强添纲，刘 涛，裴玉龙

（东北林业大学 交通学院，黑龙江 哈尔滨 150040）

0 引言

随着城市经济的不断发展，越来越多的城市选择建设地铁来缓解当地的交通拥堵。城市地铁网络规模不断扩大、客流量不断增加等因素对地铁的运营管理提出更高的要求，如何利用地铁客流数据准确预测未来一段时期的客流量，对于制定合理的运营管理策略尤为重要。

目前，客流量预测方法主要分为基于时间序列的统计预测模型、基于非参数的预测模型和组合预测模型。基于时间序列的预测模型方面，赵鹏等[1]利用季节求和自回归移动平均模型（SARIMA）对北京地铁的端点站、中间站、换乘站及接驳站进行客流预测，结果表明SARIMA模型有较高的预测精度。李洁等[2]利用SARIMA模型预测广州南站、小榄站的发送客流量，与随机森林（RF）、支持向量机（SVM）等预测方法对比发现在预测步长较大时SARIMA模型最优。马超群等[3]利用求和自回归移动平均模型（ARIMA）进行拟合，并与自回归模型（AR）、支持向量线性回归模型（SVR）、反向传播（BP）神经网络进行对比，发现在不同时间粒度下ARIMA模型平均预测精度最高。王莹等[4]利用SARIMA模型对北京地铁进站客流量进行预测，结果显示模型预测的平均误差为0.3%。

基于非参数预测模型方面，Du等[5]提出一种比传统客流预测模型效果更好的深度不规则卷积残差（DST-ICRL）长短记忆（LSTM）网络模型。Liu等[6]提出了一种端到端的深度学习架构（DeepPF）来预测地铁客流量，研究结果表明DeepPF拥有较高的预测精度。Li等[7]提出一种多尺度径向基函数（MSRBF）网络预测地铁客流量，实验表明该模型预测精度高于其他智能模型。……