一种基于多源数据与时滞建模的机场巴士短时客流预测模型

A short-term airport bus passenger flow prediction model based on multi-source data and temporal lag modeling

摘要

机场巴士作为连接城市与机场的重要交通方式，其短时客流受航班动态、地铁运营、员工通勤及天气等多源因素耦合影响，具有显著的非线性、时变性与波动性。航班到达会带来旅客出行需求，但旅客从落地至乘坐巴士需经历下机、行李提取、步行至站台等过程，使航班信息对巴士客流呈现滞后驱动效应。地铁运营状态会改变旅客的交通方式选择，当地铁停运或发车间隔变化时，机场巴士客流可能出现明显波动。此外，员工集中上下班则会在特定时段形成稳定但突出的通勤客流峰值。多类因素在时间上的错位叠加使机场巴士客流变化规律更加复杂化，从而给运营调度、运力配置及短时客流的精准预测带来挑战。本文提出了一种融合多源数据与时滞建模机制的GTC （Gamma Temporal Convolution）-TCN （Temporal Convolutional Network）-LSTM （Long Short-Term Memory）-Attention预测模型。模型整合历史客流、航班动态、地铁运营、员工通勤及天气等多源异构数据构建了多维时空特征体系，增强对复杂客流模式的刻画能力。模型引入Gamma时间卷积核来模拟航班到达至乘客乘车的时间延迟分布，有效捕捉航班信息对客流的滞后驱动效应。模型架构融合时间卷积网络、长短期记忆网络与注意力机制，分别建模局部动态特征、长期依赖关系及关键因素响应，以提升预测表现。本文以咸阳国际机场为对象开展实证分析，并与多种基线模型进行比较。结果表明，所提模型在测试集上的R²值为0.912 5，RMSE值为28.55，MAE值为19.82，预测性能优于各基线模型。其中，与单一机场巴士历史客流模型及未引入Gamma机制的多特征模型相比，平均预测误差分别降低13.6%和8.0%，验证了所提方法的有效性与稳定性。

Abstract

As an important mode of transportation connecting urban areas and airports， airport shuttle buses are affected by multiple coupled factors， including flight dynamics， metro operations， employee commuting， and weather conditions， resulting in significant nonlinearity， time variability， and fluctuations in short-term passenger flow.Specifically， flight arrivals generate passenger demand， but passengers must go through processes such as disembarkation， baggage claim， and walking to the bus stop before boarding， leading to a lagged driving effect of flight information on bus ridership.Metro operation conditions may change passengers’ mode choices， causing noticeable fluctuations in airport bus demand when metro services are unavailable or headways vary.In addition， concentrated employee commuting creates stable but prominent demand peaks during specific periods.The temporal mismatch and superposition of these factors make airport bus passenger flow patterns more complex， posing challenges to operational scheduling， capacity allocation， and accurate short-term passenger flow prediction.To enhance the accuracy of short-term passenger flow forecasting for airport shuttles， the GTC （Gamma Temporal Convolution）-TCN （Temporal Convolutional Network）-LSTM （Long Short-Term Memory）-Attention model is proposed， which integrates multi-source data and a time-delay modeling mechanism.The model incorporates heterogeneous data sources， including historical airport shuttle ridership， flight dynamics， metro operations， employee commuting data， and weather conditions， to build a comprehensive multidimensional feature input framework， thereby improving the representation of complex spatiotemporal flow patterns.A Gamma-based temporal convolution kernel is introduced to simulate the time-delay distribution between flight arrivals and passenger boarding， effectively capturing the lagged effect of flight information on shuttle ridership.The model architecture combines TCN， LSTM， and an attention mechanism to respectively model local dynamics， long-term dependencies， and responses to key driving factors， enabling accurate short-term forecasting.To show the performance of the proposed model， a simulation analysis is implemented based on the data from Xianyang International Airport.The empirical results indicate that the proposed model achieves an R² of 0.912 5， an RMSE of 28.55， and an MAE of 19.82 on the test set， significantly outperforming multiple baseline models.Compared with a single-feature model using only historical ridership data and a multi-feature model without the Gamma mechanism， the proposed model reduces the average prediction error by 13.6% and 8.0%， respectively.These results demonstrate that the proposed model can effectively handle complex variations in shuttle demand driven by multi-source data， offering high predictive accuracy and strong practical value.

