融合复杂外部因素的轨道交通客流多步预测方法

赵 莉

(中国城市规划设计研究院，北京 100044)

摘　要：　由于环境因素、节假日及大型活动等外部因素带来的高度非线性和不确定性，使得预测轨道交通网络的多粒度动态客流是一项极具挑战的任务。为此，开发能够应对此类复杂问题的高精度预测模型至关重要。提出一种融合复杂外部因素的轨道交通客流多步预测模型(STEF-GCN模型)，该模型深度融合具有强相关性的复杂外部因素，并考虑轨道交通客流数据的时空相关性。研究结果表明，STEF-GCN模型性能显著优于其他基线模型，具体表现为：在短期与长期预测中均能实现高精度，在短期预测中其RMSE值和MAE值分别降低了8.60%～63.80%和10.05%～66.90%;模型能够更好地预测客流峰值与低谷值，把握客流的波动性;对突发情况引发的客流波动具有更强适应能力，且抗干扰性能优异。该模型有望辅助轨道交通运营方制定科学决策，提升服务效率。

关键词：　轨道交通; 客流预测; 复杂外部因素; 深度学习; 时空特征

基金项目： 北京市自然科学基金项目(8252005)

引文格式： 赵莉. 融合复杂外部因素的轨道交通客流多步预测方法[J]. 市政技术，2025，43(8)：145-151. (ZHAO L. Multi-step prediction method for rail transit passenger flow incorporating complex external factors[J]. Journal of municipal technology，2025，43(8)：145-151.)