基于多源数据和融合网络的铁路客流需求预测研究.pdfVIP

2025.09科学技术创新-65-

基于多源数据和融合网络的铁路客流需求预测

研究

刘健，汪颖*

（中国铁路兰州局集团有限公司，甘肃兰州）

摘要：本文提出了一种名为VSFNet的多变量时间列预测模型，用于提高铁路客流量预测的准确性。

VSFNet结合特征选择和深度学习，将变量分为高相关性和低相关性两类。高相关性变量通过Transformer提取

特征，低相关性变量经PCA降维后，用BiLSTM结合Attention机制提取特征。这些特征在多层结构中融合，并

通过跳连接和残差连接增强信息传递。实验结果示，VSFNet在MSE、MAE和MAPE等指标上优于传统和现

代模型，示出在复杂时数据处理上的优势。

关键词：铁路客流预测；多源数据；特征提取；深度学习模型

图分类号U293文献标识码A文章编号2096-4390渊2025冤09-0065-04

i

中期预测。定义第t天的第i个变量为X，第t天的客

1背景概况t

流量为Y。通过一个二维矩阵表示T天的N个变量公

铁路客流既受季节性、节假日和旅游等周期因素t

影响，又受突发事件、气候和出行行为等因素影响，从式（1）所示：

iiiiT

[1]X(x,x,...,x)(i1...N)(1)

而导致客流的高复杂、高波动、随机性等。从预测方12T

法来看，目前国内外相关客流需求预测的研究方法大二次筛选是指对铁路客流的影响因素进行二次

[2][3]提取，基于二次数据筛选的结果，对于不同数据特征

致可分为以下几类：经典统计方法、人工智能与机

[4]选择两个分支进行特征提取：第一个分支使用处理器

器学习方法。虽然人工智能与机器学习方法模型的

f，第二个分支使用处理器f。

解释性较差，但因为其能够处理受季节性变化、节假子B

日、经济等多种因素影响下的复杂的非线性关系，因2.2模型构建

[5]首先使用斯皮尔曼相关系数进行划分，其中相关

此能够更好地捕捉和预测客流的变化模式。

基于以上分析本文提出了基于多源数据的二次系数大于等于琢的划分到Xdata_1中，共有e个高相关

筛选特征融合模型VSFNet，对信息重要度进行分类，系数变量，相关系数小于琢的划分到Xdata_2中，共有f

以此来挖掘潜在的客流需求演变规律。通过充分提取个因素变量。再对Xdata_2使用PCA提取前g个成分以

其中的变量间关系及目变量和变量的相关性，能够更新Xdata_2，使用BiLSTM+Attention提取，对Xdata_1使用

更多维地、更灵活地捕捉客流的变化趋势，实现对铁Transformer进行特征提取。考到