以及機(jī)場(chǎng)線預(yù)測(cè)客流（因變量Y）構(gòu)建的數(shù)據(jù)集進(jìn)行訓(xùn)練，返回預(yù)測(cè)結(jié)果。Stacking訓(xùn)練流程圖如圖2所示，具體流程如下：

（1）將數(shù)據(jù)劃分為原始訓(xùn)練集D和原始測(cè)試集V。

（2）引入5折交叉驗(yàn)證方法訓(xùn)練各個(gè)基學(xué)習(xí)器，將原始數(shù)據(jù)集D平均劃分為5個(gè)互斥子集，分別為D1，D2，…，D5。然后，分別選擇其中4個(gè)子集的并集作為訓(xùn)練集，余下的1個(gè)子集作為測(cè)試集，構(gòu)造初級(jí)學(xué)習(xí)器的訓(xùn)練集和測(cè)試集。這樣每個(gè)初級(jí)學(xué)習(xí)器可獲得5組訓(xùn)練集和測(cè)試集，并獲得5個(gè)測(cè)試結(jié)果S1，S2，…，S5。

（3）生成新訓(xùn)練數(shù)據(jù)集。因本Stacking集成預(yù)測(cè)中含4個(gè)基學(xué)習(xí)器，都采用這5組訓(xùn)練集和測(cè)試集進(jìn)行基學(xué)習(xí)器的訓(xùn)練和測(cè)試，則對(duì)于第n個(gè)基學(xué)習(xí)器，在完成5折交叉驗(yàn)證后，將有5個(gè)預(yù)測(cè)結(jié)果，將其按行縱向堆疊，獲得該基學(xué)習(xí)器下樣本數(shù)據(jù)的預(yù)測(cè)集Si，n（i=1，2，…，5），同時(shí)將這5個(gè)預(yù)測(cè)結(jié)果平均得S-n（n=1，2，…，4）。在完成4個(gè)基學(xué)習(xí)器的訓(xùn)練之后，將每個(gè)基學(xué)習(xí)器獲得的預(yù)測(cè)集與預(yù)測(cè)均值按列拼接，則得到第二層的新的訓(xùn)練集Si，n，與新的測(cè)試集S-n。形成第二層元學(xué)習(xí)器的輸入數(shù)據(jù)集。即數(shù)據(jù)集{（S-n，Si，n），i=1，2，…，5;n=1，2，…，4}。

（4）使用元學(xué)習(xí)器LR進(jìn)行二次訓(xùn)練。將通過(guò)上一步初級(jí)學(xué)習(xí)器訓(xùn)練得到的新訓(xùn)練集與測(cè)試集輸入第二層元學(xué)習(xí)器用于次級(jí)訓(xùn)練，得到最終機(jī)場(chǎng)線客流預(yù)測(cè)結(jié)果。

1.3 特征重要性評(píng)價(jià)方法

為了更好地理解數(shù)據(jù)訓(xùn)練的模型，了解各輸入數(shù)據(jù)（自變量X）對(duì)預(yù)測(cè)結(jié)果（因變量Y）的影響程度，有必要對(duì)自變量開(kāi)展特征重要性分析。

本研究采用排列重要性（permutation importance）［20］估計(jì)每個(gè)特征的總體重要性，這些特征重要性得分可以量化當(dāng)一列的值在行間隨機(jī)洗牌時(shí)預(yù)測(cè)性能。這些得分有助于觀察模型整體行為的可解釋性，有助于得到這些特征影響預(yù)測(cè)性能的局部解釋。具體步驟如下：

（1）輸入訓(xùn)練集的所有特征數(shù)據(jù)訓(xùn)練得到模型；

（2）選擇其中一個(gè)需要分析的特征，將驗(yàn)證集中的該特征數(shù)據(jù)進(jìn)行打亂（圖3），并保持其他列和目標(biāo)值不變；

（3）計(jì)算新的預(yù)測(cè)結(jié)果，如果新舊結(jié)果的差異不大說(shuō)明該特征重要性低，如果新舊結(jié)果差異顯著，說(shuō)明該特征對(duì)模型的影響也是顯著的；

