摘要(Abstract)：
为了解决公交车辆过载及空车浪费资源并存问题，提高城市公交服务质量水平，基于公交客流季节性波动及周期性变化特征，构建季节性差分整合移动平均自回归模型，并对城市公交短期客流进行预测；以山东省青岛市K1路公交线路刷卡数据为模型样本，对非平稳的客流时间序列进行1阶7步差分处理，对差分后的数据进行平稳性检验；通过相对信息量计算，确定预测模型中未知参数，对差分处理后的时间序列进行标准化残差检验，检验结果为白噪声序列，得到周期为7的季节性差分整合移动平均自回归预测模型；利用预测模型对2019年7—12月公交客流量进行预测与误差分析。结果表明，模型预测的平均相对误差为4.02%,最大相对误差为8.36%,模型预测精度较高，适用于青岛市公交短期客流量预测。
关键词(KeyWords)： 交通预测;短期客流预测;季节性差分整合移动平均自回归模型;城市公交;平稳性检验
基金项目(Foundation): 国家自然科学基金项目(62003182);; 山东省自然科学基金项目(ZR2020MG021);; 教育部人文社会科学研究规划基金项目(18YJAZH067);; 山东省重点研发计划项目(2018GGX105009)
作者(Author): 李炜聪,潘福全,胡盼,张丽霞,杨晓霞,杨金顺
DOI: 10.13349/j.cnki.jdxbn.20211214.005
参考文献(References)：
[1] 黄益绍，韩磊.基于改进极限学习机的公交站点短时客流预测方法[J].交通运输系统工程与信息，2019,19(4):115-123.
[2] JéRéMY R,GéRALD G,STéPHANE B,et al.A dynamic Bayesian network approach to forecast short-term urban rail pass-enger flows with incomplete data[J].Transportation Research Procedia,2017,26:53-61.
[3] LIU L J,CHEN R C.A novel passenger flow prediction model using deep learning methods[J].Transportation Research:Part C:Emerging Technologies,2017,84:74-91.
[4] BAI Y,SUN Z Z,ZENG B,et al.A multi-pattern deep fusion model for short-term bus passenger flow forecasting[J].Applied Soft Computing,2017,58:669-680.
[5] 方晓平，林美，陈维亚，等.数据不完备下基于特征识别的公交客流短时预测[J].华南理工大学学报(自然科学版),2020,48(4):114-122.
[6] 王茜竹，江德潮，徐瑞.基于SSA-ARMA的公交短时客流实时预测[J].计算机工程与设计，2019,40(5):1489-1494.
[7] 陈深进，薛洋，欧勇辉.基于无监督学习的实时公交动态调度的研究[J].重庆邮电大学学报(自然科学版),2019,31(2):191-199.
[8] 陈维亚，潘鑫，方晓平.基于K-means聚类组合模型的公交线路客流短时预测[J].华南理工大学学报(自然科学版),2019,47(4):83-89,113.
[9] 刘欣彤，黄小龙，谢秉磊.基于SVM-KNN的降雨条件下短时公交客流预测[J].交通信息与安全，2018,36(5):117-123.
[10] 李兆丰，倪少权，孙克洋，等.基于多特征融合的城市轨道交通短时客流预测[J].交通运输工程与信息学报，2020,18(4):93-102.
[11] 赵阳阳，夏亮，江欣国.基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型[J].交通运输工程学报，2020,20(4):194-204.
[12] 赵鹏，李璐.基于ARIMA模型的城市轨道交通进站量预测研究[J].重庆交通大学学报(自然科学版),2020,39(1):40-44.
[13] 李敏，黄迟.集成学习下的短期交通流预测[J].济南大学学报(自然科学版),2019,33(5):389-395.
[14] 李洁，彭其渊，杨宇翔.基于SARIMA模型的广珠城际铁路客流量预测[J].西南交通大学学报，2020,55(1):41-51.
[15] 马超群，李培坤，朱才华，等.基于不同时间粒度的城市轨道交通短时客流预测[J].长安大学学报(自然科学版),2020,40(3):75-83.
