科技和产业

内在因素	外在因素
旅客因素	天气因素	节假日
年龄	性别	收入	学历	出发站天气	到达站天气

内在因素	外在因素
旅客因素	天气因素	节假日
年龄	性别	收入	学历	出发站天气	到达站天气

起点	终点	预测客流/人
上海虹桥机场	成都双流机场	2 157
上海浦东机场	成都双流机场	1 971
上海虹桥机场	成都天府机场	1 604
上海浦东机场	成都天府机场	1 476

起点	终点	预测客流/人
上海虹桥机场	成都双流机场	2 157
上海浦东机场	成都双流机场	1 971
上海虹桥机场	成都天府机场	1 604
上海浦东机场	成都天府机场	1 476

分类	R²	MAE	MAPE/%	P/%	RMSE
前5	0.85	152.34	10.63	90	224.52
全部	0.84	154.09	10.74	89	224.52

分类	R²	MAE	MAPE/%	P/%	RMSE
前5	0.85	152.34	10.63	90	224.52
全部	0.84	154.09	10.74	89	224.52

属性	定义
是否愿意换乘	令愿意换乘=1;不愿意换乘=2
是否有儿童和老人	令有儿童和老人=1;没有儿童和老人=2
大件行李数目	令行李数分别定义为0,1,2,3
天气情况	令小雨雪;中雨雪;大雨雪分别定义为1,2,3
受教育程度	令初中以下;高中或中专;本科或专科;研究生及以上分别定义为1,2,3,4
月收入	令1 500元以下;1 500~3 000元;3 000~5 000元;5 000~8 000元;8 000~10 000元;10 000~15 000元;15 000元以上分别定义为1,2,3,4,5,6,7
年龄	令18岁以下;18~29岁;30~39岁;40~49岁;50~59岁;60岁以上分别定义为1,2,3,4,5,6
性别	令女性=1;男性=2

属性	定义
是否愿意换乘	令愿意换乘=1;不愿意换乘=2
是否有儿童和老人	令有儿童和老人=1;没有儿童和老人=2
大件行李数目	令行李数分别定义为0,1,2,3
天气情况	令小雨雪;中雨雪;大雨雪分别定义为1,2,3
受教育程度	令初中以下;高中或中专;本科或专科;研究生及以上分别定义为1,2,3,4
月收入	令1 500元以下;1 500~3 000元;3 000~5 000元;5 000~8 000元;8 000~10 000元;10 000~15 000元;15 000元以上分别定义为1,2,3,4,5,6,7
年龄	令18岁以下;18~29岁;30~39岁;40~49岁;50~59岁;60岁以上分别定义为1,2,3,4,5,6
性别	令女性=1;男性=2

属性	B	标准误差	瓦尔德	自由度	显著性	Exp(B)
是否愿意换乘	1.166	0.282	17.103	1	0.000	3.208
是否有儿童和老人	0.931	0.347	7.215	1	0.007	2.537
大件行李数目	-0.327	0.148	4.899	1	0.027	0.721
天气情况	-0.306	0.133	5.302	1	0.021	0.737
受教育程度	0.135	0.093	2.099	1	0.147	1.144
月收入	-0.081	0.073	1.239	1	0.266	0.922
年龄	-0.075	0.080	0.871	1	0.351	0.928
性别	-0.659	0.249	6.993	1	0.008	1.409

属性	B	标准误差	瓦尔德	自由度	显著性	Exp(B)
是否愿意换乘	1.166	0.282	17.103	1	0.000	3.208
是否有儿童和老人	0.931	0.347	7.215	1	0.007	2.537
大件行李数目	-0.327	0.148	4.899	1	0.027	0.721
天气情况	-0.306	0.133	5.302	1	0.021	0.737
受教育程度	0.135	0.093	2.099	1	0.147	1.144
月收入	-0.081	0.073	1.239	1	0.266	0.922
年龄	-0.075	0.080	0.871	1	0.351	0.928
性别	-0.659	0.249	6.993	1	0.008	1.409