（4）將驗(yàn)證數(shù)據(jù)集還原，并重復(fù)第2步和第3步，分析其他特征變量。

任何機(jī)器學(xué)習(xí)模型都可以使用排列的策略來(lái)計(jì)算特征重要性。其對(duì)于特征重要性的評(píng)判取決于該特征被隨機(jī)重排后模型表現(xiàn)評(píng)分的下降程度。其數(shù)學(xué)表達(dá)式可以表示為：

ij=s－1/K∑Kk=1sk，j，（1）

其中，s是模型在原數(shù)據(jù)集上的性能評(píng)分；對(duì)于K次重復(fù)實(shí)驗(yàn)中的每一次迭代k，隨機(jī)重排列特征j，構(gòu)造一個(gè)被污染的數(shù)據(jù)集（重排列后），計(jì)算模型在被污染的數(shù)據(jù)上的性能評(píng)分sk，j，最后計(jì)算得到特征j的重要性分?jǐn)?shù)ij。特征的重要性分?jǐn)?shù)越高，表示其對(duì)模型的性能就越重要。比如若特征得分為0.01，表明該特征被隨機(jī)打亂時(shí)，預(yù)測(cè)性能下降0.01。

2 數(shù)據(jù)源

本研究以北京大興國(guó)際機(jī)場(chǎng)線（以下簡(jiǎn)稱大興機(jī)場(chǎng)線）短時(shí)客流預(yù)測(cè)為例進(jìn)行分析。大興機(jī)場(chǎng)線全長(zhǎng)41.36 km，北起草橋站，途徑大興新城站，南至大興機(jī)場(chǎng)站。作為機(jī)場(chǎng)線的終點(diǎn)站，大興機(jī)場(chǎng)站的站廳和站臺(tái)層與大興國(guó)際機(jī)場(chǎng)換乘大廳直接相連。

本研究選取2022年4月23日—29日15 min粒度的大興機(jī)場(chǎng)線進(jìn)出站刷卡數(shù)據(jù)以及大興機(jī)場(chǎng)到離港航班信息數(shù)據(jù)。4月25日機(jī)場(chǎng)線客流分布如圖4所示，可以看出，草橋站呈現(xiàn)出“雙峰型”的特征，大興新城站呈現(xiàn)出早高峰進(jìn)站量高，晚高峰出站量高的“單峰型”特征，大興機(jī)場(chǎng)站呈現(xiàn)出早高峰出站量高而晚高峰進(jìn)站量高的“單峰型”特征，但高峰小時(shí)系數(shù)仍處于較低水平［5］。

到離港航班信息數(shù)據(jù)主要字段有：航班號(hào)、起飛機(jī)場(chǎng)、到達(dá)機(jī)場(chǎng)、實(shí)際載客量、計(jì)劃起飛時(shí)間、實(shí)際起飛時(shí)間、計(jì)劃到達(dá)時(shí)間、實(shí)際到達(dá)時(shí)間和登機(jī)延誤情況等。通過(guò)數(shù)據(jù)統(tǒng)計(jì)，可以獲得15 min顆粒度的到、離港旅客人數(shù)和到、離港架次，時(shí)間分布如圖5所示。

3 實(shí)驗(yàn)結(jié)果

3.1 預(yù)測(cè)結(jié)果分析

本研究實(shí)驗(yàn)環(huán)境為CPU Intel（R） Core（TM） i7-7700 CPU @ 3.60GHz，GPU NVIDIA GeForce GTX 1060 6GB。輸入步長(zhǎng)粒度為15 min，預(yù)測(cè)步長(zhǎng)為1；訓(xùn)練集與測(cè)試集的比例為8：2。選取均方誤差（δMSE）和平均絕對(duì)誤差（δMAE）對(duì)模型的性能進(jìn)行評(píng)價(jià)。

3.1.1 進(jìn)站客流預(yù)測(cè)

