基于GBDT算法的地铁IC卡通勤人群识别

doi:10.3969/j.issn.1674-0696.2019.05.02

重庆交通大学学报（自然科学版） ›› 2019, Vol. 38 ›› Issue (05): 8-12.DOI: 10.3969/j.issn.1674-0696.2019.05.02

• 交通+大数据人工智能 • 上一篇下一篇

基于GBDT算法的地铁IC卡通勤人群识别

翁小雄，吕攀龙

(华南理工大学土木与交通学院，广东广州 510641)

收稿日期:2017-12-22 修回日期:2019-02-10 出版日期:2019-05-15 发布日期:2019-05-15
作者简介:翁小雄(1958—)，女，浙江杭州人，教授，博士，主要从事智能交通方面的研究。E-mail：ctxxweng@scut.edu.cn。通信作者：吕攀龙(1994—)，男，河南许昌人，硕士研究生，主要从事智能交通方面的研究。E-mail：2515318465@qq.com。
基金资助:
国家自然科学基金项目(51578247)；广州市交通委员会科技项目(GZJTRKT2016-1201)；广东省交通运输厅科技项目(科技-2015-02-070)

Subway IC Card Commuter Crowd Identification Based on GBDT Algorithm

WENG Xiaoxiong, LV Panlong

(School of Civil Engineering and Transportation, South China University of Technology, Guangzhou 510641, Guangdong, P. R. China)

Received:2017-12-22 Revised:2019-02-10 Online:2019-05-15 Published:2019-05-15

摘要/Abstract

摘要： 随着公交IC卡的应用和普及，从IC卡数据中挖掘通勤用户，为下阶段采取分流措施缓解早晚高峰压力，优化票价制定等具有重要意义。以广州市地铁数据为依托，选取合适的特征属性，提出了一种基于梯度提升树(gradient boosting decision tree, GBDT)机器学习算法为基础的通勤人群识别方法。首先以周工作日的首末次平均刷卡时间、首末次平均刷卡时长、首末次刷卡时长波动程度、刷卡次数总和等5个特征来制定调查问卷的数据格式。然后利用处理过的带标签(通勤/非通勤)的调查问卷数据去训练GBDT分类器模型，测试样本的通勤识别的准确率高达94.16%。最后利用该模型对广州地铁IC卡数据通勤人群进行识别，结果显示广州地铁刷卡数据中通勤人群数量为 131万左右，占总地铁刷卡出行人数32%左右。

关键词: 交通工程, 城市交通, 地铁IC卡数据, GBDT, 通勤识别

Abstract: With the application and popularization of public transport IC cards, digging commuter users from IC card data is of great significance for taking diversion measures to ease the pressure of morning and evening peaks and optimizing fare formulation at the next stage. Based on the Guangzhou metro data, suitable feature attributes were selected and a commuter crowd recognition method based on Gradient Boosting Decision Tree (GBDT) machine learning algorithm was proposed. Firstly, the data format of the questionnaire was formulated according to five characteristics, including the first and last average card-swiping moment, the first and last average card-swiping time-length, the fluctuation degree of the first and last card-swiping time-length, and the sum of the number of card-swiping at weekdays. Then the GBDT classifier model was trained by using the labeled (commuting/non-commuting) questionnaire data. The accuracy of commuting recognition of the test sample was as high as 94.16%. Finally, the proposed model was used to identify the commuters from the IC card data of Guangzhou Metro. The results show that the number of commuters in Guangzhou Metro card-swiping data is about 1.31 million, accounting for about 32% of the total number of metro card-swiping trips.

Key words: traffic engineering, urban traffic, subway IC card data, GBDT, commute recognition

中图分类号:

U491

翁小雄，吕攀龙. 基于GBDT算法的地铁IC卡通勤人群识别[J]. 重庆交通大学学报（自然科学版）, 2019, 38(05): 8-12.

WENG Xiaoxiong, LV Panlong. Subway IC Card Commuter Crowd Identification Based on GBDT Algorithm[J]. Journal of Chongqing Jiaotong University(Natural Science), 2019, 38(05): 8-12.