模型	客流量准确率/%
PSO-RF模型	89.90
Logit模型	72.25
两阶段预测模型	80.40

模型	客流量准确率/%
PSO-RF模型	89.90
Logit模型	72.25
两阶段预测模型	80.40

基于两阶段模型的空铁联运客流量预测方法——以沪蓉通道为例

PDF下载

郭九霞 ¹ , 田金玉 ¹ , 钟庆伟 ¹ , 陈曲 ²

科技和产业 | 科技创新 2025,25(5): 82-87

收起

科技和产业 | 科技创新 2025, 25(5): 82-87

基于两阶段模型的空铁联运客流量预测方法——以沪蓉通道为例

全屏

郭九霞¹, 田金玉¹, 钟庆伟¹, 陈曲²

作者信息

¹ 中国民用航空飞行学院空中交通管理学院, 四川广汉 618307

² 民航局运行监控中心运行监控处, 北京 100710

郭九霞(1981—),女,山西临汾人,博士,教授,研究方向为复杂系统韧性、空中交通管理、综合立体交通等;

田金玉(1998—),女,四川遂宁人,硕士,研究方向为复杂系统韧性、空中交通管理、综合立体交通等;

钟庆伟(1991—),男,四川什邡人,博士,副教授,研究方向为交通运输规划与管理、交通运输组织优化、机器学习、强化学习;

陈曲(1987—),男,工程师,研究方向为空中交通管理、民航签派放行、飞机性能等。

Prediction Method of Air-rail Transportation Passenger Flow Based on Two-stage Model: Taking Shanghai-Chengdu Corridor as an Example

Jiuxia GUO¹, Jinyu TIAN¹, Qingwei ZHONG¹, Qu CHEN²

Affiliations

¹ School of Air Traffic Management, Civil Aviation Flight University of China, Guanghan 618307, Sichuan, China

² Flight Planning Department, Civil Aviation Administration Operation Monitoring Center, Beijing 100710, China.

出版时间: 2025-03-10

文章导航

摘要

收起

随着国内综合交通立体枢纽的快速建设与发展,空铁联运模式给旅客出行带来了更多便利,准确地掌握空铁联运客流量对提升综合运输服务质量及保障运输安全至关重要。以城市群间空铁联运为背景,采用粒子群优化-随机森林(PSO-RF)模型和Logit模型相结合的两阶段模型,对出行路径客流量进行预测。以单向“空转铁”为实例。第1阶段,基于历史数据通过PSO-RF模型预测出行线路的日均民航客流量;第2阶段,对离港旅客进行行为调查,分析旅客换乘方式的特征及其选择行为,基于非集计理论构建旅客出行选择的二元Logit模型,并计算换乘高铁的分担率;最后,综合两阶段模型的结果,计算出行线路客流预测量。以上海至成都周边城市群构建算例,对所提出方法的有效性和可行性进行验证。结果表明,两阶段模型的准确率达到80.40%。

关键词

综合运输 / 空铁联运 / 客流预测 / 粒子群优化-随机森林(PSO-RF)模型 / Logit模型

Abstract

收起

With the rapid construction and development of comprehensive transportation hubs, the air-rail intermodal transportation model has brought more convenience to passengers’ travel. Accurately understanding the air-rail intermodal passenger flow is crucial for improving the overall transportation service quality and ensuring transportation safety. A two-stage model combining particle swarm optimization-random forest model (PSO-RF) and Logit model is used to predict the passenger flow of travel paths in the context of air-rail intermodal transportation between urban agglomerations. Take one-way “Shifting from Railways to Aviation” as an example. In the first stage, the average daily civil aviation passenger flow of travel routes was predicted based on historical data by PSO-RF model. In the second stage, a behavioral survey was conducted through the airport outbound passengers to analyze the characteristics of passengers’ transfer mode and choice behavior. Then, a Binary Logit model of passenger travel choices was constructed based on the disaggregate theory, and the high-speed rail transfer sharing rate was calculated. Finally, the results of the two-stage model were combined to calculate the travel route passenger flow forecasts. The effectiveness and feasibility of the proposed method by constructing a case study from Shanghai to Chengdu neighboring urban agglomeration were validated. The results indicate that the accuracy of the two-stage model reaches 80.40%.

Key words

integrated transportation / air-rail intermodal transport / passenger flow forecast / particle swarm optimization-random forest(PSO-RF) model / Logit model

引用本文

郭九霞, 田金玉, 钟庆伟, 陈曲. 基于两阶段模型的空铁联运客流量预测方法——以沪蓉通道为例. 科技和产业, 2025 , 25 (5) : 82 -87 .

