基于神经网络的地铁客流长时空序列预测研究.pdfVIP

CHINAMETROS经验研讨

基于神经网络的地铁客流

长时空序列预测研究

文：曾海军，王乾丨宁波市轨道交通集团有限公司线网调度分公司

侯红磊丨宁波地铁产业工程有限公司

地铁客流预测对于城市公共交通的规划、运营、管理及提升乘客满意度具有重要意义。通过对历史运载数据的分析和预测，可以为主

管部门提供决策依据，优化运营安排，提升服务质量，节省成本，进而实现更加智慧的城市交通管理。本研究针对地铁客流长时空序

列预测问题，提出了一种基于神经网络Informer模型的解决策略。研究针对地铁客流的特点对模型进行适当的调整和优化，通过对宁

波地铁系统2023年下半年客流数据进行分析整理，构建了一个包含时间信息、节假日信息、天气条件等多种特征的长时空序列数据集，

通过该数据集对Informer模型进行训练，并对2024年数据进行预测，最后将结果与长短期记忆网络（LSTM）模型的预测数据以及

该时段真实的客流数据进行对比分析，以验证Informer模型在地铁客流长时空序列预测工作中的可行性和可靠性。

城市轨道交通作为城市公共交通的重要组成出，主要用于解决自然语言处理（NLP）中的机

部分，其客流量的管理对于缓解交通压力、提高器翻译问题。Transformer模型通过自注意力机制

运输效率具有重要意义。准确的客流预测可以帮（Self-Attention）有效地捕捉序列内的长距离依

助轨道交通运营优化车辆调度、人力资源配置，赖关系，并且能够并行处理数据，这使得它在自

提升乘客服务水平，从而提升运营效率和乘客满然语言处理（NLP）领域迅速得到广泛应用，如

意度。机器翻译、文本摘要等，但Transformer模型处理

目前，宁波轨道交通已积累大量的数据，并的序列长度通常是有限的，因此在基于长序列数

为此建立了大数据平台，为应用数据驱动的预测据的预测中存在局限性。

模型提供了基础数据支撑。地铁客流数据具有典Informer模型是针对长时间序列预测（Long

型的时间序列特性，如周期性（工作日与周末的SequenceTime-SeriesForecasting,LSTF）任务设

客流差异）、季节性（节假日的客流高峰）等特计的改进型Transformer模型。为了解决在处理长

征，另外，地铁客流也受到包括天气条件、社会时间序列时注意力机制的计算复杂度和内存用量

事件、特殊活动等多种因素影响，这些都增加了大的问题，Informer模型引入了ProbSparse自注

预测的复杂性。近年来，深度学习算法在时间序意力机制（ProbSparseSelf-attention）。该机制

列预测方面取得了显著进展。神经网络模型，特是Informer最关键的技术，是对Transformer中经

别是Transformer架构及其改进模型Informer模型，典全自注意力机制（FullSelf-attention）的改进。

在捕捉客流数据中的复杂模式并自动提取有用的Informer模型适用于数千甚至数万个时间步长的

特征方面具有显著优势。该模型可以有效地处理数据序列的预测任务，如交通客流预测、气象预测、

时间序列数据中的周期性、季节性以及多种影响股市预测等。它特别优化了长序列预测任务的效

因素，从而提高预测的准确性和稳定性。本研究率和性能，并通过多种算法上的创新，降低计算

主要使用Informer模型对地铁客流进行训练