基于分类特征融合的城市轨道交通车站短时客流量预测模型.pdfVIP

摘要

城市轨道交通短时客流量预测是实现精细化运营管理和优化调度方案的重要

基础。为解决不同站点客流异质性对预测精度的影响，本文基于重庆市轨道交通

AFC数据，提出了一种融合站点功能分类、站点周期特征与趋势特征等多元数据

的短时客流预测方法。

本文选取了POI（兴趣点）密度与多样性指数、建成环境等3大类11小类土

地利用相关指标，构建站点属性描述体系。通过主成分分析（PCA）降维去冗余，

最终采用K-means算法将轨道站点分为居住型、工作型、职住混合偏居住型、职

住混合偏工作型和商业主导型五类。不同类别轨道站点的客流分布、相似性、平

稳度等指标特征差异明显。

针对轨道交通客流序列存在的局部波动强、长期依赖性显著与关键时间步驱

动特征不明确等问题，建立基于卷积神经网络（CNN）、双向长短期记忆网络

（BiLSTM）与多头注意力机制（MultiheadAttention）的组合模型CBM

（CNN-BiLSTM-MultiHead），用于单站点时间序列数据的短时客流量预测。采用

Optuna框架对模型的卷积核数量、核大小、LSTM隐藏单元数、注意力头数、学

习率、批量大小与训练轮数等超参数进行自动化搜索与调优。实证结果表明，CBM

模型在所有站点类型上均优于传统的LSTM、BiLSTM和BiLSTM-Attention模型。

分别提取站点客流的周期特征和趋势特征，作为CBM模型的输入，构建两种

特征融合的预测模型。首先提取车站的初始周期特征曲线，运用非负矩阵分解，

通过多次选代优化得到站点以“星期几”为基线的“周期特征”。采用小波分解提

取无法被周期特征解释的突变波动信息，作为站点“趋势特征”表达。最终将周

期特征与趋势特征作为CBM模型的输入，提升预测模型的精度与泛化能力。结果

表明，引入融合特征后，CBM模型平均预测精度提升了4.76%，其中职住混合偏

居住型提升幅度最高，达10.427%。

综上，本文以轨道交通车站的AFC大数据为基础，结合车站POI、建成环境

进行分类，并提取分类站点的客流特征成分，实现了周期特征与趋势特征的融合

预测，构建了一套具有解释力、适应性强的客流预测框架，为城市轨道交通的运

营管理提供决策支持。

关键词：城市轨道交通，短时客流预测，周期特征，趋势特征，CBM模型

I

ABSTRACT

Short-termpassengerflowpredictionofurbanrailtransitisanimportantbasisfor

realizingrefinedoperationmanagementandoptimalschedulingscheme.Inorderto

solvetheinfluenceofpassengerflowheterogeneityatdifferentstationsonprediction

accuracy,basedontheAFCdataofChongqingrailtransit,thispaperproposesa

short-termpassengerflowpredictionmethodthatintegratesmultivariatedatasuchas

stationfunctionclassification,stationcyclecharacteristicsandtrendcharacteristics.

Inthispaper,threecategoriesof11sub-categoriesoflanduserelatedindicators

suchasPOI(pointofinterest)densityanddiversityindexandtrack