夏弋松，靳文舟

(华南理工大学 土木与交通学院， 广东 广州 510641)

0 引言

影响城市公交客流预测的因素十分复杂，传统的公交客流预测主要从纯数理统计的角度对公交客流进行拟合。多运用时间序列、自回归模型、灰色系统等统计方法进行预测。然而，公交客流随时间波动趋势明显，受天气、节假日、乘客类型等诸多因素影响。传统的统计科学预测方法很难对客流变化的本质规律和影响机理做出解释，模型对不同数据的适应性也比较差，预测精度亦不尽如人意。

近年来，随着人工智能领域和机器学习各类算法的蓬勃发展，诞生了很多新的数据预测方法。比如神经网络模型、SVM支持向量机、随机森林以及各类决策树模型。这些方法和模型的预测精度和准确性较传统方法要好，在电商、电力等领域已经有了较为成熟的应用场景，国内外也有少部分的学者将这类新型预测方法用于交通领域，但是相关的文献还比较少，研究进展不够深入。

鉴于这种情况，为了充分发挥公共交通领域大数据的价值，对公交短期客流作更精准的预测，本文采用梯度提升决策树模型对多元公交客流数据进行短期预测，以期找到精准度和泛化性更强的机器学习模型，提升S-Catboost模型对不同类型短期客流预测的适应性，让机器学习在公共交通领域获得更多应用场景。

如何建立一个能够精准、有效地预测短时公交客流的客流预测模型一直是公共交通领域……