天池全球城市计算AI挑战赛-地铁客流量预测 22/2319

最新推荐文章于 2026-03-29 20:02:59 发布
原创 最新推荐文章于 2026-03-29 20:02:59 发布 · 9.6k 阅读 · 83 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文介绍了一场以地铁乘客流量预测为主题的竞赛经历。通过分析历史刷卡数据，预测未来站点客流量变化，旨在帮助合理规划出行路线，避免拥堵并提前做好安保准备。分享了使用的预测模型和技术。

感觉这个比赛是一个特别有意义的比赛，很遗憾，没有进入决赛，如果感兴趣的可以参考我的github，还有完整数据集下载。

https://github.com/Justdcy/subway_traffic_forecast-tianchi

比赛描述：大赛以“地铁乘客流量预测”为赛题，通过分析地铁站的历史刷卡数据，预测站点未来的客流量变化，帮助实现更合理的出行路线选择，规避交通堵塞，提前部署站点安保措施等。

关键词：时间序列预测及交叉验证、Holt-Winter、LGB、XGB、ARIMA

阿里天池 全球城市计算AI挑战赛
02-20
阿里天池 全球城市计算AI挑战赛
关于天池地铁流量预测比赛的总结和代码rank82.zip
09-30
关于天池地铁流量预测比赛的总结和代码rank82
【竞赛系列】机器学习实操项目09——全球城市计算AI挑战赛（基于LightGBM快速搭建baseline）
weixin_41782172的博客
09-10 695
本部分基于前期数据探索分析的结果，构建机器学习预测模型。通过提取历史平移特征（前一天同期流量），使用LightGBM回归算法分别对进站人数（inNums）和出站人数（outNums）进行预测。模型采用1月28日数据作为验证集，对1月29日的流量进行预测，旨在利用机器学习方法捕捉复杂的时间序列模式，提升预测精度。
TITS |基于动态超图卷积的地铁客流预测
最新发布
zuiyishihefang的博客
03-29 567
在北京和杭州的历史数据集上进行的实验验证了该方法的有效性，并取得了比现有方法更高的预测精度。通过对热力图的分析，不同时间跨度的出行OD揭示了同期大部分人的出行轨迹，即大部分乘客进入哪些站点，然后从哪些站点出站。然而，地铁车站之间的连接比点对点的连接带有更多的信息，因为所有的连接都属于相应的地铁线路。然后，将超图的拉普拉斯矩阵和地铁流量数据输入到STHGCN中，其中包含超图的卷积层和时间卷积层，以获取超图中每个顶点的光谱和时间特征。时空块的输出是节点级别的预测，最后将其融合，输出每个站点的预测结果。
全球城市计算AI挑战赛-数据集
03-29
天池地铁流量预测--鱼佬知乎学习笔记
qq_41093717的博客
09-21 2580
模型采用滑窗滚动（天）的方式进行构建，这样可以防止因为某一天存在奇异值而导致模型训练走偏。最后将所有滚动滑窗的标签以及特征进行拼接形成我们最终的训练集。 滑窗滚动需要选择分布与测试集类似的进行label的构建才能取得较好的结果，所以在此之前需要对分布差异大的数据进行删除。 将测试集为周末和测试集为周内进行区别对待，保证训练集分布的稳定。 节假日的信息和非节假日的分布差异非常大,所以我们也选择...
赛题笔记《地铁乘客流量预测比赛》
mintminty的博客
07-03 3747
1. 赛题背景 分析地铁站的历史刷卡数据，预测站点未来客流量变化，挖掘出行规律 提供2019.1.1-2019.1.25共81个站点的刷卡数据记录，以及路网地图（邻接关系），预测未来一天各站点的逐十分钟累积进出站人次 2. EDA 答辩人2： 周末（图中前两簇）与工作日（图中后五簇）的流量差异，与站点类型有关 ，办公属性站点差异较大，旅游属性站点差异较小。所以纯粹以周末或非周末作为区分，可能不太合理 城际客流的“潮汐效应”，火车站站点的周六和周日流量会存在镜像分布的特点，就比如周六到火车站乘火车，周
天池入门赛：地铁乘客流量预测
weixin_30433075的博客
04-25 3370
比赛描述： 大赛以“地铁乘客流量预测”为赛题，通过分析地铁站的历史刷卡数据，预测站点未来的客流量变化，帮助实现更合理的出行路线选择，规避交通堵塞，提前部署站点安保措施等。 未完待续！ 转载于:https://www.cnblogs.com/USTC-ZCC/p/10767582.html...
阿里云天池赛地铁人流量可视化数据集
wangjunlei666的博客
02-28 2198
数据分析与挖掘加油 数据集下载地址
TIANCHI-全球城市计算挑战赛-完整方案及关键代码分享（季军）
fengdu78的博客
04-19 2697
TIANCHI-全球城市计算挑战赛--参赛者将根据主办方提供的地铁人流相关数据，挖掘隐藏在背后的出行规律，准确预测各个地铁站点未来流量的变化。主办方希望通过这次挑战赛，用大数据和人工智能...
An AI compute of cities based on Distributed-Platform and Distributed-Databases(天池地铁流量预测)