Graphical abstract

关键词

城市运输 / 机场巴士 / 短时客流预测 / 深度学习 / 多源数据 / Gamma时间卷积

Key words

urban traffic / airport shuttle bus / short-term passenger flow prediction / deep learning / multi-source data / Gamma temporal convolution

随着航空运输业的持续发展，航空出行旅客数量不断增长，机场成为城市综合交通体系中的关键枢纽节点。根据中国民用航空局发布的数据，截至2023年底，全国已建成259座民用机场，其中超过一半分布于远离城市中心的区域。为提升旅客出行便捷性，缓解机场周边的交通压力，多数机场已开通机场巴士，作为连接市区与机场的重要公共交通方式^［1］为进出港旅客及机场工作员工提供运输服务。机场巴士客流量受航班计划、旅客出行行为等多种因素的综合影响，呈现出高度波动性^［2］，给运营调度与运力配置带来了较大挑战。实现对机场巴士短时客流的精准预测不仅是优化车辆调度、提高运力匹配效率、减少旅客等待时间的关键手段，也是提升旅客出行体验、保障机场交通系统高效运行与可持续发展的重要基础。

截至目前，尽管客流预测在城市公共交通领域已有广泛研究，但针对机场巴士的短时客流预测相关研究仍较为有限。就我们所能查到的文献，仅He等^［3］对机场快线的客流预测进行了研究。然而，他们的研究仅考虑历史客流数据和天气的影响，未考虑航班计划等其他因素的影响。相比常规公交，机场巴士客流在时间和空间维度上表现出更复杂的变化模式，客流波动不仅受到机场员工通勤、节假日出行高峰等一般性因素影响，还与航班动态、天气状况、地铁等其他交通方式的转运情况密切相关。例如，在航班集中到达、员工集中下班或地铁停运时段，巴士客流可能骤然上升，而在航班取消或深夜航班量减少的时间段客流又可能迅速回落。这些复杂动态的影响因素使机场巴士客流预测的难度显著提升，传统依赖于单一数据源的预测方法难以满足实际需求。

近年来，多源数据融合成为公共交通客流预测领域的重要研究方向。大量研究表明，融合不同类型数据不仅能够更全面地刻画客流变化的时空特征，还能有效提升预测模型的精度。在常规公交和地铁客流预测中，不同类型的数据被广泛引入。传统数据，如历史客流、天气、节假日信息等，被广泛用于建模^［4］。同时，部分研究者开始关注和挖掘新型数据源，如Fu等^［5］融合手机信息数据增强对动态客流的把握能力，户佐安等^［6］将刷卡数据与兴趣点、出行行为等特征融合进行特征提取与聚类预测，提升模型的适应性与泛化能力。Cui等^［7］和Cheng等^［8］从城市运行状态出发，分别引入时空动态信息与跨城市关联数据，探索对城市轨道交通客流进行短时预测，有效提升对复杂客流变化模式的捕捉能力。

在方法层面，融合深度学习的预测模型已成为预测性能提升的主流路径。研究者开始将长短期记忆网络（Long Short-Term Memory， LSTM）、时间卷积网络（Temporal Convolutional Network， TCN）和注意力机制（Attention）等不同模块进行融合，增强模型对复杂时空依赖的建模能力。Zhang等^［9］利用卷积神经网络（Convolutional Neural Network， CNN）与TCN结合提取关键断面时序特征。赵利强等^［10］构建TCN-LSTM网络以适应多场景客流预测。Zheng等^［11］借助图注意力机制融合多源空间特征。王泰州等^［12］提出融合LSTM与Transformer的深度学习模型，考虑多种类型站点与时序特征，显著提升城市轨道交通短时客流预测的精度。

尽管现有研究在城市地铁与公交客流预测中取得了显著进展，但这些模型在机场巴士领域的适用性仍存在不足。机场巴士客流高度依赖航班旅客的到港情况，但由于行李提取、场内移动等因素，航班到港与实际乘车行为之间存在显著时滞效应^［13］。因此，直接将航班信息作为静态外部变量输入模型难以有效捕捉其对未来客流的非同步驱动作用，进而影响模型对客流波动的响应能力和预测精度。

