孙 越 宋晓宇 金莉婷 刘 童

(兰州交通大学电子与信息工程学院 甘肃 兰州 730070)

0 引 言

近年来，由于全球地铁、高铁和磁悬浮列车等方面的高速发展和建设，国内外在客流量预测方面也做了大量的研究与应用。文献[1]提出了一种基于神经网络和起止点矩阵估计的分治方法，实现了对到达各站或离开各站的旅客数量的短期客流预测，并得到了短期内的OD矩阵。文献[2]构建了BP神经网络与灰色预测模型的组合预测模型，弥补了单个模型预测时的不足之处，得到的预测结果均优于传统灰色预测模型。文献[3]研究了ARIMA模型在航空市场需求预测中的应用，对济南至厦门航线的客流进行了分析。文献[4]通过塞尔维亚铁路网实现的月旅客统计的历史数据，得出时间序列具有较强的季节特征自相关。采用了季节性差分自回归滑动平均模型(SARIMA)来拟合并预测，结果表明该方法具有较好的预测性能。文献[5]提出了一种基于深度学习长短期记忆(LSTM)网络结构的地铁站短时客流预测方法。将预测结果与典型时间序列预测算法MLR和BP神经网络进行对比，验证了LSTM网络在地铁站短时客流量预测中具有更高的准确性和很好的适用性。文献[6]用小波变换将处理后的民航客流量信号分解，得到复杂信号的波动特征，再将其输入到BP神经网络中进行预测，效果较好。

如今机器学习发展迅速，研究表明机器学习算法能够很好地处理季节性和非线性的数据[7]。其中有应用于……