参考文献

［1］秦政. 基于公交IC卡和GPS数据的乘客上下车站点研究［J］. 西部交通科技, 2017(8):115-119.
QIN Zheng. Research on passenger bus station based on bus IC card and GPS data ［J］. Western China Communication Science & Technology, 2017 (8): 115-119.
［2］ EVANS J P, SUNJ T S, CHIU C, et al. Uvular approximation as an articulatory vowel feature ［J］. Journal of the International Phonetic Association, 2016, 46(1):1-31.
［3］ FENG X, ZHANG H, GAN T, et al. Random coefficient modeling research on short-term forecast of passenger flow into an urban rail transit station ［J］.Transport, 2016, 31(1):94-99.
［4］ CANCA D, DE-LOS-SANTOS A, LAPORTE G, et al.A general rapid network design, line planning and fleet investment integrated model ［J］. Annals of Operations Research, 2014, 246(1/2):127-144.
［5］ NEUMANN D. Recommender system for acyclic graph generation in multi-agent assembly line planning ［J］.Procedia CIRP, 2016, 52:130-133.
［6］ CHU K K A, CHAPLEAU R, TREPANIER M. Driver-assisted bus interview: passive transit travel survey with smart card automatic fare collection system and applications ［J］. Journal of the Transportation Research Board, 2009, 2105(1):1-10.
［7］孙世超, 杨东援. 基于朴素贝叶斯分类器的公交通勤人群辨识方法［J］. 交通运输系统工程与信息, 2015, 15(6):46-53.
SUN Shichao, YANG Dongyuan. Identification of transit commuters based on Nave Bayesian classifier ［J］. Journal of Transportation Systems Engineering and Information Technology, 2015,15 (6): 46-53.
［8］孙世超, 庄斌, 黄伟. 基于机器学习的公交卡数据中通勤人群辨识方法［J］.交通工程, 2017，17(1):58-64.
SUN Shichao, ZHUANG Bin, HUANG Wei. An approach to the identification of commuters based on machine learning of smartcard data ［J］. Journal of Transportation Engineering, 2017，17 (1): 58-64.
［9］李航. 统计学习方法［M］ .北京:清华大学出版社，2012:146-151.
LI Hang.Statistical Learning Methods ［M］. Beijing: Tsinghua University Press, 2012: 146-151.
［10］ HARRINGTON P. 机器学习实战［M］. 李锐，李鹏，曲亚东，等，译. 北京：人民邮电出版社, 2013：127-128.
HARRINGTON P. Machine Learning in Action ［M］. LI Rui, LI Peng, QU Yadong, et al, translate. Beijing: Posts & Telecom Press, 2013: 127-128.
［11］李军, 邓红平. 基于公交IC卡数据的乘客出行分类研究［J］. 重庆交通大学学报(自然科学版), 2016, 35(6):109-114.
LI Jun, DENG Hongping. Classification of passengers travel behavior based on IC card data［J］. Journal of Chongqing Jiaotong University(Natural Science), 2016, 35(6):109-114.

[1]	唐继强1, 2，钟鑫伟2，刘健1，李天瑞3. 基于时间序列季节分类模型的轨道交通客流短期预测[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 31-38.
[2]	连齐才1，李涵1，石小林1，闫章存2. 基于面板数据Mixed logit模型的自动驾驶选择行为分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 46-52.
[3]	戚春华，王笑男，朱守林，李航天. 基于驾驶员视觉兴趣区域的交通工程设施信息量阈值研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(07): 53-60.
[4]	邓天民1，朱杰2，朱凯家1，屈治华3. 基于iForest+Biscting K-means的驾驶风格辨识方法研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 1-6.
[5]	许茂增,张莉. 基于双射软决策理论的路段拥堵影响力识别[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 7-11.
[6]	王涛1，谢思红1，黎文皓1,2，李文勇1. 基于FFOS-ELM和PF的短时交通流自适应预测模型[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 21-27.
[7]	张诚1，汪成银1，陈志伟2，张正向3，张子磊3. 基于空间流量度的城市路网关键节点挖掘方法[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 28-35.
[8]	王永岗，张衡，彭志鹏，周琬琦. 基于结构方程模型的出租车事故影响因素分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 36-42.
[9]	朱顺应，李维吉，林小媛，肖文彬，王红. 特色小镇游客车辆无复检管控点布设研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(06): 52-58.
[10]	潘兵宏1,2，胡炜1，任卉1,单慧敏1. 基于TruckSim仿真下弯道货车侧滑速度模型研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 38-45.
[11]	吴文静，孙刃超，宗芳，贾洪飞. 居民低碳通勤出行的主观态度识别及影响分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 53-58.
[12]	李军，邓育新. 基于非负矩阵分解的出租车时空行为聚类分析[J]. 重庆交通大学学报（自然科学版）, 2021, 40(05): 59-65.
[13]	成卫1，刘翔1，雷建明2. 基于RBF神经网络预测的交叉口信号周期时长优化[J]. 重庆交通大学学报（自然科学版）, 2021, 40(04): 13-18.
[14]	史天亮，王文光. 信息观和粒子群算法在城市交通拥堵中的研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(04): 19-25.
[15]	贺玉龙1,2，刘磊1,2，迟佳欣1,2. 高速公路车辆换道行为风险研究[J]. 重庆交通大学学报（自然科学版）, 2021, 40(04): 26-33.

基于GBDT算法的地铁IC卡通勤人群识别

Subway IC Card Commuter Crowd Identification Based on GBDT Algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics