朱士光，四兵锋，崔鸿蒙，薛景文

(北京交通大学 交通运输学院，北京 100044)

城市轨道交通站间起讫点(origin destination，OD)客流及其时空分布是制定路网规划、运营组织的重要依据，把握客流OD时空特征并对其进行精准预测对于城市轨道交通运营管理具有重要意义。根据客流预测的时间粒度和周期，城市轨道交通OD客流预测可分为长期的静态OD预测和短期的动态OD预测[1]。前者主要是基于社会经济因素，对未来路网中的均衡OD客流进行预测，主要用于路网规划或宏观政策的制定；而后者则关注短时或短期的分时段OD客流的变化规律，常采用基于数据统计的时间序列方法，可得到未来特定时间段的OD客流，主要用于城市轨道交通的客流组织、管控以及行车调度等。

目前，交通OD客流预测的数据基础主要有手机信令数据[1-2]、GPS数据[3]以及智能交通卡数据[4-5]3种类型。由于城市轨道交通系统相对封闭，受外界干扰程度较低，且通过自动售检票系统(AFC)就可以实时获取乘客的进站、出站等时空信息。因此，一些学者基于AFC数据，对城市轨道交通OD客流预测进行了研究。早期的预测方法主要是基于历史数据统计分析的集计模型，包括时间序列分析模型[6-7]、卡尔曼滤波模型[8-9]、k近邻算法模型[10]等。这类方法的优点是计算简单、容易实现，但对于复杂条件下的OD预测稳定性较差。近年来，基于数据学习的预测方法由于具有良好的自适应性和较强的数据拟合能力，被广泛地应用于复杂条件下的交通预测，包括支持向量机模型、神经网络模型、深度学习模型等[11-13]。……