基于Stacking集成學習的機場線短時客流預測研究

摘要：地鐵機場線客流具有高度時變性，受機場航班影響使得精準的短時客流預測具有挑戰性。綜合考慮機場航班信息和機場線路歷史客流，構建了一種以隨機森林（RF）、LightGBM （light gradient boosting machine）、梯度提升決策樹（GBDT）和邏輯回歸算法作為集成學習器，基于疊加（Stacking）集成模型的機場線路短時客流預測模型。以北京地鐵大興機場線為實例進行驗證，并與Informer和長短時記憶神經網絡（long short-term memory，LSTM）兩種基線模型進行對比。結果表明，考慮航班信息和機場線歷史客流的雙通道預測效果明顯優于僅考慮機場線歷史客流的單通道預測；Stacking模型在各項指標中均表現出優越的性能，其中，在96步長（24 h）下的預測效果最好，預測進站客流的平均絕對誤差為7.66，預測出站客流的平均絕對誤差為4.67；分析航班信息特征對預測模型的影響，發現離港航班信息重要性不如到港航班，這與離港旅客提前到達機場時間差異較大有關。

關鍵詞：機場線；短時客流預測；Stacking集成模型；航班信息

中圖分類號：U121"" 文獻標志碼：A"" 文章編號：1002-4026（2024）04-0112-09

開放科學（資源服務）標志碼（OSID）：

Study on short-term passenger flow prediction for a subway airport line

based on Stacking ensemble learning

YANG An’an1， HAN Xingyu2， TIAN Kuang1， LIU Zeyuan3， MING Wei1

（1.Beijing Intelligent Transportation Development Center （Beijing Automotive Regulation and Management Service Center），

Beijing 100161， China; 2. Beijing Metro Operation Administration Co.， Ltd.， Beijing 100068， China;

3. Beijing Jingcheng Metro Co.， Ltd.， Beijing 100082， China）

Abstract∶The highly dynamic nature of subway airport line passenger flows and their susceptibility to the influence of airport flight schedules present challenges for accurate short-term forecasting of passenger flow. This study integrates airport flight information and historical passenger flow data from airport lines to construct a short-term passenger flow forecasting model based on a stacking ensemble model. The model incorporates random forest （RF）， LightGBM （light gradient boosting machine）， gradient boosting decision tree （GBDT）， and logistic regression algorithms to act as ensemble learners. The proposed model is validated using data from the Beijing Subway Daxing Airport Line and is compared against two baseline models， namely informer and long short-term memory （LSTM） networks. The results indicate that the dual-channel prediction， which considers flight information and historical passenger flows， outperforms the single-channel prediction solely based on historical passenger flows. The results also indicate that the stacking model demonstrates superior performance across all metrics. Particularly， the best prediction performance is achieved at a 96 step （24 h） forecast horizon， with mean absolute error of 7.66 and 4.67 for inbound and outbound passenger flow predictions， respectively. Analysis of the impact of flight information characteristics on the prediction model reveals that departure flight information is of relatively lower importance than that of arrival flights， which is attributed to large differences in advance arrival times for departing passengers.

Key words∶airport line; short-term passenger flow forecasting; Stacking model; flight information

近年來，航空運輸業的迅猛發展使我國的機場網絡規模不斷擴大。據統計，截至2021年，我國境內運輸機場（不含港澳臺）有248座，全年旅客吞吐量超9億人次［1］。然而，隨之而來的是機場周邊交通壓力的顯著增加，這對機場線的規劃和運營提出了更高的要求［2］。機場線不僅為乘客提供了從機場到市區的高效便捷出行方式，還有效減輕了機場周邊道路的交通壓力。然而，機場線客流的高度時變性和受多種因素影響的特點，使得其運營管理面臨一系列挑戰，其中最重要的之一就是精確預測客流。精確的客流預測可以幫助運營企業更好地掌握客流變化規律，優化列車發車間隔，避免高峰時段擁堵，提升乘客的出行體驗，為機場線的高效運營和服務提供可靠支持。