本文针对机场巴士客流受多因素驱动且时序特征复杂的特点，提出了一种融合多源数据与延迟机制建模的GTC-TCN-LSTM-Attention预测模型。模型充分整合历史客流、航班动态、地铁运营、员工通勤和天气信息等多源数据，通过构建全面的特征体系来提升模型对复杂时空变化的响应能力。在此基础上，模型引入Gamma时间卷积核（Gamma Temporal Convolution， GTC），显式地建模航班到港信息对巴士客流的滞后影响规律，以增强航班数据在多源数据体系中的驱动作用与时序表达力。主模型结构融合TCN、LSTM与Attention模块，分别用于提取局部时序模式、捕捉长期依赖关系与强化关键特征，使模型在多源特征协同表达的基础上进一步提升预测精度。为验证所提模型在不同运行场景下的预测性能，本文基于咸阳机场巴士运行数据进行了实证研究，以便为机场巴士运营调度与服务优化提供数据支持与决策依据。

1 机场巴士客流特征分析

机场巴士作为连接机场与城市各个区域的主要交通方式之一，在旅客和通勤人员出行中发挥着重要作用。深入分析机场巴士的客流特征，能够为预测乘坐机场巴士的客流量、优化服务及提升机场交通效率提供重要依据。本文在整体建模实验中使用了咸阳国际机场2024年4月至2024年7月的多源数据，本节中我们选取其中6月1日至6月30日的机场巴士运营数据作为典型样本对客流特性进行统计分析。

历史客流数据可以有效反映机场巴士客流的周期性变化与基本趋势。通过统计每日到达机场的总旅客人数与实际乘坐机场巴士的乘客数量，可以发现机场巴士平均承载旅客数量约占每日到达旅客总数的5.6%。尽管占比较低，但其日均客运量仍达到4 752人次，可见机场巴士在保障旅客出行方面仍面临较大的运力调度与服务压力。

乘客群体结构是影响机场巴士客流波动特征的关键因素，准确识别不同类型乘客的出行需求对于提升客流预测精度具有重要意义。如图1所示，机场巴士的乘客主要包括乘坐航班的旅客与机场内部通勤人员两类。从图中可以看到，通勤客流在整个时间段内维持在相对稳定区间，通常每日在800至1200人次之间，但仍存在一定波动，这可能是受到排班制度、工作日与休息日的变化等因素影响。相比之下，总客流量的波动幅度更为显著，说明以到达旅客为主的非通勤人群在机场巴士需求中占主导地位，并且易受航班到达量、天气状况等多种外部因素的干扰。因此，在建立机场巴士客流预测模型时，必须充分考虑乘客构成的异质性及其需求差异。

为了更全面地刻画机场巴士客流的时序特征，本文对机场巴士在一天中不同时段的平均客流量及其影响因素进行统计分析。如图2所示，统计以小时为单位展示了平均每天每小时机场到达航班数量（折线图）与机场巴士客流量（柱状图）的关系。其中，蓝色柱状图表示地铁未运营时段的平均客流量，橙色柱状图则表示地铁正常运营时段的平均客流量。通过图2可以发现，机场巴士的客流量总体趋势与机场到港航班数量具有较强一致性。例如，在凌晨4：00至6：00时段，航班到达量明显减少，机场巴士的客流量也随之显著下降。然而，二者之间并非完全同步，尤其是在早高峰时段表现尤为明显。尽管自7：00起到港航班数量已开始回升，但同期机场巴士的客流量仍维持在较低水平。这是因为旅客从航班落地到实际乘坐机场巴士之前通常需经历行李提取、步行至站台等一系列流程，导致机场航班到达时间与乘客乘坐巴士时间之间存在一定的滞后。对比有无地铁运营时段的机场巴士客流可发现，在航班数量相近的前提下，地铁未运营时段的巴士客流通常高于地铁运营时段。这表明在无地铁可选的条件下机场巴士成为旅客前往市区的主要公共交通方式，承担更多运力。此外，在16：00时段，机场巴士客流显著增加并达到全天最高水平。结合图3可以发现，该时段有大量的通勤员工乘坐机场巴士，其客流占比超过70%，说明通勤需求对机场巴士整体客流有显著影响。

综上所述，机场巴士客流受到航班到达节奏、地铁运营状态以及通勤需求等多种因素的共同影响，各类数据之间存在复杂的非线性相关系。在进行短时客流预测建模时，有必要融合机场巴士历史客流数据、航班动态信息、地铁运营时段及通勤员工出行规律等多源数据，以提升预测的准确性与模型的鲁棒性。

2 机场巴士客流预测模型

基于多源数据驱动的建模思路，GTC-TCN-LSTM-Attention模型首先通过统一的特征构建与融合机制整合多源异构数据，构建时序输入向量，在此基础上引入GTC建模外部因素的滞后效应，并融合TCN、LSTM与Attention结构分别提取局部趋势、长期依赖与关键特征信息，实现对未来客流变化的精准刻画。

2.1 多源数据特征构建与融合

为提升机场巴士客流预测的准确性与模型的泛化能力，本文引入航班信息、巴士历史客流、地铁运营、员工通勤行为及天气等多源异构数据。这些数据从不同维度刻画旅客出行意图与外部扰动因素，具有显著的异质性、滞后性和时序相关性，需通过统一的特征构建与融合机制进行集成建模。

首先将所有数据按固定时间粒度对齐，形成统一的时序输入结构，并对航班信息等存在滞后效应的变量引入GTC进行建模。数值型变量经归一化处理，类别型变量采用独热编码转化为稀疏向量。最终，将所有处理后的特征融合为统一输入向量x_t，如式（1）所示，用于预测模型训练。

{\mathbf{x}}_t=[x_{\mathrm{1}},x_{\mathrm{2}},\cdots ,x_{\eta }]（1）

其中\eta为模型输入特征的总数。

2.2 Gamma时间卷积

在机场巴士短时客流预测中，到港航班旅客是最主要的客流来源之一。旅客自航班落地至最终乘坐机场巴士通常需要经历一系列连续性的出站流程，如下机排队、托运行李提取、步行至机场交通区域等，每一环节均需一定时间，且不同旅客在各环节所耗费的时间存在差异。因此，即使同一航班的旅客在同一时间落地，实际到达机场巴士乘车区域的时间也会呈现出错峰特征，整体表现为“分批次逐渐汇聚”的动态过程。

从航班到达至旅客乘坐机场巴士的时间延迟整体上具有统计规律性。已有研究表明，大多数旅客会在航班落地后一段时间内集中抵达，但仍有部分旅客存在较长延迟，该延迟过程整体近似符合Gamma分布^［14］。为了更真实地刻画到达旅客从航班落地到乘坐机场巴士之间的时间延迟特性，本文在预测模型中引入GTC机制。该机制基于Gamma分布的概率密度函数对不同落地时刻的航班乘客数量进行加权，模拟旅客在完成行李提取、通关、步行等过程后延迟前往巴士站的行为。在实际操作中，通过对各时间段内到港航班旅客人数进行卷积计算得到引入延迟效应后每个预测时刻的潜在乘客总量，增强模型对航班滞后影响的表达能力，提高对机场巴士短时客流的预测精度。旅客落地后，经过Δt时间到达巴士站的概率可由Gamma分布的概率密度函数表示，即

p(\mathrm{\Delta }t)=\frac{{\beta }^{\alpha }}{\mathrm{\Gamma }(\alpha )}\mathrm{\Delta }{t}^{\alpha -\mathrm{1}}{\mathrm{e}}^{-\beta \mathrm{\Delta }t}（2）

其中，Δt表示旅客延迟时间，α>0为形状参数，β>0为速率参数，Γ（⋅）为伽马函数。

为了在时间序列建模中应用，需要将连续的Gamma分布离散化，构造一个长度为K的Gamma卷积核，即

\mathbf{g}=[p(\mathrm{0}),p(\mathrm{1}),\cdots ,p(K-\mathrm{1})]（3）

其中，K表示卷积核的窗口长度，p（j）对应于式（2）在离散时间点Δt=j的取值，即旅客在航班落地后延迟j个时间步到达巴士站的概率。

设在时刻t的航班到港旅客量为a_t，则最近K个时间步的旅客量序列为A=［a_t-K+1，…，a_t ］，将旅客量序列A与Gamma卷积核进行一维卷积可以得到考虑延迟效应的修正特征，即

{\tilde{a}}_t={\displaystyle \sum _{j=\mathrm{0}}^{K-\mathrm{1}}}{g}_j{a}_{t-j}（4）

其中，{\tilde{a}}_t表示在时刻t实际可能到达巴士站点的旅客数量，g_j表示旅客在延迟j个时间步后到达巴士站的概率。式（4）表明，当前时刻到站客流不仅来自于同时刻落地的旅客，还包括过去K个时间步内落地旅客经Gamma分布加权后的部分，从而显式地建模旅客到达的时滞效应。

