付保明 王 健 张 宁 徐 文

（1.东南大学智能运输系统研究中心城市轨道交通研究所，210096，南京；2.南京地铁建设有限责任公司，210008，南京；3.北京城建设计发展集团股份有限公司，100037，北京；4.苏州市轨道交通集团有限公司，215004，苏州//第一作者，助理工程师）

客流预测是基于时间序列的客流数据来预测未来某个时间段的客流量，通常将时间粒度小于15 min的客流预测称为短时客流预测［1］。随着轨道交通在我国的快速发展，轨道交通运营与管理面临着新的机遇与挑战。作为运营管理的基础，短时客流预测与分析不仅能为客运组织安排提供可靠依据，并且能有效降低拥堵机率，提高服务水平，提升轨道交通车站乃至整个线网管理与服务能力［2］。

轨道交通短时客流受天气等多种因素的影响，既表现出相对稳定性，又有较强的不确定性。客流预测的常用方法，如时间序列模型［3］、马尔科夫模型、神经网络［4］、支持向量机［5］等，存在样本量较大、参数标定复杂等问题，且对短时客流不确定性的考虑不足。

云模型不仅考虑研究对象的随机性，还能反映随机性与模糊性之间的关联性，同时具备实现定性趋势与定量数值之间的转换能力，已被广泛运用于时间序列预测、方案决策评价等方面，并取得了良好的效果［6］。笔者在南京地铁自动售检票系统（Automatic Fare Collection，AFC）客流数据的基础上，统计分析了线路短时进站客流规律，结合云模型的相关理论，构建了基于云模型的单条件多规则不确定性预测模型，利用该模型对南京地铁2号线线路短时进站客流进行预测，并验证了该模型的有效性。……