重庆轨道交通客流量预测：时空数据与机器学习模型落地实战

简介这份资源是面向高校本科生毕业设计场景的完整项目源码围绕重庆轨道交通客流量展开时空分析与预测适合具备Python与机器学习基础、需要完成交通数据挖掘类课题的学生参考。项目以站点和线路为对象借助弗洛伊德算法求解多源最短路径统计乘客从进站到出站途经各站点与线路的日均人流量并引入BP神经网络结合工作日、周末、寒暑假、月份周次与季节等特征对日均客流最大的10个站点及线路客流进行预测建模。压缩包共1709个文件以TypeScript与JavaScript前端代码为主辅以Python脚本、JSON配置、XML与Markdown文档、图片及模型文件等整体约37.01MB结构完整、便于二次开发。目前已有2153人学习下载读者可从中获取客流统计与预测的完整实现思路、特征工程方案及前后端配套代码用于复现实验或迁移到其他城市轨道数据场景。1. 重庆轨道交通客流量预测从时空数据到机器学习模型的落地路径重庆的轨道交通客流量预测难点从来不在模型本身而在于数据带着强烈的时空耦合特征——早高峰的观音桥和晚高峰的沙坪坝客流方向几乎相反工作日与周末的同一条线路客流曲线形态完全不同节假日前后还会出现明显的节前流出、节后回流。如果直接拿一份 CSV 丢进 LSTM大概率得到一个「看起来能跑、实际没法用」的结果。这个方向适合本科毕业设计也适合想入门时空数据预测的 Python 开发者数据可获取、场景真实、模型层次清晰从统计方法到机器学习再到深度学习都有发挥空间。核心要解决三件事——把原始刷卡数据整理成带时间戳和站点维度的面板数据、构造能表达时空关系的特征、选一个匹配数据规模的预测模型。下面按实际落地顺序拆开讲。2. 数据获取与时空面板构建重庆轨道客流数据怎么整理成模型能吃的格式2.1 重庆轨道客流数据的来源与字段结构重庆轨道交通的客流数据常见获取途径有两类。一类是公开的统计年鉴或交通年报通常只给到月度或年度总量粒度太粗做不了短时预测。另一类是站点级别的刷卡或闸机数据字段一般包含刷卡时间、进站站点、出站站点、卡类型普通卡/学生卡/老年卡、交易金额。做毕业设计时如果拿不到真实刷卡数据常见做法是用重庆轨道交通公开的日均客流总量结合各站点周边用地性质商业、居住、交通枢纽做比例分配生成一份仿真数据集。这不是造假而是时空预测研究中被广泛接受的合成数据方法关键是在论文里说清楚生成逻辑和假设。拿到原始数据后第一步是确认时间粒度和空间粒度。时间粒度通常选 15 分钟或 1 小时15 分钟能捕捉早高峰的爬坡过程1 小时则更平滑、噪声更小。空间粒度就是站点重庆目前运营的轨道站点在 200 个以上如果按线路聚合会丢失换乘站的信息建议保留站点级别。2.2 用 pandas 构建「时间 × 站点」二维面板原始刷卡记录是流水账每一条是一次进出站行为。要变成模型输入需要做透视行是时间片列是站点值是客流量。下面这段代码是核心转换逻辑。import pandas as pd import numpy as np # 假设 raw 包含: card_time(刷卡时间), station(站点名), card_type(卡类型) # 读取时指定时间列解析 raw pd.read_csv(cq_metro_card.csv, parse_dates[card_time]) # 1. 按 15 分钟切片统计每个站点每个时间片的进站量 raw[time_slice] raw[card_time].dt.floor(15min) flow raw.groupby([time_slice, station]).size().reset_index(nameinflow) # 2. 透视成 时间 × 站点 的面板 panel flow.pivot(indextime_slice, columnsstation, valuesinflow) # 3. 缺失时间片补 0某些站点某些时段可能没有刷卡记录 full_index pd.date_range(panel.index.min(), panel.index.max(), freq15min) panel panel.reindex(full_index, fill_value0) # 4. 缺失站点列补 0新开通站点在早期数据中不存在 panel panel.fillna(0) print(panel.shape) # (时间片数量, 站点数量)这段代码的关键在dt.floor(15min)它把任意秒级时间戳归到所属的 15 分钟区间起点。pivot之后得到的是宽表每一列是一个站点每一行是一个时间片。reindex补全缺失时间片很重要——如果某个 15 分钟没有任何刷卡记录pivot 会直接跳过这个时间点导致时间轴不连续后续做滞后特征时会错位。补 0 是合理假设没有刷卡记录意味着该时段该站点客流为零而不是数据丢失。参数上freq15min可以改成1h或30min取决于你的预测目标和数据密度。重庆轨道在 6:30 到 23:00 之间运营夜间时段可以裁掉减少无效计算。2.3 时空特征工程滞后项、滑动窗口与站点嵌入面板数据本身只是数值矩阵模型要学到时空规律需要显式构造特征。时间维度上最直接的是滞后特征用前几个时间片的客流预测当前值。空间维度上相邻站点的客流会相互影响比如换乘站的上游站点客流增加换乘站也会跟着涨。