2.3 TCN

TCN通过卷积操作从局部时间序列中提取有用特征，能够处理长时间依赖性和多步预测问题。与传统的递归神经网络（Recurrent Neural Network， RNN）和LSTM不同，TCN通过卷积核在时序数据中滑动直接在时域上进行特征提取，避免RNN中的梯度消失或梯度爆炸问题。在机场巴士客流预测中，TCN被用于从历史的多源数据中提取局部的时序特征，为后续LSTM模型提供更为丰富的输入。卷积操作为

r_t={\displaystyle \sum _{m=\mathrm{0}}^{M-\mathrm{1}}}{w}_m{x}_{t-m}（5）

其中，r_t 是当前时刻t的输出，x_t-m 是在时间步t-m上的输入，M是卷积核的长度；w_m 是卷积核在第m个位置的权重。

2.4 LSTM

LSTM是长时间序列建模中最常用的模型之一，特别适合于捕捉数据中的长期依赖关系。LSTM通过引入记忆单元和门控机制，能够保留重要信息并抑制不相关的噪声。对于机场巴士客流预测问题，LSTM的作用是基于航班到达时间、乘客出行特征等历史数据学习长期趋势，预测未来的巴士需求。此外，LSTM不仅能学习周期性变化，还能够应对突发的航班延误等异常情况。

LSTM的核心是其内部的门控结构，通常包括遗忘门f_t （式（6）），输入门i_t （式（7）），候选记忆单元{\tilde{C}}_t（式（8）），更新记忆单元C_t （式（9）），输出门o_t （式（10）），以及隐藏状态h_t （式（11））。LSTM的基本数学公式如下：

f_t=\sigma ({\mathbf{W}}_f·[h_{t-\mathrm{1}},x_t]+b_f)（6）

i_t=\sigma ({\mathbf{W}}_i·[h_{t-\mathrm{1}},x_t]+b_i)（7）

{\tilde{C}}_t=\mathrm{t}\mathrm{a}\mathrm{n}\mathrm{h}({\mathbf{W}}_c·[h_{t-\mathrm{1}},x_t]+b_c)（8）

C_t=f_t·C_{t-\mathrm{1}}+i_t·{\tilde{C}}_t（9）

o_t=\sigma ({\mathbf{W}}_o·[h_{t-\mathrm{1}},x_t]+b_o)（10）

h_t=o_t·\mathrm{t}\mathrm{a}\mathrm{n}\mathrm{h}(C_t)（11）

其中，\sigma是sigmoid激活函数，tanh是双曲正切激活函数，W_f 、W_i 、W_c 、W_o 分别为遗忘门、输入门、候选记忆单元与输出门的权重矩阵，b_f 、b_i 、b_c 、b_o 分别为遗忘门、输入门、候选记忆单元与输出门的偏执向量，h_t-1 是上一时刻的隐藏状态，x_t 是t时刻的输入。

2.5 Attention

注意力机制能够根据不同时间步对输入进行加权，以突出重要的信息，减少无关信息的干扰。特别地，在处理复杂的时间序列数据时，注意力机制能够自动地选择对预测有贡献的输入部分。在机场巴士客流预测中，注意力机制对每个时间步的输入（如航班到达信息、地铁运营状况等）进行加权，学习哪些时间段的输入对未来的巴士需求具有较大的影响。通过这种方式，模型能够自适应地调整不同因素的权重，提高预测准确性。

在GTC-TCN-LSTM-Attention模型中，注意力机制一般作用于LSTM的输出，计算每个时刻的加权输出。计算过程如下：

{\gamma }_t=\mathrm{e}\mathrm{x}\mathrm{p}(s_t)/{\displaystyle \sum _{i=\mathrm{1}}^T}\mathrm{e}\mathrm{x}\mathrm{p}(s_i)（12）

x{\mathrm{\text{'}}}_t={\gamma }_t{x}_t（13）

其中，{\gamma }_t表示第t个时间步对应的归一化注意力权重，s_t 为第t个时间步的注意力得分，其计算方式参考Vaswani等^［15］的研究，T是时间步的总数，x{\mathrm{\text{'}}}_t为加权后的输出。

2.6 GTC-TCN-LSTM-Attention模型架构

机场巴士短时客流受多源因素影响，具有显著的非线性、时变性与多尺度特征，同时还存在突发波动与周期性变化并存的复杂规律，单一模型难以全面捕捉其内在模式。因此，本文将GTC、TCN、LSTM与Attention结构进行集成建模，GTC将乘坐航班到港的旅客进行卷积加权，模拟旅客在完成行李提取、通关、步行等过程后延迟前往巴士站的行为，TCN被用于提取局部时序特征，LSTM被用于捕捉长期依赖关系，而Attention则被用于动态加权关键时间步，实现对机场巴士客流变化的全方位建模。模型框架如图4所示，具体实施流程如下。