機場線是一種專門承擔特定功能的軌道交通線路，其在區位、功能、客流來源、客流特征和客流影響因素方面與一般軌道線路有著顯著的差異。機場多位于城市外圍，占地面積大，機場線的終點和起點都位于機場的航站樓或航空樞紐附近，以便乘客的無縫連接。機場線的主要功能是為旅客提供從城市中心到機場以及從機場到城市的快速便捷交通服務。這種單一的功能定位導致機場線的主要客流來源集中在民航旅客和機場工作人員［3］。與一般軌道線路站點客流呈現出的“單峰型”和“雙峰型”特征［4］不同的是，機場線的客流特征不規律。機場線的高峰小時系數低于一般站點［5］，這主要由于航班的起降時間分布在全日不集中，在航班集中度到達或離開的時間段反而會產生大量軌道客流［6］。航班的延誤、取消等突發事件可能導致乘客需要臨時調整乘坐機場線的計劃，從而對機場線的客流產生影響［7］。

近幾年，基于大數據和先進的數學方法來預測軌道站點客流量成為趨勢。大數據技術的廣泛應用為軌道站點客流量的精準預測提供了強有力的支持。通過收集、整合和分析大量的歷史乘客進出站數據，可以揭示客流量的周期性變化、節假日影響、特定時段的高峰等規律，為預測模型的構建提供了可靠的依據［8］。機器學習和深度學習等技術的應用不斷推動著軌道站點客流量預測的精度和效果的提升。傳統的時間序列模型如ARIMA（autoregressive integrated moving average，自回歸移動平均模型）能夠預測客流量的趨勢，但難以捕捉非線性關系和復雜的影響因素［9］。而機器學習模型如支持向量機［10］、長短時記憶網絡（LSTM）［11］等，具備更強大的擬合能力和學習能力，能夠處理大量的歷史數據，提供更準確的預測結果。然而，機器學習模型在訓練階段存在過于關注訓練數據中的細節和噪聲，從而產生過擬合的問題。隨著機器學習技術的發展，集成學習在客流量預測方面展現了出色的性能［12］。集成學習通過將多個基本模型的預測結果進行結合，從而提高整體預測的準確性和穩定性［13］。在預測軌道站點客流量的場景中，集成學習能夠克服單一模型的局限性，更好地適應數據的多樣性和變化性［14］。

城市軌道交通站點客流預測研究已經較為豐富，但是機場線的客流預測研究較少，其主要原因是，一般線路的客流影響因素在機場線適用性差，如時間特征（工作日、非工作日）對民航乘客的出行目的的關聯度不高［15］，反而航班安排、氣象條件、航班延誤、旅客通關等動態因素對機場線客流的影響較為顯著［16］。

然而，目前對于機場線客流預測的研究仍存在不足：（1）集成學習方法在機場線短時客流預測方面的研究較為有限，其預測效果及精度有待進一步驗證；（2）航班信息對預測精度的影響缺乏深入研究；（3）現有的預測方法僅聚焦于到港旅客的客流量預測，缺乏對離港方向客流的準確預測。鑒于此，本研究將到離港航班信息納入機場線客流影響因素，對乘坐機場線出入機場的進出站雙向客流進行預測。采用基于Stacking的集成學習方法對機場線短時客流進行預測，預測結果與LSTM、Informer等深度學習方法進行對比。最后，以大興機場線作為實例，驗證基于Stacking的集成學習客流預測方法的可行性與有效性，并進一步挖掘到離港航班信息對預測結果的重要性。

1 模型構建

1.1 模型架構

Stacking算法由Wolpert［17］于1992年提出，被廣泛應用于機器學習各類應用中。Stacking是若干個機器學習方法的結合，其本質上是一種分層結構，通過生成一系列基學習器，再用某種策略將學習器組合起來使用。因此為得到性能優異的Stacking集成學習預測模型，需要選擇相適應的基學習器和元學習器。

為滿足Stacking對基學習器“多且不同”的要求，本研究選取了4個基學習器。其中，隨機森林（random forest， RF）［11］和梯度提升決策樹（gradient boosting decision tree， GBDT）［18］是兩種常見的以決策樹模型為基礎的回歸算法，常被用來預測連續數值。極端梯度提升（extreme gradient boosting， XGBoost）［19］是GBDT的改進算法，具有更強的計算能力、效率出眾、速度更快、預測準確度高的優點。

除上述3種以決策樹為基礎的模型算法外，本研究增加K近鄰（K-nearest neighbors， KNN）作為基學習器層的模型算法，其精度高、對異常值不敏感、簡單有效。第二層應當選擇泛化能力較強的模型，能夠實現從中歸納并糾正第一層多個基學習器對于訓練模型的偏值情況，通過對第一層基模型產生的數據進行二次預測，進一步提高預測表現。邏輯回歸（logistic regression，LR）算法是一種概率統計模型，為最流行的分類算法，具有容易拓展、解釋力強等優點，作為元分類器可以保證模型精確度的同時防止過擬合。因此，本研究將RF、GBDT、XGBoost、KNN 4種算法作為第一層基學習器，LR算法為第二層元學習器，構成基于Stacking的機場線短時客流預測算法架構，如圖1所示。

1.2 算法流程

基于Stacking的機場線短時客流預測模型的目標是預測機場線未來短時進出站客流，通過輸入機場線歷史客流與到離港航班數據（自變量X）以及機場線預測客流（因變量Y）構建的數據集進行訓練，返回預測結果。Stacking訓練流程圖如圖2所示，具體流程如下：

（1）將數據劃分為原始訓練集D和原始測試集V。

（2）引入5折交叉驗證方法訓練各個基學習器，將原始數據集D平均劃分為5個互斥子集，分別為D1，D2，…，D5。然后，分別選擇其中4個子集的并集作為訓練集，余下的1個子集作為測試集，構造初級學習器的訓練集和測試集。這樣每個初級學習器可獲得5組訓練集和測試集，并獲得5個測試結果S1，S2，…，S5。

（3）生成新訓練數據集。因本Stacking集成預測中含4個基學習器，都采用這5組訓練集和測試集進行基學習器的訓練和測試，則對于第n個基學習器，在完成5折交叉驗證后，將有5個預測結果，將其按行縱向堆疊，獲得該基學習器下樣本數據的預測集Si，n（i=1，2，…，5），同時將這5個預測結果平均得S-n（n=1，2，…，4）。在完成4個基學習器的訓練之后，將每個基學習器獲得的預測集與預測均值按列拼接，則得到第二層的新的訓練集Si，n，與新的測試集S-n。形成第二層元學習器的輸入數據集。即數據集{（S-n，Si，n），i=1，2，…，5;n=1，2，…，4}。

（4）使用元學習器LR進行二次訓練。將通過上一步初級學習器訓練得到的新訓練集與測試集輸入第二層元學習器用于次級訓練，得到最終機場線客流預測結果。

1.3 特征重要性評價方法

為了更好地理解數據訓練的模型，了解各輸入數據（自變量X）對預測結果（因變量Y）的影響程度，有必要對自變量開展特征重要性分析。

本研究采用排列重要性（permutation importance）［20］估計每個特征的總體重要性，這些特征重要性得分可以量化當一列的值在行間隨機洗牌時預測性能。這些得分有助于觀察模型整體行為的可解釋性，有助于得到這些特征影響預測性能的局部解釋。具體步驟如下：

（1）輸入訓練集的所有特征數據訓練得到模型；

（2）選擇其中一個需要分析的特征，將驗證集中的該特征數據進行打亂（圖3），并保持其他列和目標值不變；

（3）計算新的預測結果，如果新舊結果的差異不大說明該特征重要性低，如果新舊結果差異顯著，說明該特征對模型的影響也是顯著的；

（4）將驗證數據集還原，并重復第2步和第3步，分析其他特征變量。

任何機器學習模型都可以使用排列的策略來計算特征重要性。其對于特征重要性的評判取決于該特征被隨機重排后模型表現評分的下降程度。其數學表達式可以表示為：

ij=s－1/K∑Kk=1sk，j，（1）

其中，s是模型在原數據集上的性能評分；對于K次重復實驗中的每一次迭代k，隨機重排列特征j，構造一個被污染的數據集（重排列后），計算模型在被污染的數據上的性能評分sk，j，最后計算得到特征j的重要性分數ij。特征的重要性分數越高，表示其對模型的性能就越重要。比如若特征得分為0.01，表明該特征被隨機打亂時，預測性能下降0.01。

2 數據源

本研究以北京大興國際機場線（以下簡稱大興機場線）短時客流預測為例進行分析。大興機場線全長41.36 km，北起草橋站，途徑大興新城站，南至大興機場站。作為機場線的終點站，大興機場站的站廳和站臺層與大興國際機場換乘大廳直接相連。

本研究選取2022年4月23日—29日15 min粒度的大興機場線進出站刷卡數據以及大興機場到離港航班信息數據。4月25日機場線客流分布如圖4所示，可以看出，草橋站呈現出“雙峰型”的特征，大興新城站呈現出早高峰進站量高，晚高峰出站量高的“單峰型”特征，大興機場站呈現出早高峰出站量高而晚高峰進站量高的“單峰型”特征，但高峰小時系數仍處于較低水平［5］。

到離港航班信息數據主要字段有：航班號、起飛機場、到達機場、實際載客量、計劃起飛時間、實際起飛時間、計劃到達時間、實際到達時間和登機延誤情況等。通過數據統計，可以獲得15 min顆粒度的到、離港旅客人數和到、離港架次，時間分布如圖5所示。

3 實驗結果

3.1 預測結果分析

本研究實驗環境為CPU Intel（R） Core（TM） i7-7700 CPU @ 3.60GHz，GPU NVIDIA GeForce GTX 1060 6GB。輸入步長粒度為15 min，預測步長為1；訓練集與測試集的比例為8：2。選取均方誤差（δMSE）和平均絕對誤差（δMAE）對模型的性能進行評價。

3.1.1 進站客流預測

大興機場站的進站客流主要來源于大興國際機場到達航班的旅客，因此將機場到達航班作為機場線客流預測的重要自變量；同時，大興機場站的進站客流也擁有時序流量特征，所以也將歷史進站客流作為模型的考慮變量。

將輸入步長設置為192 （即15 min×192=48 h），模型輸入步長粒度為15 min，預測步長為1。輸入數據類型為機場線歷史進站客流數據和預測時段前的到港航班數量，控制輸入步長為4（1 h）、8（2 h）、12（3 h）、96（24 h）和192（48 h）。

基于Stacking集成學習預測結果如圖6所示。可見，輸入步長為96時，預測誤差最小，其中δMSE=165.10，δMAE=7.66，當步長增加到192時預測誤差反而上升。

集成學習的優勢在于擁有靈活的特征輸入方式，本研究通過控制輸入不同步長的不同變量，分析得到各特征對模型預測結果的影響情況，如圖7所示。

從圖7可以看出，96步長的進站客流和到達航班數，模型的預測誤差最低；通道數為2（同時輸入2個特征）時，模型的表現效果優于輸入單變量預測；只輸入進站客流特征時，僅輸入前3 h（步長12）的歷史客流模型預測誤差相對較大，當輸入1 d長度的歷史客流有更好的效果；當輸入航班到達數量時，模型預測誤差變化相對于進站客流單變量較平穩。

3.1.2 出站客流預測

大興機場站的出站客流主要目的是前往大興國際機場乘坐航班離港，而離港航班時段位于預測時段之后，因此將大興機場站的歷史出站客流和未來離港航班數據作為模型的考慮變量，開展預測分析。

同樣模型輸入步長粒度為15 min，預測步長為1，輸入數據分別為歷史機場線出站客流數據和預測時段以后的離港航班信息，當輸入步長分別為4、8、12、96和192，預測誤差如圖8示。結果顯示，同樣當輸入步長為96時，模型有最好的預測性能，其中δMSE=54.28，δMAE=4.67，當步長繼續增加到192時預測性能反而下降。

通過控制兩個變量的步長，對出站客流預測結果的影響情況見圖9?？梢钥闯?，當同時輸入96步長的出站客流和出發航班數，模型的預測誤差最低；且當通道數為2（同時輸入2個特征）時，模型的表現效果優于輸入單變量預測；當只輸入出站客流特征時，效果優于只輸入出發航班情況。

3.2 模型對比

本研究將基于Stacking集成學習的客流預測模型與LSTM和Informer模型的預測結果進行對比，驗證模型適用性。LSTM模型設置三層隱藏層，第一層神經元個數為32，其余層神經元個數為64，學習率設置為0.001，激活函數均采用relu函數，優化器選擇Adam優化器。Informer模型設置2層編碼器和1層解碼器，每個編碼器中包括兩個堆棧層，每個堆棧層包含2個注意力頭。

對于進站客流來說，如圖10（a）、10（b）所示，結合不同步長模型的綜合表現，可見基于Stacking集成學習預測效果最好，且預測誤差穩定；其次是Informer模型，步長對模型預測誤差的影響相對較??；而LSTM在步長為8時候預測效果最差。對于出站客流來說，如圖10（c）、10（d）所示，仍是基于Stacking的集成學習預測效果最好，且預測誤差穩定；其次是Informer模型；LSTM在步長為8時候預測效果較差。

3.3 特征重要性分析

將輸入步長設置為192，通過數據集擬合出的預測模型計算得到最重要的4個特征及其得分見圖11，圖中，HB30表示前30 min的到港航班，GD15表示前15 min的機場線大興機場站進站客流數據，其他表示按此規律。從圖11（a）中可見，首先預測時段前30 min和45 min的航班到達情況對于模型的預測性能局部影響最大，得分分別為2.09和1.37，認為這與航空旅客到達大興機場后需經過30～60 min才到達大興機場線密切相關。其次，15 min和1 440 min前的機場線歷史進站客流數據在一定情況下也能反映當前預測時段的機場線進站客流，重要性得分為0.61和0.48，這說明機場線客流雖有別于一般通勤客流的強周期性，其時序特征也具有一定的出行規律和周期特點。如圖11（b）所示，可以看出區別于進站客流預測，影響出站客流預測的主要因素均與歷史軌道客流有關，而與離港航班關系較弱。影響程度最大的是預測時段1 440 min以前的出站客流數據，說明大興機場線路出站客流規律性較強。從與離港航班的關系來看，大興機場站的出站客流同離港航班時間關系相對較弱，可見大興機場旅客提前到達機場時間差異較大，規律性不夠顯著。

4 結論

本研究提出了一種基于Stacking集成學習的機場線短時客流預測方法，模型綜合考慮機場航班信息和歷史流量數據，對機場線進出站雙向客流進行了預測，并與Informer和LSTM預測結果進行對比，發現所提出的模型適用于機場線短時客流預測，且預測結果具有更高的精度。具體結論如下：

（1）綜合考慮機場航班信息和歷史客流的雙通道預測精度高于僅考慮歷史客流的單通道預測精度。

（2）Stacking集成學習、LSTM、Informer三種模型的預測結果對比表明，對于進站客流和出站客流預測，Stacking模型表現出更好的穩定性，次之為Informer。

（3）步長對Stacking模型的預測結果均具有一定影響。96步長下的預測效果優于4、8、12和192的預測結果。

（4）自變量特征重要性分析顯示，歷史客流數據與航班信息具有不同的影響。對于進站客流預測來說，預測時段前30 min和45 min的航班到達情況對于模型的預測性能影響最大，其次為歷史進站客流；影響出站客流預測的主要因素均與歷史客流有關，而與離港航班關系較弱，進一步說明大興機場旅客提前到達機場時間差異較大。

綜上所述，本研究證明了Stacking模型在機場線短時客流預測方面的實踐價值。在后續研究中，我們將重點探究使用集成學習模型降低誤差的方法，以進一步提升機場線客流預測的準確性和可靠性。

參考文獻：

［1］劉亞寧， 李桂安. 基于乘坐舒適性的城市軌道交通機場線列車立席和座席設置研究［J］. 鐵道技術監督， 2023， 51（8）： 5-9. DOI： 10.3969/j.issn.1006-9178.2023.08.003.

［2］魯放， 周旭， 喬穎麗， 等. 2020年中國軌道交通機場線統計及空軌協同運營分析［J］. 都市快軌交通， 2020， 33（6）： 1-6. DOI： 10.3969/j.issn.1672-6073.2020.06.001.

［3］孫繼營， 楊曉飛， 劉曉慶， 等. 北京地鐵大興機場線客流特征分析與行車組織方案研究［J］. 城市軌道交通研究， 2023， 26（3）： 119-124. DOI： 10.16037/j.1007-869x.2023.03.022.