Clearlove灬Star
06-06 5132
摘要 在日益城市化的今天，城市居民出行问题逐渐成为衡量一个城市现代化能力的标准；城市出行方式多元化的同时，也对各交通系统的调度运营能力提出了更高的要求：如何提高运营效率，如何运用有限的安保力量进行有效的安检部署等问题一直在阻挠着城市交通的发展。 An AI compute of cities based on Distributed-Platform and Distributed-Databas...
天池城市AI地铁客流量预测-Metro_testA-数据集
03-26
天池城市AI地铁客流量预测-Metro_testB-数据集
03-26
subway_traffic_forecast-tianchi:天池全球城市计算AI挑战赛-地铁人流量预测 A榜222319
05-11
subway_traffic_forecast-tianchi 萌新开源，大佬些多给点指导。 天池全球城市计算AI挑战赛-地铁人流量预测， A榜22/2319，该代码是A榜代码，如果能有所收获，老铁右上角，star一下，感谢！ 队友：buger，taoberica、selina雪，感谢鱼佬baseline， A榜代码有部分是借鉴鱼佬开源代码， 没能进入决赛也就不开源淘汰赛的代码了。 数据集下载： 链接: 提取码: arse 比赛链接; 目前还有一些未来得及验证的想法，有兴趣的大佬些可以试试看。 a.将间隔十分钟改为间隔五分钟，相对增加了数据量 b.将shfit后的前三天删掉，因为shift后前三天引入了很多0 c.除了shift最近三天的策略，还可以试试shift最近两天+上一周相对应的week的数据 d.最开始也试了lgb模型，效果比xgb差点，可以将xgb和lgb采用blending
城市AI算法挑战赛：城市数据集实战指南
weixin_34945060的博客
09-14 1883
本文还有配套的精品资源，点击获取 简介：城市AI算法挑战赛旨在推动智能技术在城市管理中的应用。本次挑战赛提供包含测试集、城市地铁道路信息、以及挑战说明在内的数据集。参赛者需要运用人工智能、算法、数据预处理等技术，结合编程语言和大数据处理工具，开发出解决城市问题的智能解决方案。 1. 人工智能在城市管理中的应用 概述 随着人工智能技术的不断进步，它在城市...
基于LSTM的城市轨道交通客流量预测(demo)
路飞DoD的博客
11-17 7600
本数据集记录了2023年4~5月xiamenBRT45个站点的客流量（按小时划分，61d=61*24=1464h）。hours。基于过去7天的客流量数据预测未来1天的客流量数据。
天池发起全球城市计算AI挑战赛-总奖池30万人民币
我爱计算机视觉
03-19 859
点击我爱计算机视觉标星，更快获取CVML新技术大赛概况2019年，杭州市公安局联合阿里云智能启动首届全球城市计算AI挑战赛，本次挑战赛的题目选定为“地铁乘客流量预测”。地铁目前是城市交通...
【竞赛系列】机器学习实操项目07——全球城市计算AI挑战赛（baseline、时间序列分析、地铁流量预测）
weixin_41782172的博客
09-10 776
时间序列分析实战：从基础到地铁流量预测 本文通过股票价格和游戏行为数据分析时间序列特征，并聚焦全球AI挑战赛的地铁流量预测任务。主要内容包括： 基础分析：通过Google/MSFT股票数据展示长期趋势，利用游戏广告/消费数据分解季节性特征 技术实现：导入时间序列分析工具库(statsmodels等)，定义MAPE等评估指标 核心方法：对游戏货币支出数据进行季节性分解(observed/trend/seasonal/residual) 实战应用
【竞赛获奖方案】机器学习实操项目10——全球城市计算AI挑战赛（基于LightGBM与Stacking完整代码解析）
weixin_41782172的博客
09-10 727
本项目针对地铁客流量（进站量`inNums`、出站量`outNums`）进行预测，核心流程包括：数据加载与预处理、时间特征工程构建、历史时序特征生成、站点拓扑特征融合、LightGBM单模型训练、时序Stacking集成优化等步骤。通过提取多维度时序特征（10分钟粒度、小时粒度、历史同期/偏移时段特征）和站点拓扑特征，结合集成学习策略，最终实现高精度客流量回归预测，模型评估指标采用平均绝对误差（MAE）。
实战项目一：地铁人流量预测
热门推荐
Yale-曼陀罗
08-20 2万+
项目简介地铁人流量预测项目背景项目宗旨项目简介01数据清洗；02特征提取；03数据初步分析；04数据深度分析05数据模型的创建；06数据模型的评估07模型的优化改进08引入复杂模型——XGBoost 地铁人流量预测 项目背景 为了帮助纽约市的地铁运输管理局（MTA）省钱并使地铁更安全； 为了更准确地预测每日将有多少人访问某些地铁站点，从而让MTA更好地分配员工并预测否则会出乎意料的高峰期。 项...
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值