随着出行需求以及道路运行状态波动性的不断加剧,短时常规公交需求预测已成为研究热点。可靠的短时客流预测能够帮助调整常规公交线路班次计划,并为乘客出行多样化提供服务,从而提高乘客满意度和经济效益。数据波动性直接影响预测精度,公交客流数据主要依据公交刷卡数据推算,而刷卡数据直接受公交车达到情况的影响,因此为了降低数据波动性的不利影响,减小预测误差,本文以车辆到达数、时段、相邻前时段客流、工作日与非工作日等因素作为特征输入,构建了基于XGBoost的常规公交短时客流预测模型。主要工作如下:（1）推算客流数据。由于乘客刷卡数据受车辆到达影响,无法真实反映乘客到达实际情况。为尽可能得到真实客流数据,在假设乘客到达为均匀分布的基础上,本文将车辆在某站点上车乘客数量平均分配到前一班次离开至当前班次到达时间段上,以此作为客流数据。并通过与站点上车人数的客流时间分布曲线对比分析,发现推算得到的客流数据曲线直观上更为平稳。（2）客流波动及其影响因素分析。首先,分析了短时客流的波动性;进一步,通过多条线路的车辆到达数与所选线路客流的相关性分析,对客流波动的影响因素进行了探究,发现影响线路客流波动的主要因素为车辆到达数;最后,对短时客流的时间分布规律进行了研究,得到纵向上相邻前4个时段客流相关性较大,相关系数在0.4以上,横向上工作日与非工作日客流在时间分布上显著区别,并且随时段变化而变化。综上所述,本文以车辆到达数、时段、相邻前时段客流、工作日与非工作日等因素作为短时客流预测模型的特征输入。（3）构建常规公交短时客流预测模型。在模型输入数据集中,车辆到达数变量个数偏多,时段变量个数偏大且呈现稀疏特点。由于XGBoost能有效解决数据高纬度且稀疏的问题,进而提高算法效率,因此本文提出建立XGBoost模型进行短时客流预测。在模型构建过程中,首先,进行特征工程,将本文选用的特征转化为适用于模型学习的输入数据集,其中时段特征为类别型变量且变量数较多,需要对其进行独热编码操作;进一步,进行模型调参,使用网络搜索交叉验证法为XGBoost模型中通用参数、提升参数和学习任务参数选择最佳取值。（4）算例分析。本文选用广州市常规公交单峰类型、双峰类型、其它类型共30条线路一个月前27天的相关数据构建XGBoost预测模型,并选用后3天的相关数据作为测试集进行模型结果验证。首先进行模型有效性分析,通过与KNN回归模型、BP神经网络模型、LSTM模型对比,本文所构建的XGBoost模型均方根误差由6.03、5.70、6.17提升至4.76,计算时间由11.78s、40.21s、28.15s提升至10.63s,由此得到XGBoost预测模型能够更快速并准确预测常规公交短时客流;另外车辆到达数不作为特征输入时,模型均方根误差误差下降至5.46,由此得到车辆到达数特征作为模型特征输入可以有效提高预测精度。最后进行模型灵敏度分析,XGBoost预测模型在高峰时段的平均绝对百分比误差优于低峰时段,因此得到本文所构建的XGBoost预测模型在高峰时段的预测效果良好。