郭 淼

（中国铁路武汉局集团有限公司 汉口车站，武汉 430000）

铁路客运站客流量是铁路行车组织中制定开行方案、编制列车运行图和完成客流输送的重要依据。准确预测大型客运站的客流量，有利于铁路运输部门根据车站客流变化趋势和客流周期性特征，制定有效、经济的开行方案，编制适应旅客出行需求的列车运行图，实现铁路大型客运站客流的高效、安全、及时输送。

目前，国内关于铁路客流预测方法已有不少研究，这些方法针对的预测对象各有不同。李丽辉[1]等人运用基于随机森林回归算法，建立高速铁路短期客流预测模型，对京沪高速铁路2015 年7、8 月份的下行客流进行预测，预测精度高达0.92；豆飞[2]等人建立铁路客运专线的模糊K 近邻（FKNN，fuzzy knearest neighbor）预测模型，并利用2011—2012 年中3 个月的短期客流数据，验证预测模型的有效性；段然[3]等人针对节假日与非节假日2 种类型客流，分别采用波动系数模型及SARIMA 模型，对某铁路车站的客流量进行预测。

本文采用支持向量回归（SVR，Support Vector Regression）方法，以汉口枢纽站为例，研究将支持向量回归方法应用于预测铁路大型客运站客流量的效果。

1 支持向量回归模型简介

支持向量机是一种二分类模型，其本质是在多维空间中找到一个超平面（例如二维空间中的直线和三维空间中的平面），来对需要研究的样本进行分割，使得分割后的各子样本间隔最大化，转化为凸规划问题进行求解。对于回归问题，可引入支持向量机模型，对给定样本D={(x1,y1),(x2,y2),···,(xn,yn)}，求得一个回归模型F(x)=ωT x+b，ω为决策面的法向量，b为决策面的位置，使得预测值F(x)与真实值yn之间尽可能接近。……