池贤昭， 陈 鹏， 祝佳莉， 耿小情

(武汉理工大学 交通学院，湖北 武汉 430063)

0 引 言

面对迅猛增长的地铁建设现状,以及智慧城市和智能交通的发展需要,实时精确的客流预测作为智能交通的重要支撑就显得尤为重要。轨道交通短期客流预测通过对地铁站历史刷卡数据的分析,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,可以最终实现用大数据和人工智能等技术助力未来城市安全出行。

现有研究大都从地铁客流的周期性或者随机性出发,针对性的提出预测方法。比较经典的方法有时间序列法[1,2]、非线性回归法[3,4]、参数回归法[5-7]等。近年来,很多学者考虑到实际客流的复杂性和单一预测模型的片面性,针对不同的客流状况,尝试利用组合模型来预测短期客流。通过选取两种或两种以上的客流预测方法进行组合,提高预测精度,实现优势互补。郝晓涛[8](2016)根据交通流特性,在交通流时间序列数据聚类分析(CA)的基础上,通过WNN神经网络模型和ARIMA时间序列统计模型的组合模型来预测交通流,相较于传统的短时交通流预测模型,组合模型在预测精度、预测速度和稳定性上都有了明显的提高。高杨等[9](2016)以小时客流量为预测时间粒度,构造一种基于组合误差优化模型的城市轨道交通短期客流预测模型。模型预测效果良好,但考虑因素单一,忽略了时空、客流属性、票价以及车站运输能力等多维度因素的影响。……