Jiuxia GUO, Jinyu TIAN, Qingwei ZHONG, Qu CHEN. Prediction Method of Air-rail Transportation Passenger Flow Based on Two-stage Model: Taking Shanghai-Chengdu Corridor as an Example[J]. Science Technology and Industry, 2025 , 25 (5) : 82 -87 .

正文

收起

随着国家立体交通规划纲要的提出,国内将建设20个左右国际性和80个左右全国性综合交通枢纽城市。预计到2025年,这些枢纽城市80%将实现空铁一体化。在距离较远的城市群之间,出行变得更加便捷,换乘耗时也越来越短,选择空铁联运作为出行方式的旅客将大幅度增加。空铁联运运行模式将成为城际旅客首选的出行方式,大型枢纽机场通常作为综合交通运输中心,可以实现多种交通的无缝衔接。

客流预测方法既有研究主要聚焦于旅客出行行为分析构建单个模型来预测客流。刘伟玲^[1]从不同客流分析空铁联运客流影响因素,建立基于系统动力学的客流预测模型。吴薇薇等^[2]构建出行效用函数,将客流分配到空铁联运出行路径上,得到了机场空铁联运需求。李一博^[3]在研究空铁联运OD(origin-destination,起讫点)间的协同优化时考虑了联运客流,从节点属性、直达情况、服务方案的数量和质量来分析客流的影响因素,并使用深度学习建立了客流预测模型。刘翌洋等^[4]研究了时空层面的空铁联运旅客出行情况,分析了对影响旅客选择的因素。李兴华等^[5]基于问卷调查,分析了旅客对空铁联运的需求及偏好。胡晓伟等^[6]对神经网络模型进行了优化和改进,考虑了时间和空间特征,针对地铁站的客流量进行了预测。随机森林回归预测(random forest regression,RFR)模型通过采用多个决策树有效预防训练数据集的过度拟合现象^[7]。RFR常被应用于多个领域的预测。Guo等^[8]等采用将随机森林回归模型与最大信息系数结合起来的方法预测航班离港延误。王宗博等^[9]运用随机森林算法对雷暴气象下各气象细分因子进行重要性排序。罗凤娥等^[10]采用包括随机森林算法在内的5类经典数据挖掘算法,考虑航班延误受多种因素交叉影响,对航班延误时间进行预测。陈滢^[11]将随机森林用于风险预测,并与K近邻(KNN)和Logistic预测模型相对比,认为随机森林模型结果最优。

Logit模型被广泛应用于存在多种出行方式时,采用问卷调查讨论影响旅客出行方式选择的因素并得出各个出行方式的分担率。翁剑成等^[12]为了研究旅客出行方式的选择,通过枢纽高铁站问卷调查数据,构建考虑心理倾向的Logit模型,从而定量分析不同时段下旅客选择接续方式的概率。徐明非等^[13]结合了距离传输曲线模型和多变量Logit模型,并根据拟合结果分析了分担率对多个因素的敏感性。樊海博^[14]通过对京沪通道的旅客进行了SP(stated preference)和RP(revealed preference)调查,研究了地区内多种交通方式的分担率。

综上,既有空铁联运客流预测研究一般仅采用单模型,且少见将两阶段模型运用于空铁联运。除此之外,还很少见将粒子群优化算法与随机森林结合起来运用在客流预测上。本文针对城市群间的空铁联运问题,通过在联运换乘衔接处设置问卷调查,构建两阶段模型。

两阶段法的运用,无论“空转铁”或是“铁转空”是一样的,所以下文将“空转铁”作为出行方式来分析。第1阶段采用粒子群优化-随机森林模型(particle swarm optimization-random forest,PSO-RF)模型来预测航空的客流量,该方法能有效提升客流预测的准确性;第2阶段采用Logit模型预测铁路旅客分担率。以沪蓉间空铁联运OD客流为例进行预测。准确预测空铁联运客流,不仅有助于保障旅客出行的畅通无阻,还对合理规划空铁联运交通运输路径有参考意义。

1 模型构建

收起

1.1 问题描述

距离相隔较远的城市群间采取“空转铁”的方式出行,出行全过程分析如图1所示。出行全过程分为两个阶段。第1阶段,旅客选择从城市群外部城市A出发先乘坐飞机到达城市群内部城市B;第2阶段,旅客从城市B乘坐高铁到达在同一城市群的目的城市C。

