建成环境约束下的城市轨道交通出行需求预测方法研究OA

建成环境显著影响轨道交通客流量,而现有的轨道交通出行需求预测方法多基于历史客流数据,没有充分考虑建成环境的多维空间功能属性的约束条件。提出一种基于XGBoost-SHAP的改进预测模型,并通过贝叶斯优化进行超参数调整,在城市轨道交通800 m集水区内中心性、路网密度等建成环境要素的约束下,构建非线性预测模型,借助XGBoost的集成学习优势提升预测精度,并通过SHAP对建成环境变量的特征进行重要性分析。以北京市轨道交通为例进行计算实验,结果表明:XGBoost-SHAP模型在3个时段预测结果的模型性能均优于其他对比模型;停车场密度、介数中心性和商业区密度等因素对出行需求的影响效果明显。研究验证了建成环境与机器学习结合的出行需求预测方法的有效性和科学性,为以后的城市轨道交通选址和规划提供了智能决策方法。