# 时间特征滞后 1、2、4 个时间片即 15min、30min、1h 前 for lag in [1, 2, 4]: panel[flag_{lag}] panel[观音桥].shift(lag) # 滑动窗口过去 1 小时均值和标准差 panel[roll_mean_4] panel[观音桥].rolling(4).mean() panel[roll_std_4] panel[观音桥].rolling(4).std() # 时间编码小时和星期几的周期编码 panel[hour] panel.index.hour panel[weekday] panel.index.weekday panel[hour_sin] np.sin(2 * np.pi * panel[hour] / 24) panel[hour_cos] np.cos(2 * np.pi * panel[hour] / 24)滞后项的选择有讲究。滞后 1 捕捉短期惯性滞后 4 捕捉小时级周期滞后 96如果按 15 分钟切片一天有 96 个片捕捉日周期。但滞后太多会导致缺失值增多通常从滞后 1 到滞后 4 起步再根据自相关函数ACF图决定要不要加日周期滞后。滑动窗口的窗口长度一般取 4 或 8对应 1 小时或 2 小时。周期编码用 sin/cos 而不是直接放小时数字是因为小时是循环变量23 点和 0 点在数值上差 23实际只差 1 小时sin/cos 编码能保留这种循环关系。站点之间的空间关系简单做法是用线路拓扑构造邻接矩阵换乘站之间权重高同线路相邻站权重中等不相邻站权重为 0。如果站点数量多可以用图神经网络但本科毕设用邻接矩阵加特征拼接就够。把目标站点的滞后特征和邻居站点的同期客流拼在一起模型就能学到空间溢出效应。3. 模型选型与训练从 LightGBM 到 LSTM 的客流量预测实战3.1 为什么先用 LightGBM 而不是直接上 LSTM很多同学一上来就写 LSTM觉得深度学习更「高级」。但客流量预测这个任务特征工程做得好LightGBM 的效果往往不输 LSTM而且训练快、调参直观、可解释性强。LightGBM 能直接处理表格数据滞后特征、滑动窗口、周期编码丢进去就能跑不需要把数据 reshape 成三维张量。对于本科毕设先用 LightGBM 建立一个强基线再用 LSTM 做对比实验论文的实验章节会充实很多。LightGBM 的核心参数有三个需要调num_leaves控制树的复杂度客流量数据噪声大建议从 31 起步不要超过 127learning_rate设 0.05 到 0.1配合n_estimators用早停min_data_in_leaf设 20 到 50防止过拟合到某个站点的偶然波动。import lightgbm as lgb from sklearn.model_selection import TimeSeriesSplit # 特征列滞后项 滑动窗口 周期编码 feature_cols [c for c in panel.columns if c.startswith((lag_, roll_, hour_, weekday))] X panel[feature_cols].dropna() y panel.loc[X.index, 观音桥] # 时间序列交叉验证不能随机打乱 tscv TimeSeriesSplit(n_splits5) for train_idx, val_idx in tscv.split(X): model lgb.LGBMRegressor( num_leaves31, learning_rate0.05, n_estimators500, min_data_in_leaf30, early_stopping_rounds50 ) model.fit(X.iloc[train_idx], y.iloc[train_idx], eval_set[(X.iloc[val_idx], y.iloc[val_idx])])这里必须用TimeSeriesSplit而不是train_test_split。客流量是时间序列随机划分会让未来数据泄露到训练集验证分数虚高实际部署时翻车。early_stopping_rounds50表示验证集误差 50 轮不下降就停防止过拟合。3.2 LSTM 的输入构造与训练细节如果要用 LSTM输入需要是三维张量样本数 × 时间步长 × 特征数。时间步长通常取 4 到 12对应过去 1 到 3 小时。构造方式是用滑动窗口在面板上切片段。import torch import torch.nn as nn def make_sequences(data, target_col, window8): 把面板切成 (样本, 时间步, 特征) 的序列 features data.drop(columns[target_col]).values target data[target_col].values X, y [], [] for i in range(window, len(data)): X.append(features[i-window:i]) y.append(target[i]) return np.array(X), np.array(y) class FlowLSTM(nn.Module): def __init__(self, input_dim, hidden_dim64, num_layers2): super().__init__() self.lstm nn.LSTM(input_dim, hidden_dim, num_layers, batch_firstTrue) self.fc nn.Linear(hidden_dim, 1) def forward(self, x): out, _ self.lstm(x) return self.fc(out[:, -1, :]) # 取最后一个时间步的输出window8表示用过去 8 个时间片2 小时预测下一个时间片。hidden_dim64和num_layers2是常见起点站点数量多、数据量大时可以加到 128 和 3 层。