1.2 客流影响因素分析及数据处理

将影响空铁联运客流的多种因素分为内在因素及外在因素,并从这两方面进行讨论。内在因素主要为旅客的年龄、收入、性别和学历,外在因素为天气因素和节假日。其中,天气因素又包含了出发站天气和到达站天气。客流的影响因素见表1。

1.3 基于PSO-RF模型的客流预测建模

通过PSO算法优化RF模型来预测日均航班客流量。

步骤1:划分训练集和测试集。从数据里面随机且有放回地抽取t个样本作为预测模型的训练集Q(x,y)。定义航班客流预测训练集合x→y。其中,

$y\in ({y}_{1},{y}_{2},\dots,{y}_{t})$

为模型中第t天内的历史航班客流量;x为客流影响外在因素所建立的a个特征向量,

$x\in ({x}_{1},{x}_{2},\dots,{x}_{a})$

。剩余未被抽中的数据则作为样本测试集(x_i,y_i)。

步骤2:特征子集优化选择。通过不断迭代更新,利用PSO算法对特征子集进行优化,选择出最佳的特征子集。在PSO算法中,每个粒子代表一个特征子集,粒子的位置和速度是根据该特征子集的二进制表示随机生成的。粒子的位置表示特征的选择情况,速度表示特征的变化趋势。首先初始化粒子的位置和速度,然后更新粒子的速度和位置。Fitness函数用于交叉验证评估每个粒子的质量,公式为

(1)Fitness=MAE_i

式中:MAE_i为第i个验证集的预测平均绝对误差。

步骤3:建立单棵回归决策树。根据训练集中的特征向量x和历史航班客流量y,通过搜索和分裂,每个决策树的节点分裂为2个部分。当第n节点都分枝成c和d两个节点后,且c和d节点的基尼系数接近于最小时,将特征k对应的基尼系数作为在n节点处的基尼系数,即节点n的基尼指数为

(2)

$G{I}_{n}{=1-\sum _{k=1}^{a}\left[p\right(k/n)]}^{2}$

(3)

$p(k/n)=\frac{({X}_{k},{Y}_{n})}{\sum _{k=1}^{0}({X}_{k},{Y}_{n})}$

式中:a为类别总数;p(k/n)为节点n处特征k的样本占比;(X_k,Y_n)为第n个样本对应的第k个特征值;GI_n为第n个节点的基尼指数节点在集合z中,则该单棵回归树的基尼系数为

(4)

$VI{M}_{rk}^{gini}=G{I}_{n}-G{I}_{c}-G{I}_{d}, n\in z$

式中:GI_c和GI_d分别表示分枝后c和d两个新节点的基尼系数。

步骤4:构建多棵回归决策树。在步骤2已经建立好了单棵回归树,在此基础上,进一步随机抽样和特征选择,建立多个决策树,并集成它们的预测结果。

(1)从原始样本中随机有放回地抽取t个样本集,作为循环深度学习训练的训练集,最终建立测试集(x_i,y_i)作为模型的预测集。

(2)原始数据集变量个数为t,在每个决策树模型的内部节点中随机选择i(i<t)个变量作为替代的分支变量,然后在构建单一决策树的过程中寻找最佳分支。

(3)每个决策树自上而下分层。随机森林方法允许通过控制决策树的分支节点大小来调节决策树的增长。选择人为地控制决策树的分支数量,或让决策树自由生长,得到有约束的最优单一决策树。

(4)i棵决策树按照数据属性,遵循规则组合形成了随机森林模型,该模型为

(5)

$e=\left\{h\right(X,{\theta }_{i}\left)\right\}, i=\mathrm{1,2},\dots,t$

式中:θ_i为第i棵回归树;X为客流影响因素向量;h(X,θ_i)为第i棵回归树的预测值。生成的随机森林是多元非线性回归分析模型,随机森林预测值是i棵树预测值的平均值。

步骤5:对PSO-RF模型进行验证。可以使用精度P、平均绝对百分比误差MAPE、平均绝对误差MAE和拟合优度R²、均方根误差RMSE。

精度P计算公式为

(6)

$P=\frac{1}{a}\sum _{t=1}^{a}\left(1-\left|\frac{{y}_{t}-{y}_{{t}^{*}}}{{y}_{{t}^{*}}}\right|\right)\times 100\%$