大興機(jī)場(chǎng)站的進(jìn)站客流主要來(lái)源于大興國(guó)際機(jī)場(chǎng)到達(dá)航班的旅客，因此將機(jī)場(chǎng)到達(dá)航班作為機(jī)場(chǎng)線客流預(yù)測(cè)的重要自變量；同時(shí)，大興機(jī)場(chǎng)站的進(jìn)站客流也擁有時(shí)序流量特征，所以也將歷史進(jìn)站客流作為模型的考慮變量。

將輸入步長(zhǎng)設(shè)置為192 （即15 min×192=48 h），模型輸入步長(zhǎng)粒度為15 min，預(yù)測(cè)步長(zhǎng)為1。輸入數(shù)據(jù)類型為機(jī)場(chǎng)線歷史進(jìn)站客流數(shù)據(jù)和預(yù)測(cè)時(shí)段前的到港航班數(shù)量，控制輸入步長(zhǎng)為4（1 h）、8（2 h）、12（3 h）、96（24 h）和192（48 h）。

基于Stacking集成學(xué)習(xí)預(yù)測(cè)結(jié)果如圖6所示?？梢?jiàn)，輸入步長(zhǎng)為96時(shí)，預(yù)測(cè)誤差最小，其中δMSE=165.10，δMAE=7.66，當(dāng)步長(zhǎng)增加到192時(shí)預(yù)測(cè)誤差反而上升。

集成學(xué)習(xí)的優(yōu)勢(shì)在于擁有靈活的特征輸入方式，本研究通過(guò)控制輸入不同步長(zhǎng)的不同變量，分析得到各特征對(duì)模型預(yù)測(cè)結(jié)果的影響情況，如圖7所示。

從圖7可以看出，96步長(zhǎng)的進(jìn)站客流和到達(dá)航班數(shù)，模型的預(yù)測(cè)誤差最低；通道數(shù)為2（同時(shí)輸入2個(gè)特征）時(shí)，模型的表現(xiàn)效果優(yōu)于輸入單變量預(yù)測(cè)；只輸入進(jìn)站客流特征時(shí)，僅輸入前3 h（步長(zhǎng)12）的歷史客流模型預(yù)測(cè)誤差相對(duì)較大，當(dāng)輸入1 d長(zhǎng)度的歷史客流有更好的效果；當(dāng)輸入航班到達(dá)數(shù)量時(shí)，模型預(yù)測(cè)誤差變化相對(duì)于進(jìn)站客流單變量較平穩(wěn)。

3.1.2 出站客流預(yù)測(cè)

大興機(jī)場(chǎng)站的出站客流主要目的是前往大興國(guó)際機(jī)場(chǎng)乘坐航班離港，而離港航班時(shí)段位于預(yù)測(cè)時(shí)段之后，因此將大興機(jī)場(chǎng)站的歷史出站客流和未來(lái)離港航班數(shù)據(jù)作為模型的考慮變量，開(kāi)展預(yù)測(cè)分析。

同樣模型輸入步長(zhǎng)粒度為15 min，預(yù)測(cè)步長(zhǎng)為1，輸入數(shù)據(jù)分別為歷史機(jī)場(chǎng)線出站客流數(shù)據(jù)和預(yù)測(cè)時(shí)段以后的離港航班信息，當(dāng)輸入步長(zhǎng)分別為4、8、12、96和192，預(yù)測(cè)誤差如圖8示。結(jié)果顯示，同樣當(dāng)輸入步長(zhǎng)為96時(shí)，模型有最好的預(yù)測(cè)性能，其中δMSE=54.28，δMAE=4.67，當(dāng)步長(zhǎng)繼續(xù)增加到192時(shí)預(yù)測(cè)性能反而下降。

通過(guò)控制兩個(gè)變量的步長(zhǎng)，對(duì)出站客流預(yù)測(cè)結(jié)果的影響情況見(jiàn)圖9?？梢钥闯觯?dāng)同時(shí)輸入96步長(zhǎng)的出站客流和出發(fā)航班數(shù)，模型的預(yù)測(cè)誤差最低；且當(dāng)通道數(shù)為2（同時(shí)輸入2個(gè)特征）時(shí)，模型的表現(xiàn)效果優(yōu)于輸入單變量預(yù)測(cè)；當(dāng)只輸入出站客流特征時(shí)，效果優(yōu)于只輸入出發(fā)航班情況。

