林友芳，尹 康，党 毅，郭晟楠，万怀宇

(1.北京交通大学 a.计算机与信息技术学院，b.交通数据分析与挖掘北京市重点实验室，北京 100044； 2.民航旅客服务智能化应用技术重点实验室，北京 101318；3.北京久其软件股份有限公司，北京 100082)

随着人们出行需求的增加，交通领域的客运需求预测越来越受到政府决策者、相关运营公司的关注.交通领域的客运需求有很多种，比如：1)城市内区域间的出租车需求量，其准确预测有利于降低空车率从而增加出租车司机收入、减少能源浪费等；2)民航领域的航线客运需求量，其精准预测有利于航空公司进行飞机排班调整、价格调整等从而降低航空公司运营成本，提高服务质量.因此如果能够准确地预测客运需求，将对提前感知市场动态、预分配交通资源、改善用户出行体验等都具有十分重大的意义.

由于客运需求具有动态时空特性，准确地预测客运需求具有很大的挑战，主要原因如下：1)出发地-目的地(OD)的客运需求时间序列本身在时间维度上存在很强的相关性；2)不同OD的客运需求时间序列之间存在空间相关性.因此如何设计模型能同时捕获数据在时间和空间维度上的相关性具有很大的难度.

目前，交通领域的时间序列数据预测模型主要分为两大类.1)经典的时间序列分析方法，如历史平均模型(HA)、向量自回归模型(VAR)[1]和自回归滑动平均模型(ARIMA)[2]及其变体等已被广泛应用于交通预测问题.最近的研究在考虑引入其他技……