式中:y_t为实际客流量;y_t^*为模型的预测客流量;t为样本数量。

平均绝对百分比误差MAPE计算公式为

(7)

$MAPE=\frac{100\%}{a}\sum _{t=1}^{a}\left|\frac{{y}_{{t}^{*}}-{y}_{t}}{{y}_{t}}\right|$

平均绝对误差MAE计算公式为

(8)

$MAE=\frac{1}{a}\sum _{t=1}^{a}\left|{y}_{{t}^{*}}-{y}_{t}\right|$

拟合优度R²计算公式为

(9)

${R}^{2}=\frac{\sum _{t=1}^{a}({y}_{{t}^{*}}{-\stackrel{-}{y})}^{2}}{\sum _{t=1}^{a}({y}_{t}{-\stackrel{-}{y})}^{2}}$

式中:

$\stackrel{-}{y}$

为实际客流量的平均值。

均方根误差RMSE计算公式为

(10)

$RMSE=\sqrt{\frac{1}{a}\sum _{t=1}^{a}({y}_{{t}^{*}}-{y}_{t}{)}^{2}}$

步骤6:分析特征重要性。将步骤3中得到的单棵回归树基尼系数进行加权平均,得到总体的特征重要性为

(11)

$VI{M}_{k}^{gini}=\sum _{}^{a}VI{M}_{rk}^{gini}$

可以得到每个特征在整个随机森林中的相对重要性,特征的重要性越高,表示该特征对于随机森林的建模和预测有着更大的影响。

1.4 Logit模型构建

在空铁联运衔接处所考虑的换乘涉及的出行方式仅有选择高铁与不选择高铁两种模式,因此采用二项Logit模型构建客流分担率模型。选取了包括4个旅客因素在内的8个影响因素来分析客流,假设效用函数V_x与

${\partial }_{xni}$

呈线性关系^[15]。则旅客选择第n种运输方式的效用函数形式为

(12)

${V}_{x}={V}_{xn}+a=\sum _{i=1}^{8}{Q}_{i}{\partial }_{xni}+a$

式中:V_x为旅客选取第x种运输方式出行的效用函数值;

${\partial }_{xni}$

为旅客x的选择第n种运输方式的第i个影响因素;Q_i为第i个影响因素对应的参数;α为常系数。

则旅客换乘选择高铁出行的概率为

(13)

$P=\frac{{e}^{{V}_{1}}}{{e}^{{V}_{1}}+{e}^{{V}_{2}}}$

式中:V₁为选择高铁;V₂为不选择高铁。

2 实例分析

收起

成都作为拥有双机场的西南枢纽城市,上海作为全国经济第一的城市,机场的繁忙程度可想而知,因此本文将沪蓉通道作为典型的实例进行具体分析。研究分为以下两个阶段。

第1阶段以沪蓉通道(上海虹桥机场-成都双流机场、上海浦东机场-成都双流机场、上海虹桥机场-成都天府机场、上海浦东机场-成都天府机场4条出行链)为研究背景,选择2023年8月1日至2024年1月31日上海到成都的航班客流数据作为实验数据,采用PSO-RF模型从日均客流角度对上海-成都的航班客流进行预测。

第2阶段,随着成都天府机场高铁站的开通运行,两个机场成为交通运输综合枢纽中心,实现空地铁一体化下的“空转铁”联运变得十分方便。以成都“一市两场”为RP问卷的主体,对机场出站换乘的旅客进行出行调查,设计了行为意向的调查问卷。采用线上和线下相结合的方式进行调查,在2024年1月1—14日,共计回收问卷1 000份,有效问卷950份,有效率为95%。其中包含了个人属性8项,将采集到的数据用于分析与旅客选择行为的关系,获取高铁出行的分担率。

2.1 第1阶段:PSO-RF模型

2.1.1 数据收集、清洗

查找相关机场所在城市的历史天气情况,以及城市、日期、天气、机场、节假日等信息,基于飞常准上的历史航班信息,关联处理形成数据信息。对这些数据进行清洗和规范化。将所有的特征值处理成为数值类型。

2.1.2 模型精度验证

利用式(6)~式(10),验证基于PSO-RF模型的航班客流预测模型的精度P、平均绝对百分比误差MAPE、平均绝对误差MAE和拟合优度R²、均方根误差RMSE。

2.1.3 影响因素重要性评估

根据式(11)可对影响因素重要性进行评估。影响因素重要性排序如图2所示。由图2可知,影响因素的重要性排序的前5依次为航线、日期、班次数、出发站天气、节假日。航线的不同对航班客流量的影响较大,可见对不同航线的客流都进行预测是很有必要的。

