韩 皓，徐圣安，赵 蒙

（上海海事大学 交通运输学院，上海 201306)

0 引言

综上分析，结合复杂网络理论对轨道交通网络开展结构分析[7-10]，不仅能从宏观层面观察车站在整个轨道交通网络中的作用[11]，也可进一步探索车站分布情况对客流的影响。通过分析轨道交通线网结构特性，定量描述车站在线网结构中的差异性，将线网结构特征纳入数据集中，并基于LightGBM[12]算法构建城市轨道交通短时客流预测模型。相比同为集成算法的XGBoost[13]，LightGBM 算法不仅节约内存消耗，缩短训练时间，且拥有更高的模型精度，同时支持并行学习，在海量数据的处理上表现更为优异。因而，将LightGBM 算法应用于轨道交通客流回归预测，并结合特征工程，构造包含线网结构特征的数据集，优化模型精度，提高算法效率，为运营组织及分析掌握城市轨道交通客流活动分布提供更加准确的技术手段。

1 原始数据处理

原始数据来源于github 项目(https://github.com/ivechan/PVCGN)，涵盖上海市轨道交通288 个车站进出站客流，时间跨度为2016 年7 月1 日至8 月31 日每天5 : 30 ～ 23 : 30，并以15 min 的粒度按时间顺序排列呈现，具体数据项为时间、车站号、进站客流量及出站客流量。

1.1 线网结构特征构建

车站客流量是车站所处区域的地理、人口、经济及其他属性的综合反映，基于这些属性构建特征存在以下难点：一是量化方式上存在困难；二是巨大的数据获取成本。因此，将车站在空间维度上的差异转换为对轨道交通线网结构的量化统计，引入复杂网络理论中的统计物理量及社团划分理论描绘车站之间的差异性。……