3.2 模型對(duì)比

本研究將基于Stacking集成學(xué)習(xí)的客流預(yù)測(cè)模型與LSTM和Informer模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，驗(yàn)證模型適用性。LSTM模型設(shè)置三層隱藏層，第一層神經(jīng)元個(gè)數(shù)為32，其余層神經(jīng)元個(gè)數(shù)為64，學(xué)習(xí)率設(shè)置為0.001，激活函數(shù)均采用relu函數(shù)，優(yōu)化器選擇Adam優(yōu)化器。Informer模型設(shè)置2層編碼器和1層解碼器，每個(gè)編碼器中包括兩個(gè)堆棧層，每個(gè)堆棧層包含2個(gè)注意力頭。

對(duì)于進(jìn)站客流來(lái)說(shuō)，如圖10（a）、10（b）所示，結(jié)合不同步長(zhǎng)模型的綜合表現(xiàn)，可見(jiàn)基于Stacking集成學(xué)習(xí)預(yù)測(cè)效果最好，且預(yù)測(cè)誤差穩(wěn)定；其次是Informer模型，步長(zhǎng)對(duì)模型預(yù)測(cè)誤差的影響相對(duì)較小；而LSTM在步長(zhǎng)為8時(shí)候預(yù)測(cè)效果最差。對(duì)于出站客流來(lái)說(shuō)，如圖10（c）、10（d）所示，仍是基于Stacking的集成學(xué)習(xí)預(yù)測(cè)效果最好，且預(yù)測(cè)誤差穩(wěn)定；其次是Informer模型；LSTM在步長(zhǎng)為8時(shí)候預(yù)測(cè)效果較差。

3.3 特征重要性分析

將輸入步長(zhǎng)設(shè)置為192，通過(guò)數(shù)據(jù)集擬合出的預(yù)測(cè)模型計(jì)算得到最重要的4個(gè)特征及其得分見(jiàn)圖11，圖中，HB30表示前30 min的到港航班，GD15表示前15 min的機(jī)場(chǎng)線大興機(jī)場(chǎng)站進(jìn)站客流數(shù)據(jù)，其他表示按此規(guī)律。從圖11（a）中可見(jiàn)，首先預(yù)測(cè)時(shí)段前30 min和45 min的航班到達(dá)情況對(duì)于模型的預(yù)測(cè)性能局部影響最大，得分分別為2.09和1.37，認(rèn)為這與航空旅客到達(dá)大興機(jī)場(chǎng)后需經(jīng)過(guò)30～60 min才到達(dá)大興機(jī)場(chǎng)線密切相關(guān)。其次，15 min和1 440 min前的機(jī)場(chǎng)線歷史進(jìn)站客流數(shù)據(jù)在一定情況下也能反映當(dāng)前預(yù)測(cè)時(shí)段的機(jī)場(chǎng)線進(jìn)站客流，重要性得分為0.61和0.48，這說(shuō)明機(jī)場(chǎng)線客流雖有別于一般通勤客流的強(qiáng)周期性，其時(shí)序特征也具有一定的出行規(guī)律和周期特點(diǎn)。如圖11（b）所示，可以看出區(qū)別于進(jìn)站客流預(yù)測(cè)，影響出站客流預(yù)測(cè)的主要因素均與歷史軌道客流有關(guān)，而與離港航班關(guān)系較弱。影響程度最大的是預(yù)測(cè)時(shí)段1 440 min以前的出站客流數(shù)據(jù)，說(shuō)明大興機(jī)場(chǎng)線路出站客流規(guī)律性較強(qiáng)。從與離港航班的關(guān)系來(lái)看，大興機(jī)場(chǎng)站的出站客流同離港航班時(shí)間關(guān)系相對(duì)較弱，可見(jiàn)大興機(jī)場(chǎng)旅客提前到達(dá)機(jī)場(chǎng)時(shí)間差異較大，規(guī)律性不夠顯著。