2.1.4 用重要性排序前5的影响因素预测客流及精度验证

在2.1.3中对影响因素重要性进行了评估,得到了重要性排序。使用重要性排序前5的影响因素重新训练模型再次预测客流。以2024年1月1—14日为例,日均客流预测结果见表2。

预测客流和真实客流之比为PSO-RF模型的客流准确率。由表2可知,2024年1月1—14日,上海飞成都的日均航班预测客流为7 208人,而日均真实航班客流为6 477人。从预测客流和真实客流可计算得到预测客流准确率为89.9%。

将使用全部影响因素预测客流结果的评价,与使用重要性排序前5的影响因素预测客流结果的评价进行对比,PSO-RF模型的评价见表3。

并利用式(6)~式(10),再一次验证PSO-RF预测模型的精度P、平均绝对百分比误差MAPE、平均绝对误差MAE和拟合优度R²、均方根误差RMSE。将模型的评价结果对比可知,使用重要度排序前5的影响因素来训练模型,得到的结果更精确。使用影响程度更大的特征预测得到的客流量与真实值更接近。

2.2 第2阶段:Logit模型

二项Logit模型的选择分别为选择高铁和不选择高铁。影响换乘过程中出行者的属性变量定义见表4。

对属性进行定义后,使用SPSS26.0对950条数据进行参数值标定,其结果见表5。显著性小于0.05代表变量对结果有显著的影响,应该纳入模型中;而大于0.05的属性则不应该纳入模型中。因此,是否愿意换乘、是否有儿童与老人、大件行李数目、天气情况、性别,以上5个属性应纳入模型中;相反,受教育程度、年龄、月收入,这3个属性不应纳入。

将参数标定结果代入式(13)中,再根据问卷可计算得到换乘高铁的客流分担率为26.3%。

根据RP问卷调查结果可知,在成都天府机场和双流机场换乘高铁的客流分担率,也就是采用“空转铁”出行方式的客流占比为36.4%。本文认为预测分担率与调查分担率之比为客流准确率,可知该模型计算得到的客流准确率为72.25%。

2.3 结果分析

(1)以历史航班客流数据为训练集,得到一周内的日均航班客流预测值,将预测值和真实值之比作为PSO-RF模型预测的客流准确率,其结果为89.90%。真实值与预测值对比如图3所示。由图3可知,预测客流量与实际客流量较接近,能够清晰地捕捉到真实流动的变动趋势。

(2)采取问卷调查的方式获取调查分担率,并根据建立的Logit模型求得预测分担率,预测分担率与调查分担率之比作为客流准确率,其结果为72.25%。由第1阶段PSO-RF模型预测的日均客流和第2阶段Logit模型求得的分担率,即求得日均“空转铁”预测客流量。如此,将上海飞成都的日均航班预测客流结果分别乘以预测分担率即为日均“空转铁”预测客流量。将上海飞成都的日均真实客流量乘以调查分担率即为日均“空转铁”真实客流量。

(3)由日均“空转铁”预测客流量与日均真实客流量之比得到两阶段预测模型的客流准确率,其结果为80.40%。模型预测结果评价见表6。

此外,通过建立离散选择行为模型分析发现,旅客同行是否有儿童和老人、是否愿意换乘、天气情况、大件行李数目与是否选择联运有显著影响。旅客选择出行关系如图4所示。图中很直观地反映出了旅客是否有儿童和老人、是否愿意换乘这两个出行属性与是否选择“空转铁”出行的联系。

3 结论

收起

第1阶段利用PSO效率高、优化性能强的特点,结合RF模型的优点,使用了一种将PSO与RF相结合的混合方法。该混合方法有效地避免了优化过程中的过拟合或欠拟合问题,提高了预测模型的鲁棒性和泛化性。后续融合了PSO-RF模型及Logit模型的优点,提出了一个两阶段法来预测“空转铁”联运客流。该方法不再局限于用一个方法或一个阶段计算出客流,在数据缺乏情况下同样适用。由两阶段模型预测的客流量准确率可知,这个模型具有较好的准确性,可用于有效地预测“空转铁”的客流。

