傅晨琳，黄 敏，沙志仁

（1.中山大学 智能交通系统重点实验室，广东 广州 510006；2. 广东方纬科技有限公司 研发中心，广东 广州 510006)

0 引言

城市轨道交通以其大运量、低成本和高环保的特点，逐渐成为发展智慧交通的关键。城市轨道交通站点客流量是评价其服务水平和实现城市轨道交通资源有效配置的基础数据和依据，因而掌握客流波动的特征和规律，可以实现科学合理地预测各站点短期客流对开展客流控制和列车调度。由于城市轨道交通进站客流受到站点位置、节假日、重大事件等因素的影响，客流序列的波动呈现很强的非线性和非平稳性，客流量的预测难度较大。

客流预测常用方法主要有ARIMA 时间序列模型、回归模型、神经网络等，郝勇等[1]运用时间序列模型通过客流7 d 均量分别进行系统日客流量的迭代预测和递推预测；李丽辉、Smith 等[2-3]分别采用随机森林回归和季节差分自回归移动平均模型预测短期交通量；李春晓等[4]提出一种基于广义动态模糊神经网络(GD—FNN)用于预测短时进站客流量。为更有效地利用模型的优点，互相弥补缺陷，组合预测的理论和方法已成为目前的趋势。王兴川等[5]构建基于小波分解与重构的GM—ARIMA客流预测模型，基于AFC 客流数据实现对大型活动期间的轨道交通客流预测；Yu 等[6]将经验模态分解法和BP 神经网络组合对地铁客流进行预测。

目前，有关城市轨道交通分时客流预测的研究较少，而且由于城市轨道交通进站客流在时空分布不均匀，呈现出非线性、非稳态的特点，传统的预测方法难以捕捉数据间的非线性波动，而时间序列存在间歇性，在数据分解时容易出现模态混叠的现象。……