4 結(jié)論

本研究提出了一種基于Stacking集成學(xué)習(xí)的機(jī)場(chǎng)線短時(shí)客流預(yù)測(cè)方法，模型綜合考慮機(jī)場(chǎng)航班信息和歷史流量數(shù)據(jù)，對(duì)機(jī)場(chǎng)線進(jìn)出站雙向客流進(jìn)行了預(yù)測(cè)，并與Informer和LSTM預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，發(fā)現(xiàn)所提出的模型適用于機(jī)場(chǎng)線短時(shí)客流預(yù)測(cè)，且預(yù)測(cè)結(jié)果具有更高的精度。具體結(jié)論如下：

（1）綜合考慮機(jī)場(chǎng)航班信息和歷史客流的雙通道預(yù)測(cè)精度高于僅考慮歷史客流的單通道預(yù)測(cè)精度。

（2）Stacking集成學(xué)習(xí)、LSTM、Informer三種模型的預(yù)測(cè)結(jié)果對(duì)比表明，對(duì)于進(jìn)站客流和出站客流預(yù)測(cè)，Stacking模型表現(xiàn)出更好的穩(wěn)定性，次之為Informer。

（3）步長(zhǎng)對(duì)Stacking模型的預(yù)測(cè)結(jié)果均具有一定影響。96步長(zhǎng)下的預(yù)測(cè)效果優(yōu)于4、8、12和192的預(yù)測(cè)結(jié)果。

（4）自變量特征重要性分析顯示，歷史客流數(shù)據(jù)與航班信息具有不同的影響。對(duì)于進(jìn)站客流預(yù)測(cè)來(lái)說(shuō)，預(yù)測(cè)時(shí)段前30 min和45 min的航班到達(dá)情況對(duì)于模型的預(yù)測(cè)性能影響最大，其次為歷史進(jìn)站客流；影響出站客流預(yù)測(cè)的主要因素均與歷史客流有關(guān)，而與離港航班關(guān)系較弱，進(jìn)一步說(shuō)明大興機(jī)場(chǎng)旅客提前到達(dá)機(jī)場(chǎng)時(shí)間差異較大。

綜上所述，本研究證明了Stacking模型在機(jī)場(chǎng)線短時(shí)客流預(yù)測(cè)方面的實(shí)踐價(jià)值。在后續(xù)研究中，我們將重點(diǎn)探究使用集成學(xué)習(xí)模型降低誤差的方法，以進(jìn)一步提升機(jī)場(chǎng)線客流預(yù)測(cè)的準(zhǔn)確性和可靠性。

參考文獻(xiàn)：

［1］劉亞寧， 李桂安. 基于乘坐舒適性的城市軌道交通機(jī)場(chǎng)線列車(chē)立席和座席設(shè)置研究［J］. 鐵道技術(shù)監(jiān)督， 2023， 51（8）： 5-9. DOI： 10.3969/j.issn.1006-9178.2023.08.003.

［2］魯放， 周旭， 喬穎麗， 等. 2020年中國(guó)軌道交通機(jī)場(chǎng)線統(tǒng)計(jì)及空軌協(xié)同運(yùn)營(yíng)分析［J］. 都市快軌交通， 2020， 33（6）： 1-6. DOI： 10.3969/j.issn.1672-6073.2020.06.001.

［3］孫繼營(yíng)， 楊曉飛， 劉曉慶， 等. 北京地鐵大興機(jī)場(chǎng)線客流特征分析與行車(chē)組織方案研究［J］. 城市軌道交通研究， 2023， 26（3）： 119-124. DOI： 10.16037/j.1007-869x.2023.03.022.

［4］曹秉新， 劉卓， 陳艷艷， 等. 基于時(shí)空大數(shù)據(jù)的軌交站域用地功能緊湊度分析［J］. 地理信息世界， 2021， 28（4）： 9-15. DOI： 10.3969/j.issn.1672-1586.2021.04.002.

［5］王靜， 張?jiān)矗?廖唱， 等. 城市軌道交通機(jī)場(chǎng)線客流特征分析及建議［J］. 綜合運(yùn)輸， 2021， 43（6）： 22-27.