训练时用 MSE 损失Adam 优化器学习率 1e-3batch size 64。注意 LSTM 对输入尺度敏感特征要做标准化用训练集的均值和标准差不要用全量数据的。3.3 评价指标MAE、RMSE 和高峰时段的 MAPE客流量预测不能只看整体 MAE。早高峰的绝对误差天然比平峰大但相对误差可能更小。建议同时报告三个指标MAE 反映平均绝对偏差RMSE 对大误差更敏感MAPE 反映相对精度。但 MAPE 在客流接近零的时段会爆炸所以只在高客流时段比如 7:00-9:00 和 17:00-19:00计算 MAPE。指标公式适用场景注意事项MAEmean(y_true - y_pred)RMSEsqrt(mean((y_true - y_pred)^2))惩罚大误差高峰时段误差权重大MAPEmean(y_true - y_pred/ y_true)如果 LightGBM 的 MAE 比 LSTM 低 10% 以上论文里可以重点分析特征工程的作用如果 LSTM 略优就讨论时序建模对高峰爬坡的捕捉能力。两种结果都有写作空间关键是实验设计要公平——同样的训练集、同样的预测步长、同样的评价代码。4. 避坑与排查重庆轨道客流预测中容易翻车的五个地方4.1 现象验证集分数很高测试集一塌糊涂原因用了随机划分而不是时间序列划分未来信息泄露到训练集。客流量有强自相关随机划分会让模型「看到」未来的滞后特征。解决统一用TimeSeriesSplit或按时间切分训练集在前、验证集居中、测试集在后。如果数据量够直接按 7:1.5:1.5 的时间比例切三段。4.2 现象模型对早高峰预测偏低对平峰预测偏高原因损失函数是 MSE平峰样本数量远多于高峰样本模型偏向拟合平峰。早高峰的客流爬坡过程被平滑掉了。解决对高峰时段样本加权或者用分位数损失。LightGBM 支持objectivequantile设alpha0.7让模型更关注高客流区间。另一个办法是对客流量做对数变换缩小高峰和平峰的数值差距。4.3 现象换乘站的预测误差明显大于普通站原因换乘站的客流来自多条线路叠加进站量不能完全反映实际客流。而且换乘站的刷卡数据可能被重复计算或归属不清。解决换乘站单独建模或者把换乘站的进出站量拆成多条线路的分量。如果数据不支持拆分至少在特征里加入「是否换乘站」的标记让模型自己学。4.4 现象LSTM 训练 loss 下降但验证 loss 震荡原因学习率太大或者 batch size 太小导致梯度噪声大。客流量数据本身噪声高LSTM 容易过拟合到训练集的随机波动。解决学习率降到 1e-4加 dropout0.2 到 0.3用梯度裁剪clip_grad_norm_设 1.0。如果还震荡减小 hidden_dim 或减少层数。4.5 现象滞后特征加入后模型效果反而变差原因滞后特征和滑动窗口特征高度共线树模型可能随机选了一个导致不稳定。另外滞后特征在缺失值填充后可能引入偏差。解决检查特征相关性相关系数超过 0.95 的只保留一个。滞后特征和滑动窗口不要同时大量使用选滞后 1、2、4 加一个滑动均值就够。填充缺失值时用前向填充而不是补 0避免人为制造「客流骤降」的假象。5. 进阶技巧用站点聚类做分组建模以及一个验证预测是否可信的土办法站点聚类是提升预测精度的实用技巧。重庆轨道 200 多个站点每个站点的客流模式不同——观音桥是商业型早高峰进站少、晚高峰进站多大学城是居住型早高峰出站多、晚高峰进站多重庆北站是枢纽型全天客流波动大。如果对所有站点用同一个模型模型会学到一个「平均模式」对极端站点的预测就会偏。做法是用 KMeans 对站点的日客流曲线聚类聚成 4 到 6 类然后每类单独训练一个 LightGBM 或 LSTM。聚类特征可以用一天 96 个时间片的客流向量做标准化后聚类。下面是一个最小示例。from sklearn.cluster import KMeans from sklearn.preprocessing import StandardScaler # 取每个站点一天 96 个时间片的平均客流曲线 daily_profile panel.groupby(panel.index.date).mean() # 先按天聚合 station_profiles daily_profile.T # 转置成 站点 × 时间片 # 标准化后聚类 scaler StandardScaler() profiles_scaled scaler.fit_transform(station_profiles) kmeans KMeans(n_clusters5, random_state42, n_init10) station_profiles[cluster] kmeans.fit_predict(profiles_scaled) # 查看每类的站点数量和典型站点 print(station_profiles.groupby(cluster).size())聚类数选 5 是一个经验值可以用肘部法或轮廓系数确认。聚类完成后每个 cluster 单独建模预测时先判断站点属于哪一类再调用对应模型。这个做法在重庆轨道数据上通常能把换乘站和枢纽站的预测误差降低 15% 到 25%。另一个土办法是验证预测是否可信把预测值和实际值按小时聚合画一张「预测 vs 实际」的散点图看散点是否沿 45 度线分布。如果早高峰的散点系统性偏下说明模型低估高峰如果平峰的散点分散说明模型对低客流时段的区分度不够。这个图比任何指标都直观答辩时放一张评委一眼就能看懂你的模型哪里强、哪里弱。我自己的习惯是每次调完参数先不看 MAE先画这张散点图。图对了指标才有意义图不对指标再好看也是过拟合。希望帮到你。本文还有配套的精品资源点击获取