基于改进KNN算法的城轨进站客流实时预测

来源：交通运输系统工程与信息杂志2018年第5期北京时间：

作者：郇宁，谢俏，叶红霞，姚恩建

单位：1. 北京交通大学 城市交通复杂系统理论与技术教育部重点实验室，北京 100044； 2. 广州地铁集团有限公司，广州 510030

摘要：针对实时进站客流数据的高维数、多噪声、波动频繁等特征，本文提出一种基于改进 K最近邻(K-nearest-neighbor, KNN)算法的城轨进站客流实时预测方法.首先，通过对分时客流数据的相关性分析，确定表征客流特征的状态向量；其次，结合数据特性改进近邻样本的模式匹配过程，利用关键点法去除原始序列中的噪声扰动，并引入动态时间规整算法实现考虑序列形态的相似性度量；再次，根据样本间流量差异引入距离权重和趋势系数，推演未来时段的进站量，实现滚动的实时预测；最后，依托广州地铁客流数据仓库对预测模型进行精度分析. 结果表明，对于全网159个站点，5 min粒度下全天分时进站量预测的平均绝对百分比误差的均值为11.6%，能够为路网状态监控提供可靠的数据支撑.

关键词：城市交通,实时预测,K近邻,进站客流,动态时间规整

基金资助：中央高校基本科研业务经费专项资金/Fundamental Research Funds for the Central Universities (2017YJS104)；城市轨道交通系统安全与运维保障国家工程实验室建设项目/ National Engineering Laboratory for System Safety and Operation Assurance of Urban Rail Transit (2016582).