基于深度学习的城市轨道交通网短期客流预测方法研究.pdf

华中科技大学硕士学位论文

摘要

地铁客流的准确预测不仅关系到城市交通的运行效率和安全性，也影响着城市

居民的出行便利和生活质量，对于城市交通管理、乘客出行体验和地铁运营效率都有

重要意义。准确预测地铁客流量能够帮助地铁运营商更好地调度车辆，提高运营效

率，同时也能够为乘客提供更好的出行体验。武汉拥有多条地铁线路和大量车站，地

铁客流量呈现出高速增长的趋势，尤其在节假日和特殊事件期间，地铁客流量会出现

剧烈波动，给地铁运营管理带来了巨大的挑战。地铁流量预测也因此面临着独特的挑

战，特别是高峰期客流量的复杂分布、换乘线路之间的相互影响、单一客流信息包含

的特征较少。

为了解决这个问题，提出了一种基于站点空间关系和车流观测的地铁客流量预

测算法。该算法将武汉地铁的客流数据和车流数据结合使用，构建了一个包含空间特

征、时间特征和车流特征的综合模型，通过深度学习方法，实现了对未来一段时间内

各个站点和各条线路的客流量的预测。该算法的主要工作包括：引入了车流信息作为

一个重要的特征，有效地弥补了客流数据的完整性；在客流时空关系的基础上，利用

线路关系、地理关系与实时流量关系描述各个站点和各条线路之间的相互影响，提高

了预测结果的合理性；采用了深度学习方法来处理高维度、非线性、动态变化的数据，

提高了预测结果的准确性和鲁棒性。

所设计的流量预测方法在武汉地铁客流数据上进行了实验，使用平均绝对误差

（MAE）、均方根误差（RMSE）和平均绝对百分比误差（MAPE）三个误差作为模

型的评价指标，衡量客流量预测模型的预测精度，并与其他常用的地铁流量预测方法

进行了对比。结果表明，基于站点空间关系和车流观测的流量预测方法在武汉地铁客

流数据实验中相较于其他模型有最好的预测效果，得到的评价指标MAE，RMSE与

MAPE都是最好的结果。本文方法所获得实验结果在评价指标MAE与MAPE上相

较于ASTGNN模型分别有3.21%与9.56%的提升；在RMSE上相较于STGCN模型

有8.40%的提升。消融实验结果表明，增加车流观测的模型在武汉地铁客流数据上的

I

华中科技大学硕士学位论文

实验结果MAE与RMSE分别提升了7.23%与9.19%。在不同的时间段、不同的站点

和不同的线路上，本文提出的方法都能够取得最好的效果。这些结果表明，本文提出

的基于空间关系和车流观测的客流预测方法在拥有车流观测信息的情况下能够达到

很好的客流预测效果。这一工作为地铁流量预测问题带来全新的思路和角度，也为其

他城市地铁系统提供了一种可借鉴和参考的解决方案。

关键词：短时客流量预测；地铁数据；深度神经网络；图注意力网络

II

华中科技大学硕士学位论文

Abstract

Theaccuratepredictionofsubwaypassengerflowisnotonlyrelatedtotheoperational

efficiencyandsafetyofurbantraffic,butalsoaffectsthetravelconvenienceandqualityof

lifeofurbanresidents.Itisofgreatsignificancetourbantrafficmanagement,passenger

travelexperienceandsubwayoperationefficiency.Accuratelypredictingsubwaypassenger

flowcanhelpsubwayoperatorsbetterdispatchvehicles,improveoperationalefficiency,

andprovidepassengerswithabettertravelexperience.Wuhanhasmanysubwaylinesand

alargenumber