王 忻，李 晔，张思韬，张凌云

（铁科院（北京）工程咨询有限公司，北京 100081）

1 背景

我国城市化正进入高速发展时期，越来越多的城市建立了城市轨道交通系统，并且城市轨道交通在公共交通中的作用越来越显著，“智慧化”成为城市轨道交通未来的发展趋势[1]。而精准的客流预测是建设智慧化城市轨道交通的重要前提，能实现高峰客流的提前感知，可为运营期间进行动态运力调整提供数据基础，进而为城市轨道交通的安全高效运营提供保障[2]。

目前，短时客流预测主要基于2类模型：传统统计模型和机器学习模型。传统统计模型从机理上对线性系统进行刻画，具有原理简单、方便计算等优点。蔡昌俊等构建差分整合移动平均自回归模型（ARIMA）实现进出站客流的精准预测[3]。邵必林等在ARIMA模型的基础上应用季节移动平均自回归模型（SARIMA）实现客流数据线性建模[4]。帅春燕等基于支持向量回归模型实现站点短时进出站客流预测[5]。但传统数理统计模型存在对实际问题进行简化和假设的问题，对于地铁时序客流重的非线性特征难以刻画，导致预测精度不高[6]。因此，随着计算机技术的发展，基于机器学习模型的预测算法成为目前较为流行的客流预测算法，对于交通客流复杂时空特征具有较好的捕获效果[7]。魏姝瑶等将长短期记忆神经网络（LSMT）与传统统计模型结合提出SARIMA-LSTM模型[8]，但是该模型缺少对空间特征的刻画。Cao等利用卷积神经网络（CNN）提取空间特征提升了预测效果[9]，但对时间特征刻画不足。……