摘要：城市轨道交通客流量预测在规划，建设，运营与管理中是重要环节，文章综述了客流量预测的重要性，分析时空，社会经济及交通系统内部因素对客流量的综合作用，分类介绍了统计学与机器学习方法在预测过程中的具体形式。地铁管理部门借助实时且准确的客流预测结合合理配置资源，整体服务质量逐步提升，轨道交通线路形式，系统规模，车辆选型及编组等也受到预测结果的显著影响，技术不断发展，预测方法的精准性与高效性特征将更加显著地在城市轨道交通中显示。

关键词：城市轨道；交通客运量；预测算法

前言：城市轨道交通在现代城市交通体系中为重要部分，其客流量预测对规划，建设，运营与管理都存在重要影响，客流量预测不仅和地铁资源的合理配置相关，乘客出行体验，城市轨道交通的经济社会效益也受到直接影响，本文对城市轨道交通客流量预测有关研究进行综述，分析影响客流量的关键因素，探讨不同方法的预测技术，深入研究之后，期望为城市轨道交通客流量预测提供科学，准确的理论支持与实践指导。

一、城市轨道交通客流量预测的重要性

城市轨道交通客流量预测的重要性可从多个方面找到痕迹，它在城市轨道交通规划，建设，运营与管理中是重要一环节，借助实时且准确的客流预测，地铁资源调配更加合理，工作人员的配置也变得合理，疏导客流的准备措施提前完成，应急决策在突发事件下迅速生成，地铁系统的整体服务质量从而提升，对地铁站点客流进行预测后，乘客能够提前规划出行，避开高峰时段，客流拥堵现象减少，出行效率与安全性提高。城市轨道交通的建设规划与投资决策中，客流预测的重要作用不言而喻，确定轨道交通线路形式，系统规模，车辆选型及编组，设备容量及数量，车站规模及工程投资，需要准确的客流预测结果为依据[1]，实际客流增长下，车站规模，形式，间距和车辆编组达到要求，过大或过小的系统规模导致运营后客流不足或能力不足的情况能够避免，城市轨道交通项目的经济性及社会效益从而确保。

二、城市轨道交通客流量影响因素分析

（一）时间和空间因素

城市轨道交通的客流量受到时间与空间两大关键性影响，在时间分布上，客流量规律性显著，早高峰（6：00至9：00）和晚高峰（16：30至19：30）因通勤需求而大幅增加，节假日则因休闲旅游活动频繁上升，在空间分布上，土地利用形式与客流量分布紧密相关，商业区，办公区和学校等人口密集且经济活动频繁的区域通常吸引较大客流量，沿线房地产开发活跃与经济发展显著时，也会提升客流量。

（二）社会经济因素

社会经济因素显著影响城市轨道交通客流量，城市经济发展水平提升，居民收入增加，出行需求也随之提高，这些都促使城市轨道交通客流量增长。城市功能区域布局从单中心发展为多中心，各区域间的交通联系加强，客流量大幅增长，政府优先发展公共交通，控制私人汽车发展等交通运输政策，引导市民更多选择城市轨道交通出行，轨道交通票价也是重要因素，低收入人群对票价变动敏感，票价过高会降低其选择轨道交通的意愿[2]。

（三）交通系统内部因素

交通系统内部因素同样重要，服务水平吸引客流，包含列车频率，运送速度，正点率，舒适便利与乘客安全等，服务水平提高，像列车频率增加，运送速度提升，乘客吸引力增强，轨道交通线网进程与布局对客流量影响显著。线路布局多层次且换乘枢纽功能完善的状况下，轨道交通吸引力增强，自行车和常规公交与轨道交通衔接状况的重要性不言而喻，顺畅衔接方便换乘，客流量增加；衔接不顺畅时，客流量受到不良影响，加强衔接，提升换乘便利性，这是城市轨道交通客流量增加的重要措施，也包含在交通系统内部因素中。

三、城市轨道交通客流量预测方法分类

（一）基于统计学的预测方法

统计学在轨道交通客流预测方法中，核心在于对历史数据进行建模，逐步揭示数据背后的规律与趋势，时间序列分析和多元回归分析包含在这些方法中，分析过程偏重于数据处理与规律总结，数据的特征与趋势在分析中逐步显示，且分析过程的特征也逐步生成。

ARIMA模型等时间序列分析方法，处理具有时间序列特性的数据时常用，历史客流量的时间变化趋势可进行分析，周期性波动与长期趋势能够捕捉，进而预测客流量，非平稳时间序列借助差分，自回归和移动平均等步骤转化为平稳时间序列，预测模型就建立。

多元回归分析包含多个自变量，像时间，天气与节假日等，这些都对客流量这一因变量存在各种程度的影响，构建多元线性回归模型之后，自变量对客流量的影响能够量化，对未来客流量的预测也能够进行，多种因素综合考虑起来，预测的准确性和全面性提高[3]。

（二）基于机器学习的预测方法

机器学习技术的迅速发展，使城市轨道交通客流量预测中也愈加广泛地应用它，基于机器学习的预测方法训练模型时，历史客流数据的特征与规律在模型中学习，模型训练后实现对未来客流量的预测。

决策树与随机森林在机器学习算法中使用频率不低，决策树构建出树状结构，对历史客流数据特征划分后，可得到不同特征下客流量预测结果，随机森林在决策树的基础上构建多个决策树并综合预测结果，预测准确性和稳定性提升。

支持向量机（SVM）以核函数为重要前提，于高维空间中寻找最优分类面或回归面，以预测客流量，在最大化分类间隔或最小化回归误差时，预测模型逐步达到最优。

神经网络，像卷积神经网络（CNN）与循环神经网络（RNN）等深度学习算法，于客流量预测时可对非线性映射与自学习能力进行显示，多层神经网络结构构建之后，历史客流数据的特征规律逐步为算法学习，客流量预测也逐步完成，复杂的非线性关系，高维数据可借助深度学习算法处理，预测精度与泛化能力达到更高的要求。

（三）基于混合模型的预测方法

混合模型预测方法结合统计学和机器学习等技术，提升城市轨道交通客流量预测精度是重要任务，ARIMA模型的时间序列分析与神经网络非线性映射结合，随机森林稳定性与SVM高维处理能力也包含在混合模型中，各算法的优势可充分利用，CNN提取空间特征，RNN捕捉时间动态，客流特征全面捕捉，预测准确性和鲁棒性提高，混合模型方法在城市轨道交通客流量预测领域发展方向中显得重要。

四、结语

城市轨道交通客流量预测任务复杂且重要，预测过程包含多个因素与方法，综合考虑时空，社会经济以及交通系统内部因素，运用统计学和机器学习的预测方法，预测准确度将提升。技术进步与数据资源丰富，使城市轨道交通客流量预测精准度和高效性逐步提升，为可持续发展提供有力的支持，精准度和高效性逐步提升，城市轨道交通可持续发展也受到有力的支持。

参考文献：

[1]徐晨.基于深度学习的城市轨道交通客流量预测研究[D].大连交通大学， 2022.

[2]郑凯，谢国坤，王娟娟.一种基于机器视觉技术的城市轨道交通客流量检测方法[J].河北工业科技，2021，38（01）：45-49.

[3]王天羿.城市轨道交通客流量预测及调度研究[D].重庆邮电大学，2019.