Resumen

Una predicción fiable del flujo de pasajeros a corto plazo podría servir de gran apoyo a los procesos de decisión de las autoridades de metro, ayudar a los pasajeros a ajustar su horario de viaje o, en casos extremos, ayudar a la gestión de emergencias. La afluencia y la afluencia de la estación de metro están estrechamente relacionadas con la demanda de viajes dentro de las redes de metro. El objetivo de este artículo es obtener dicha predicción. En primer lugar, recopilamos la información de origen y destino a partir de los datos de las tarjetas inteligentes y exploramos los patrones de flujo de pasajeros en una red de metro. A continuación, proponemos un marco basado en datos para la predicción a corto plazo del flujo de pasajeros en el metro, con capacidad para utilizar información relacionada tanto espacial como temporalmente. El enfoque adopta dos previsiones como modelos básicos y luego utiliza un método probabilístico de selección de modelos, la clasificación de bosque aleatorio, para combinar los dos resultados y lograr una mejor previsión. En los experimentos, comparamos el modelo propuesto con otros cuatro modelos de predicción, a saber, autorregresivo-moving-average, redes neuronales, regresión de vectores de soporte y modelo ensemble de promediación, así como con los modelos básicos. Los resultados indican que el enfoque propuesto supera a los demás en la mayoría de los casos. Los flujos origen-destino extraídos de los datos de las tarjetas inteligentes pueden explotarse con éxito para describir distintos patrones de viaje en metro. Y el marco aquí propuesto, especialmente el método de combinación probabilística, puede mejorar el rendimiento de la predicción del transporte a corto plazo.

• Materias:Planificación de la producción Infraestructura de transportes Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Production planning Transport infrastructure Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:modelos básicos, datos de tarjetas, diferentes pautas de viaje en metro, método probabilístico de selección de modelos, predicción del flujo de pasajeros en metro, otros modelos de predicción, pautas de flujo de pasajeros, método probabilístico de combinación, clasificación de bosques aleatorios, regresión de vectores de apoyo
• Keywords:basic models, card data, different metro travel patterns, probabilistic model selection method, term metro passenger flow prediction, other prediction models, passenger flow patterns, probabilistic combination method, random forest classification, support vector regression