PSO-RF模型对客流影响因素进行了重要性测评。结果表明,航线、日期、班次数、出发站天气、节假日对空铁联运客流影响较大。将这5个影响因素重新训练模型再次预测客流,发现5个评价指标都有明显的提高,这些指标可以量化预测值与真实值之间的差异,从而判断模型的拟合程度。可知,采用重要性排序前5的影响因素重新训练模型,得到的预测结果比采用全部影响因素训练模型得到的预测结果,准确度更高,更接近实际客流数据。

旅客行为选择模型验证了旅客是否有儿童和老人、是否愿意换乘这两个出行属性与是否选择“空转铁”有显著联系。对建立的旅客离散选择行为模型进行分析,可为运营商吸引旅客使用“空转铁”联运、政府推广空地铁一体化以及为旅客的出行提供更好的服务提供参考。

基金

收起

四川省社科基金(SCJJ23ND186)
中央高校基本科研业务费专项(PHD2023-041)
民航教育人才类项目(MHJY2023010)
中央高校教育教学改革专项(E2024024)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

刘伟玲. 基于系统动力学的空铁联运客流预测[J]. 科技创新与应用, 2015(13): 29.

[2]

吴薇薇, 徐幼婷, 刘硕, 等. 考虑出行效用的空铁联运需求研究[J]. 华东交通大学学报, 2021, 38(1): 136-141.

[3]

李一博. 考虑联运客流的空铁时刻表协同优化研究[D]. 北京: 北京交通大学, 2023.

[4]

刘翌洋, 聂磊, 佟璐, 等. 基于旅客感知的空铁联运路径选择研究[J]. 铁道运输与经济, 2022, 44(12): 36-42.

[5]

李兴华, 李思雨, 成诚, 等. 空铁一体枢纽联运服务需求及偏好研究[J]. 综合运输, 2020, 42(6): 8-12.

[6]

胡晓伟, 吴则洋, 卢泓博, 等. 基于GA优化深度神经网络的地铁站点客流预测[J/OL]. 交通运输工程与信息学报, 1-16[2024-08-23]. https://doi.org/10.19961/j.cnki.1672-4747.2024.07.023.

[7]

BREIMAN

. Random forests[J]. Mach Learning, 2001, 45: 5-32.

[8]

GUO

, YU

, HAO

M Y

, et al. A novel hybrid method for flight departure delay prediction using random forest regression and maximal information coefficient[J]. Aerospace Science and Technology, 2021, 116: 1-10.

[9]

王宗博, 包杰, 单小轩, 等. 考虑雷暴气象细分因子的航班延误集成学习预测[J]. 航空计算技术, 2022, 52(3): 52-56.

[10]

罗凤娥, 王波, 李娜, 等. 基于数据挖掘技术的航班延误预测综述[J]. 科技和产业, 2020, 20(11): 75-80.

[11]

陈滢. 基于网格搜索和随机森林的汽车信贷违约预测研究[J]. 科技和产业, 2023, 23(9): 116-121.

[12]

翁剑成, 马靖媛, 潘晓芳, 等. 考虑心理偏好的枢纽抵站旅客接续出行方式选择模型[J]. 北京交通大学学报, 2024, 48(4): 32-42.

[13]

徐明非, 李昌铃, 王元庆, 等. 公铁复合城际走廊多模式客流分担特征[J]. 交通运输工程学报, 2020, 20(5): 176-186.

[14]

樊海博. 基于多项Logit模型的客运通道交通分担率研究[J]. 铁道建筑技术, 2023(12): 174-176, 193.

[15]

张睿, 马瑜, 赵冰茹, 等. 京沪线高铁与民航旅客出行选择行为研究[J]. 交通运输系统工程与信息, 2016, 16(1): 223-228.