步骤1： 统一所有数据源的时间粒度，对航班数据、机场巴士历史客流、地铁运营数据、机场员工通勤数据以及天气数据等进行预处理与特征构建，形成多维输入特征。

步骤2： 利用GTC模块对乘坐航班到达的旅客进行延迟建模，将其映射为不同时间巴士客流的潜在需求特征，并与其他多源特征拼接，作为整体模型的输入。

步骤3： 将综合输入送入TCN模块，提取客流的局部时序变化模式。TCN的输出结果作为新的特征序列传递至后续模块。

步骤4： 将TCN的输出输入LSTM模块，进一步学习客流序列中的长期依赖关系和趋势特征，得到包含丰富时序信息的表示。

步骤5： 将LSTM的输出序列输入Attention模块，计算不同时间步的重要性权重，并对其进行加权求和，得到能够突出关键时刻影响的综合特征表示。

步骤6： 将Attention模块生成的综合表示输入至全连接层，得到最终的短时客流预测结果。

2.7 模型评价

为衡量所建模型在预测过程中误差的大小及模型的拟合优度，选择决定系数（R²）、平均绝对误差（MAE）、均方根误差（RMSE）等指标评价模型综合性能，各指标计算如下：

V_{{\mathrm{R}}^{\mathrm{2}}}=\mathrm{1}-\left[{\displaystyle \sum _{i=\mathrm{1}}^n}{\left(y_i-{\widehat{y}}_i\right)}^{\mathrm{2}}/{\displaystyle \sum _{i=\mathrm{1}}^n}{\left(y_i-{\overline{y}}_i\right)}^{\mathrm{2}}\right]（14）

V_{\mathrm{M}\mathrm{A}\mathrm{E}}=\frac{\mathrm{1}}{n}{\displaystyle \sum _{i=\mathrm{1}}^n}|y_i-{\widehat{y}}_i|（15）

V_{\mathrm{R}\mathrm{M}\mathrm{S}\mathrm{E}}=\sqrt[]{\frac{\mathrm{1}}{n}{\displaystyle \sum _{i=\mathrm{1}}^n}(y_i-{\widehat{y}}_i{)}^{\mathrm{2}}}（16）

其中，y_i 是第i个真实值，{\widehat{y}}_i是第i个预测值，{\overline{y}}_i是真实值的均值，n是数据点总数。

3 实验与结果分析

3.1 多源数据来源与处理

本文收集了咸阳国际机场2024年4月至2024年7月期间的多源数据，涵盖航班信息、机场巴士客流数据、地铁运营数据、机场员工通勤数据以及气象数据，参见表1。其中，航班信息、机场巴士客流数据以及员工通勤数据由西安咸阳国际机场运营部门提供，地铁数据取自西安地铁集团官网（https：//www.xianrail.com）公布的运营时刻表与发车间隔信息，气象数据则来自中国气象局气象数据共享服务网（http：//data.cma.cn）。

各类数据均以0.5 h为时间粒度进行聚合处理，用于支持对未来0.5 h机场巴士客流量的短时预测任务。其中，机场巴士的实际客流量根据乘客购票记录进行统计，地铁运营数据基于西安地铁14号线的实际运营情况，运营时段为每日06：00至22：00。地铁发车间隔根据运营时段调整：工作日早晚高峰（07：00-09：00，17：00-19：00）为5 min，周末高峰为7 min，其余时段为9 min。员工通勤数据来源于机场内部通勤记录。

气象数据包括气温、降水量、风速及天气状况等指标。由于气象数据的原始采样频率为每小时，而其他数据的建模时间间隔为0.5 h，为实现时间维度的统一并对齐多源特征，参考Zhang等^［16］的数据处理方式，将每小时气象观测值等效映射至该小时所覆盖的两个0.5 h时间段。考虑到气象要素在半小时尺度内变化较为平稳，该方法能够保持气象特征的时序稳定性。

为保证数据质量并提升模型训练效果，本文首先对原始数据进行了异常值检测与缺失值处理，然后对所有数值型变量进行归一化处理，增强模型的收敛速度与稳定性。对于天气状况和日期信息等类别变量，分别采用独热编码进行转换，以提高模型对节假日效应、天气类型等离散特征的识别能力。