［4］曹秉新， 劉卓， 陳艷艷， 等. 基于時空大數據的軌交站域用地功能緊湊度分析［J］. 地理信息世界， 2021， 28（4）： 9-15. DOI： 10.3969/j.issn.1672-1586.2021.04.002.

［5］王靜， 張源， 廖唱， 等. 城市軌道交通機場線客流特征分析及建議［J］. 綜合運輸， 2021， 43（6）： 22-27.

［6］LIN L， LIU X， LIU X， et al. A prediction model to forecast passenger flow based on flight arrangement in airport terminals［J］. Energy and Built Environment， 2023， 4（6）： 680-688. DOI： 10.1016/j.enbenv.2022.06.006.

［7］陸檸馨. 基于顧客感知服務質量的XP航空公司顧客滿意度研究［D］. 昆明： 云南財經大學， 2022.

［8］SUN Y S， SHI J G， SCHONFELD P M. Identifying passenger flow characteristics and evaluating travel time reliability by visualizing AFC data： a case study of Shanghai Metro［J］. Public Transport， 2016， 8（3）： 341-363. DOI： 10.1007/s12469-016-0137-8.

［9］DING C， CAO X Y， LIU C. How does the station-area built environment influence Metrorail ridership？ Using gradient boosting decision trees to identify non-linear thresholds［J］. Journal of Transport Geography， 2019， 77：70-78. DOI： 10.1016/j.jtrangeo.2019.04.011.

［10］郭文. 基于支持向量機的軌道交通短期客流預測方法研究［D］. 蘇州： 蘇州大學， 2019.

［11］LIN S F， TIAN H Y. Short-term metro passenger flow prediction based on random forest and LSTM［C］//2020 IEEE 4th Information Technology， Networking， Electronic and Automation Control Conference （ITNEC）. Chongqing， China： IEEE， 2020： 2520-2526. DOI： 10.1109/ITNEC48623.2020.9084974.

［12］方昇越. 基于XGBoost的地鐵短時客流量預測研究［D］. 大連： 大連海事大學， 2022.

［13］de CAIGNY A， COUSSEMENT K， de BOCK K W. A new hybrid classification algorithm for customer churn prediction based on logistic regression and decision trees［J］. European Journal of Operational Research， 2018， 269（2）： 760-772. DOI： 10.1016/j.ejor.2018.02.009.

［14］XU T P， MA Y， KIM K. Telecom churn prediction system based on ensemble learning using feature grouping［J］. Applied Sciences， 2021， 11（11）： 4742. DOI： 10.3390/app11114742.

［15］苗辰， 王萬江. 基于出站旅客出行目的的地鐵站口分析及優化：以烏魯木齊地鐵1號線國際機場站為例［J］. 城市建筑， 2020， 17（22）： 143-147. DOI： 10.3969/j.issn.1673-0232.2020.22.032.

［16］杜文博， 石婉君， 廖盛時， 等. 基于“時間-特征”協同注意力的機場快軌客流預測［J］. 北京航空航天大學學報， 2022， 48（9）： 1605-1612. DOI： 10.13700/j.bh.1001-5965.2022.0321.

［17］WOLPERT D H. Stacked generalization［J］. Neural Networks， 1992， 5（2）： 241-259. DOI： 10.1016/S0893-6080（05）80023-1.

［18］DING C A， WANG D G， MA X L， et al. Predicting short-term subway ridership and prioritizing its influential factors using gradient boosting decision trees［J］. Sustainability， 2016， 8（11）： 1100. DOI： 10.3390/su8111100.

［19］WANG K P， WANG P， HUANG Z R， et al. A two-step model for predicting travel demand in expanding subways［J］. IEEE Transactions on Intelligent Transportation Systems， 2022， 23（10）： 19534-19543. DOI： 10.1109/TITS.2022.3166669.

［20］朱月凡， 蔣國平， 高輝， 等. 基于特征選擇和數據增強的電池荷電狀態預測［J］. 計算機系統應用， 2023， 32（2）： 45-54. DOI： 10.15888/j.cnki.csa.008943.