2025年第25卷第5期

PDF下载

268

137

引用本文

BibTeX

文章信息

接收时间：2024-09-24
首发时间：2025-07-21
出版时间：2025-03-10

补充材料

相关文章

文章信息

作者

出版历史

收稿日期：2024-09-24

基金

四川省社科基金(SCJJ23ND186)

中央高校基本科研业务费专项(PHD2023-041)

民航教育人才类项目(MHJY2023010)

中央高校教育教学改革专项(E2024024)

作者信息

¹ 中国民用航空飞行学院空中交通管理学院, 四川广汉 618307

² 民航局运行监控中心运行监控处, 北京 100710

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/kjhcy/CN/1153992833942938548

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT

内在因素	外在因素
旅客因素	天气因素	节假日
年龄	性别	收入	学历	出发站天气	到达站天气

内在因素

外在因素

旅客因素

天气因素

节假日

年龄

性别

收入

学历

出发站
天气

到达站
天气

起点	终点	预测客流/人
上海虹桥机场	成都双流机场	2 157
上海浦东机场	成都双流机场	1 971
上海虹桥机场	成都天府机场	1 604
上海浦东机场	成都天府机场	1 476

起点

终点

预测客流/人

上海虹桥机场

成都双流机场

2 157

上海浦东机场

成都双流机场

1 971

上海虹桥机场

成都天府机场

1 604

上海浦东机场

成都天府机场

1 476

分类	R²	MAE	MAPE/%	P/%	RMSE
前5	0.85	152.34	10.63	90	224.52
全部	0.84	154.09	10.74	89	224.52

分类

R²

MAE

MAPE/%

P/%

RMSE

前5

0.85

152.34

10.63

224.52

全部

0.84

154.09

10.74

224.52

属性	定义
是否愿意换乘	令愿意换乘=1;不愿意换乘=2
是否有儿童和老人	令有儿童和老人=1;没有儿童和老人=2
大件行李数目	令行李数分别定义为0,1,2,3
天气情况	令小雨雪;中雨雪;大雨雪分别定义为1,2,3
受教育程度	令初中以下;高中或中专;本科或专科;研究生及以上分别定义为1,2,3,4
月收入	令1 500元以下;1 500~3 000元;3 000~5 000元;5 000~8 000元;8 000~10 000元;10 000~15 000元;15 000元以上分别定义为1,2,3,4,5,6,7
年龄	令18岁以下;18~29岁;30~39岁;40~49岁;50~59岁;60岁以上分别定义为1,2,3,4,5,6
性别	令女性=1;男性=2

属性

定义

是否愿意换乘

令愿意换乘=1;不愿意换乘=2

是否有儿童和老人

令有儿童和老人=1;没有儿童和老人=2

大件行李数目

令行李数分别定义为0,1,2,3

天气情况

令小雨雪;中雨雪;大雨雪分别定义为1,2,3

受教育程度

令初中以下;高中或中专;本科或专科;研究生及以上分别定义为1,2,3,4

月收入

令1 500元以下;1 500~3 000元;3 000~5 000元;5 000~8 000元;8 000~10 000元;10 000~15 000元;15 000元以上分别定义为1,2,3,4,5,6,7

年龄

令18岁以下;18~29岁;30~39岁;40~49岁;50~59岁;60岁以上分别定义为1,2,3,4,5,6

性别

令女性=1;男性=2

属性	B	标准误差	瓦尔德	自由度	显著性	Exp(B)
是否愿意换乘	1.166	0.282	17.103	1	0.000	3.208
是否有儿童和老人	0.931	0.347	7.215	1	0.007	2.537
大件行李数目	-0.327	0.148	4.899	1	0.027	0.721
天气情况	-0.306	0.133	5.302	1	0.021	0.737
受教育程度	0.135	0.093	2.099	1	0.147	1.144
月收入	-0.081	0.073	1.239	1	0.266	0.922
年龄	-0.075	0.080	0.871	1	0.351	0.928
性别	-0.659	0.249	6.993	1	0.008	1.409

属性

标准
误差

瓦尔德

自由度

显著性

Exp(B)

是否愿意
换乘

1.166

0.282

17.103

0.000

3.208

是否有
儿童和老人

0.931

0.347

7.215

0.007

2.537

大件行
李数目

-0.327

0.148

4.899

0.027

0.721

天气情况

-0.306

0.133

5.302

0.021

0.737

受教育程度

0.135

0.093

2.099

0.147

1.144

月收入

-0.081

0.073

1.239

0.266

0.922

年龄

-0.075

0.080

0.871

0.351

0.928

性别

-0.659

0.249

6.993

0.008

1.409

模型	客流量准确率/%
PSO-RF模型	89.90
Logit模型	72.25
两阶段预测模型	80.40

模型

客流量准确率/%

PSO-RF模型

89.90

Logit模型

72.25

两阶段预测模型

80.40