3.2 模型参数设置

本研究所构建的GTC-TCN-LSTM-Attention模型结合了GTC机制、TCN、LSTM和Attention，能够有效处理多源数据的时序特性。模型各模块参数设置如下。GTC模块中，卷积核长度为7，权重初始化采用Gamma分布，其形状参数与速率参数α与β分别为α=2.0，β=1.0。TCN模块包含2层卷积，每层通道数为64，卷积核大小为3，扩张系数设为［1， 2］，Dropout比例为0.2。LSTM模块采用2层Bi-LSTM结构，每层隐藏单元数为128。注意力机制采用Additive-Attention，权重归一化方法为Softmax。训练过程中，使用均方误差（MSE）作为损失函数，优化器为Adam，初始学习率为0.001，采用ReduceLROnPlateau策略动态调整学习率（衰减因子0.5，耐心值5）。训练批量大小设为32，最大训练轮数为300，训练集与测试集划分比例为7：3，采用早停策略，当验证集loss连续20次不下降时提前终止训练。

所有实验均基于PyTorch框架在NVIDIA RTX 3060 GPU上进行，硬件配置为12th Gen Intel（R） Core（TM） i7-12700F处理器、32GB内存，实验环境为Python 3.8。

3.3 Gamma分布参数敏感性分析

在本文模型中，α与β分别为Gamma分布的形状参数与速率参数，用于刻画乘客出行行为中的时间偏移特征，并作为GTC模块中权重初始化的重要依据。本文采用的参数设定为α=2.0、β=1.0，该取值参考了邢志伟等^［14］的研究结果。该配置对应单峰右偏分布，能够合理反映旅客在完成行李提取、通关与步行等环节后逐步汇聚至机场巴士站的过程。

为进一步验证参数设置的合理性与鲁棒性，本文在α∈［0.4， 3.6］与β∈［0.2， 2.0］的范围内开展了灵敏度分析，结果如图5所示。可以观察到，模型在α位于［2.0， 2.2］且β为1.0时表现最佳，此时的R²值较高且较为稳定。本文所采用的参数正处于该最优区间内，进一步证明了参数选择的合理性。此外，当α或β取极端值时，模型性能显著下降，说明不恰当的参数设置可能导致初始化不稳定并削弱预测精度。

3.4 模型性能评估

为验证所提模型中各关键模块的有效性，本文在统一融合多源数据的前提下设计了系列消融实验。通过逐步引入TCN、LSTM结构融合、Attention机制与GTC模块，本文构建了多个对比模型作为基线模型，并基于R²、MAE、RMSE等指标进行性能评估，相关结果如表2所示。

结果表明，TCN和LSTM等单一结构模型在多源数据支持下已具备一定的预测能力，R²值分别为0.855 3和0.861 9，RMSE值均维持在33~34.5之间。通过结构融合（如TCN-LSTM、TCN-Attention），模型对局部时序特征和全局依赖关系的刻画能力增强，预测性能相应提升。其中，TCN-LSTM-Attention模型表现最优，R²值提升至0.878 9，RMSE值降至31.93，表明结构层次性与注意力机制可以有效增强对客流波动的响应能力。

引入GTC机制形成GTC系列模型后，模型的整体性能在相同输入下显著优于未包含Gamma模块的模型。最终模型GTC-TCN-LSTM-Attention的R²值、MAE值与RMSE值分别达到0.912 5、19.82和28.55，相较TCN-LSTM-Attention模型，R²值提升近4%，RMSE值降低3.38，验证了GTC在刻画乘客出行时间偏移规律、增强模型时间敏感性方面的显著效果。

综上，消融实验系统展示了模型结构演进对预测性能的逐步增强过程：基础时序结构提供预测框架，注意力机制强化对关键驱动因素的关注，而GTC则显著提升了模型对非平稳、滞后性客流模式的拟合能力，是实现高精度预测的关键保障。

在计算效率方面，GTC-TCN-LSTM-Attention模型在单次预测未来0.5 h客流时的平均耗时为0.26 s，能够在较短时间内完成预测运算。该效率能够充分满足机场巴士短时客流预测的实时性需求，表明模型具备应用于实际场景中滚动预测的可行性。

3.5 机场巴士客流预测结果

为验证所提模型的预测性能，本文基于测试集对多种模型进行了比较，结果如图6所示。其中，我们选取两个典型子区间进行局部放大，以分析模型在波动剧烈与走势平稳阶段的表现差异，图中的黑色虚线为实际客流，其余曲线为各模型预测值。整体来看，所有模型均能刻画出客流的周期性变化，表明在多源数据支撑下具备基本的拟合能力。但从局部表现看，不同模型在应对快速上升、突降及平稳波动等复杂情形时的预测效果存在明显差异。

