蔡昌俊

(广州地铁集团有限公司，510335，广州/正高级工程师)

0 引言

在城市轨道交通网络化运营时期，客流过饱和情况时有发生，这对车站运营组织工作提出了很高的要求。准确预测车站短时客流量，并据此制定科学的客运计划和组织方案，将有助于实现车站客流的动态管理，提高车站的运营效率。

目前，针对短期交通量预测的模型主要包括：数理统计模型，如时间序列模型[1]、卡尔曼滤波模型[2]等；人工智能模型，如支持向量机(SVM)[3]、长短时记忆网络(LSTM)、径向基函数(RBF)神经网络等；混合模型，如小波变换(WT)与自回归滑动平均模型(ARMA)的组合模型[8]、完全总体经验模态分解与LSTM的组合模型[9]、灰狼优化算法(GWO)与小波神经网络(WNN)的组合模型[10]、卷积神经网络(CNN)与LSTM的组合模型、WT与SVM的组合模型[14]等。以上研究成果对城市轨道交通客流预测具有重要的意义。但短时客流存在随机性、突变性、动态性等难以被精确预测的特点，对于短时客流预测，现有模型存在预测精度不够高或泛化能力不强等问题。数理统计模型对数据的随机变化不够敏感，针对随机性较强的短时客流，其预测性能比较有限[11]；人工智能模型能够描述城市轨道交通短时客流量数据的非线性特征，但对于海量的小粒度短时客流数据，其预测精度还有待进一步提高。混合模型综合了各种单一预测模型的优势，在一定程度上能够提高预测精度。但是，组合模型的组合方式及组合内容对预测精度的影响较大，因此需根据数据特点选择合适的组合模型。……