段中兴，温倩，周孟，宋婕菲，王剑

(1. 西安建筑科技大学信息与控制工程学院，陕西西安 710055；2. 西部绿色建筑国家重点实验室，陕西西安 710055)

随着社会经济的快速发展，我国城市轨道交通已进入快速发展期[1]，地铁成为人们出行的主要方式之一。通风空调系统是地铁能够正常运行的必要设备，而每年通风空调系统的运营能耗占总能耗的1/3。客流预测是影响地铁通风空调系统能耗的一个重要因素，不准确的客流预测将使地铁产生大量不必要的能耗，因此对客流进行精确预测在降低地铁的运营能耗中具有极其重要的意义。目前，城市轨道交通短时客流量预测方法主要有：1) 概率估计,如马尔科夫链[2]；2) 数理统计模型，如灰色模型[3]、卡尔曼滤波[4]；3)机器学习，如支持向量机[5-6]、神经网络[7]；4)组合模型，如深度信念网络(DBN)与极限学习机的组合[8]、自回归差分移动平均模型与广义自回归条件异方差模型的组合[9]、DBN 与多模式深度融合组合[10]。概率估计适用于随机现象的数学模型，不能准确有效地进行客流量预测；数理统计模型对中长期的客流变化有较好的刻画，但对特点明显的短时客流量局限性较强；机器学习的数据种类多样，对同一问题有不同的建模方式，可以从大量历史数据中找出隐含的规律，自动学习反应数据差别的特征，用于预测或分类，可以实现机器学习的深度学习算法，具有更深的层次。由于机器学习模型的优越性，越来越多的模型被应用在客流量预测中，长短期记忆网络(Long Short-term Memory, LSTM)即为其中之一。……