[论文解读] AdaEnsemble Learning Approach for Metro Passenger Flow Forecasting

Shaolong Sun, Dongchuan Yang+2 more|arXiv (Cornell University)|Feb 18, 2020

Traffic Prediction and Management Techniques参考文献 38被引用 4

一句话总结

该论文提出AdaEnsemble，一种自适应集成学习框架，通过整合变分模态分解（VMD）、SARIMA、LSTM和MLP模型，实现对地铁客流量的预测。通过将客流数据分解为周期性、确定性和波动性分量——每类分量均采用专用算法建模——并利用元机器学习MLP重新组合预测结果，该方法在多个评估指标下于深圳地铁数据上实现了最先进水平的准确性和鲁棒性。

ABSTRACT

Accurate and timely metro passenger flow forecasting is critical for the successful deployment of intelligent transportation systems. However, it is quite challenging to propose an efficient and robust forecasting approach due to the inherent randomness and variations of metro passenger flow. In this study, we present a novel adaptive ensemble (AdaEnsemble) learning approach to accurately forecast the volume of metro passenger flows, and it combines the complementary advantages of variational mode decomposition (VMD), seasonal autoregressive integrated moving averaging (SARIMA), multilayer perceptron network (MLP) and long short-term memory (LSTM) network. The AdaEnsemble learning approach consists of three important stages. The first stage applies VMD to decompose the metro passenger flows data into periodic component, deterministic component and volatility component. Then we employ SARIMA model to forecast the periodic component, LSTM network to learn and forecast deterministic component and MLP network to forecast volatility component. In the last stage, the diverse forecasted components are reconstructed by another MLP network. The empirical results show that our proposed AdaEnsemble learning approach not only has the best forecasting performance compared with the state-of-the-art models but also appears to be the most promising and robust based on the historical passenger flow data in Shenzhen subway system and several standard evaluation measures.

研究动机与目标

• 解决高度波动且非平稳的地铁客流量数据预测挑战。
• 通过利用多样化算法的互补优势，克服单模型方法的局限性。
• 开发一种鲁棒且自适应的集成框架，以提升预测准确性和稳定性。
• 在真实地铁数据上验证分量级分解与专用建模的有效性。

提出的方法

• 应用变分模态分解（VMD）将原始客流时间序列分解为三个独立分量：周期性、确定性和波动性分量。
• 使用SARIMA对周期性分量进行建模与预测，捕捉季节性和周期性模式。
• 采用长短期记忆（LSTM）网络学习并预测确定性分量，建模长期依赖关系。
• 训练多层感知机（MLP）以预测波动性分量，代表非规律性波动。
• 通过元MLP网络组合三个分量模型的预测结果，重构最终预测。
• 利用深圳地铁系统的历史客流数据，对整个AdaEnsemble框架进行端到端优化。

实验结果

研究问题

• RQ1 专用模型的集成是否能在地铁客流量预测中优于单一预测模型？
• RQ2 VMD在将复杂客流时间序列分解为可解释且可预测的分量方面效果如何？
• RQ3 针对不同分量采用特定模型（SARIMA用于周期性，LSTM用于确定性，MLP用于波动性）是否能提升预测准确性？
• RQ4 与简单平均相比，元MLP重构阶段在多大程度上提升了整体预测性能？
• RQ5 AdaEnsemble框架在真实地铁系统中不同时间尺度和数据条件下的鲁棒性如何？

主要发现

• 在深圳地铁数据上，AdaEnsemble模型在所有对比的最先进模型中表现最佳。
• 该模型在多种评估指标（包括MAE、RMSE和MAPE）下均表现出卓越的鲁棒性。
• 通过VMD实现的分量级分解显著提升了下游预测的可解释性和准确性。
• SARIMA、LSTM和MLP在不同分量上的集成，相比单独使用任一模型，能实现更准确的预测。
• 元MLP重构阶段有效结合了各模型预测结果，降低了误差并增强了泛化能力。
• 实证结果证实，AdaEnsemble不仅精度高，而且在各种数据条件下均表现出一致的可靠性。