［6］LIN L， LIU X， LIU X， et al. A prediction model to forecast passenger flow based on flight arrangement in airport terminals［J］. Energy and Built Environment， 2023， 4（6）： 680-688. DOI： 10.1016/j.enbenv.2022.06.006.

［7］陸檸馨. 基于顧客感知服務(wù)質(zhì)量的XP航空公司顧客滿意度研究［D］. 昆明： 云南財(cái)經(jīng)大學(xué)， 2022.

［8］SUN Y S， SHI J G， SCHONFELD P M. Identifying passenger flow characteristics and evaluating travel time reliability by visualizing AFC data： a case study of Shanghai Metro［J］. Public Transport， 2016， 8（3）： 341-363. DOI： 10.1007/s12469-016-0137-8.

［9］DING C， CAO X Y， LIU C. How does the station-area built environment influence Metrorail ridership？ Using gradient boosting decision trees to identify non-linear thresholds［J］. Journal of Transport Geography， 2019， 77：70-78. DOI： 10.1016/j.jtrangeo.2019.04.011.

［10］郭文. 基于支持向量機(jī)的軌道交通短期客流預(yù)測(cè)方法研究［D］. 蘇州： 蘇州大學(xué)， 2019.

［11］LIN S F， TIAN H Y. Short-term metro passenger flow prediction based on random forest and LSTM［C］//2020 IEEE 4th Information Technology， Networking， Electronic and Automation Control Conference （ITNEC）. Chongqing， China： IEEE， 2020： 2520-2526. DOI： 10.1109/ITNEC48623.2020.9084974.

［12］方昇越. 基于XGBoost的地鐵短時(shí)客流量預(yù)測(cè)研究［D］. 大連： 大連海事大學(xué)， 2022.

［13］de CAIGNY A， COUSSEMENT K， de BOCK K W. A new hybrid classification algorithm for customer churn prediction based on logistic regression and decision trees［J］. European Journal of Operational Research， 2018， 269（2）： 760-772. DOI： 10.1016/j.ejor.2018.02.009.

［14］XU T P， MA Y， KIM K. Telecom churn prediction system based on ensemble learning using feature grouping［J］. Applied Sciences， 2021， 11（11）： 4742. DOI： 10.3390/app11114742.

［15］苗辰， 王萬(wàn)江. 基于出站旅客出行目的的地鐵站口分析及優(yōu)化：以烏魯木齊地鐵1號(hào)線國(guó)際機(jī)場(chǎng)站為例［J］. 城市建筑， 2020， 17（22）： 143-147. DOI： 10.3969/j.issn.1673-0232.2020.22.032.

［16］杜文博， 石婉君， 廖盛時(shí)， 等. 基于“時(shí)間-特征”協(xié)同注意力的機(jī)場(chǎng)快軌客流預(yù)測(cè)［J］. 北京航空航天大學(xué)學(xué)報(bào)， 2022， 48（9）： 1605-1612. DOI： 10.13700/j.bh.1001-5965.2022.0321.

［17］WOLPERT D H. Stacked generalization［J］. Neural Networks， 1992， 5（2）： 241-259. DOI： 10.1016/S0893-6080（05）80023-1.

［18］DING C A， WANG D G， MA X L， et al. Predicting short-term subway ridership and prioritizing its influential factors using gradient boosting decision trees［J］. Sustainability， 2016， 8（11）： 1100. DOI： 10.3390/su8111100.

［19］WANG K P， WANG P， HUANG Z R， et al. A two-step model for predicting travel demand in expanding subways［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23（10）： 19534-19543. DOI： 10.1109/TITS.2022.3166669.

［20］朱月凡， 蔣國(guó)平， 高輝， 等. 基于特征選擇和數(shù)據(jù)增強(qiáng)的電池荷電狀態(tài)預(yù)測(cè)［J］. 計(jì)算機(jī)系統(tǒng)應(yīng)用， 2023， 32（2）： 45-54. DOI： 10.15888/j.cnki.csa.008943.