基于深度学习模型的城市轨道交通客流预测研究.pdfVIP

工程技术｜ENGINEERINGTECHNOLOGY

DOI：10.15913/j.cnki.kjycx.2025.16.035

基于深度学习模型的城市轨道交通客流预测研究

杨雅茹

（首都经济贸易大学管理工程学院，北京100070）

摘要：随着城市轨道交通的快速发展，精确的客流预测成为保障城市轨道交通运营安全和提升效率的关键。提出了一种

ResLSTM-XG混合模型，结合了残差网络（ResNet）、注意力机制长短期记忆网络（AttentionLSTM）和极限梯度提升（XGBoost）。

该模型通过残差连接缓解梯度消失问题，利用注意力机制捕捉关键时序特征，并用XGBoost修正预测误差。实验结果表

明，ResLSTM-XG在短期客流预测中显著优于传统方法，特别是在客流波动较大的场景下，能提供精准的分钟级预测，提升

城市轨道交通运营效率和系统安全性。

关键词：城市轨道交通；客流预测；注意力机制；深度学习

中图分类号：U293.13；TP18文献标志码：A文章编号：2095-6835（2025）16-0127-03

随着中国城市轨道交通网络的迅速发展，精细化述，现有研究在预测精度、模型稳定性和多因素融合等

的客流预测已成为保障城市轨道交通运营安全和提高方面仍存在挑战，需要在这些问题上进行进一步探索。

运营效率的核心。城市轨道交通客流预测根据城市轨鉴于此，本文提出了一种ResLSTM-XG混合模型，

道交通系统的物理拓扑可分为网络级、线路级和车站旨在提升轨道交通客流预测精度并精准捕捉轨道交通

级预测，不同层次的预测可满足不同利益相关方的需客流的复杂时空动态特征。该模型不仅为城市轨道交

求。城市轨道交通运营公司通常关注网络级或线路级通运营管理提供了科学决策支持，还能在列车调度、车

的客流数据，以评估全局运行状况，制定合理的列车调站限流等场景中提供分钟级预测结果，支撑轨道交通

度和资源配置。而车站工作人员则侧重于车站层面的系统的“预测—响应—优化”全流程智能运营，提升运

客流情况，便于及时引导乘客、保障车站秩序。当车站营效率，优化资源配置，确保交通安全与顺畅。

客流预测超过设计容量时，需采取有效的客流管理措

1模型构建

施，如限制进站流量和引导乘客进站，以减轻高峰期的

压力，防止过度拥挤带来的安全隐患。此外，短期客流1.1残差网络

预测对于确定发车间隔和列车运行计划至关重要，能ResNet旨在解决深层神经网络训练中的梯度消失

够优化列车调度，提升系统整体运输能力和乘客满意和梯度爆炸问题。其核心思想是通过引入残差块，使

度。因此，准确的客流预测不仅能够提高城市轨道交网络能够更有效地训练更深层次的结构。一个基本的

通的运营效率，还能改善乘客的出行体验，吸引更多人残差块包含卷积层、批量归一化层和激活层，模型训练

选择城市轨道交通出行。输出为：

在城市轨道交通客流预测领域，现有的研究主要X=F（X）+X（1）

l+1ll

沿着以下方向发展。传统的自回归积分滑动平均式中：X为残差块的输出；X为残差块的输入。

l+1l

（ARIMA）模型受限于线性假设，难以捕捉客流数据的