刘 臣，陈静娴，郝宇辰，李 秋，甄俊涛

上海理工大学 管理学院，上海200093

由于地铁具有安全、准时和环保等特点，已逐渐成为人们出行的首选交通方式。以上海地铁为例，2018年日均客运量为1 015.28万人次，总客运量达37.05万亿人次。大客流量已成为各地铁站的运营常态，精确的客流量预测不仅可以为出行者提供准确的路况信息，也有助于相关部门提前部署安保措施，因此预测地铁客流量具有重要的实际应用价值。

根据之前学者的研究，交通流预测大致可以分为模型驱动和数据驱动两大类。模型驱动是基于数学工具和物理知识，通过计算模拟来形式化交通问题，如排队论[1]、用户行为仿真[2]等。然而，上述模型往往需要大量的假设来简化问题，导致模型无法精确预测现实环境中复杂的交通流变化情况。数据驱动方法则是从统计学角度来分析数据的变化规律，不考虑其物理性质，因此具有良好的泛化性。早期的传统统计学方法如历史平均模型（History Average，HA）和ARIMA（Autoregressive Integrated Moving Average model）[3]等，虽然计算简单快速，但依赖时间序列平稳分布假设，无法表达具有高度非线性特点的交通流数据。

而机器学习方法如支持向量机[4]（Support Vector Regression，SVR）与人工神经网络可以自主地从历史数据中学习到这些非线性特征，从而能较好地反映交通数据。近年来，随着数据爆炸式增长以及计算机性能的提高，深度学习成功地应用于自然语言处理、计算机视觉、目标检测等领域，引起了学者的注意，为交通流预测提供了新思路。……