在高峰期等客流快速上升阶段，GTC-TCN-LSTM-Attention模型的预测结果与实际值高度一致，表现出良好的响应能力与波动适应性。在平峰或下降阶段，模型亦能平稳追踪变化趋势，反映其较强的细节识别与滞后建模能力。局部放大图进一步验证了其在转折点附近的预测优势，拟合误差最小，曲线走势贴合实际，展现出较高的稳定性与敏感性。该性能提升主要得益于TCN对局部特征的提取、LSTM对长期依赖的建模、注意力机制对关键时序的动态加权，以及GTC对乘客出行时滞的有效刻画，共同提升了模型的预测精度与时效性。

图7展示了GTC-TCN-LSTM-Attention模型在训练集与测试集上的回归对比结果，其中的红色圆点表示训练样本，蓝色三角形代表测试样本，右上方分别显示预测值与真实值的边际分布，底部为预测误差随真实客流量的变化趋势。从整体回归图来看，样本点呈现出良好的线性相关性，说明模型预测结果与实际值高度一致。在测试集上，RMSE值为28.55，MAE值为19.82，均处于较低水平，表明模型在未见样本上的泛化能力较强。训练集误差略低（RMSE值为23.93，MAE值为16.95）反映出模型具备良好的拟合能力，无明显的过拟合问题。

从底部误差分布图可以观察到，大部分样本的误差集中在±50范围内。随着客流量的增加，误差波动未出现明显扩大趋势。这说明模型在客流较大的情境下依然保持较高的预测稳定性。这一特性对于机场巴士系统在高峰时段的运营保障尤为关键。此外，边际分布图显示预测值与真实值的分布形态高度一致，不仅均值层面拟合良好，而且较好地还原了客流特征，体现出模型在复杂时序分布建模中的鲁棒性与适应性。

3.6 多步短时预测

为检验所提模型在不同预测时长下的适应能力与稳定性，本文选取0.5 h至3 h等多个时间跨度，对机场巴士短时客流进行多步预测，并将所建模型与各类基线模型进行对比。图8展示了不同预测时长下各模型预测结果的分布情况。从整体趋势来看，随着预测时长延长，各模型预测值的中位数呈上升态势，反映出在更远未来时刻对客流需求的预测普遍较高。这一趋势可能与机场巴士客流在未来时间段内逐步累积的特性有关。

对比不同模型的箱型图分布可见，GTC-TCN-LSTM-Attention模型在各预测时长下的预测值分布更为集中，中位线相对较低，离群值数量也较少，体现出更高的稳定性与鲁棒性。尤其在预测时长达到2 h以上时，其他模型普遍出现预测波动显著增大的现象，而该模型则依然维持良好的分布特性，表明其对远期客流趋势仍具有较强的建模与泛化能力。

3.7 多源数据对预测结果的影响分析

为评估多源数据融合与GTC在机场巴士客流预测中的效果，本文设计了三组对比实验：仅基于历史客流的单特征模型，融合航班与地铁等多源信息的多特征模型，以及在多特征基础上引入GTC机制的GTC-TCN-LSTM-Attention模型。图9展示了三种模型在典型时段下的预测结果。结果显示，单特征模型虽然能捕捉周期性波动，但在波动剧烈区段存在明显滞后或振幅误差，表明仅依赖机场巴士历史客流特征难以独立应对复杂需求变化。多特征模型通过引入航班动态、地铁运营、员工通勤与天气等信息增强了对高峰、突发和结构性变化的响应能力，预测结果更加贴近实际。引入GTC后，模型在转折点和剧烈波动区的表现更为平稳、精准，体现其在建模从到港航班乘客到乘坐机场巴士的时滞关系方面的优势，提升了时序预测的时效性与鲁棒性。

图10展示了三种模型的预测误差分布。结果表明，单特征模型误差离散度大，极端误差频发，测试误差为22.93。多特征模型误差集中度提高，误差降至21.54。GTC-TCN-LSTM-Attention模型的误差分布最紧凑，测试误差降至19.82，分别较前两者降低13.6%和8.0%。因此，融合多源数据显著提升了模型的预测准确性与稳定性，引入GTC则有效强化了对滞后响应特征的建模能力，二者协同显著优化了机场巴士短时客流预测效果。

4 结论

为实现对机场巴士短时客流的精准预测，提升运营调度效率，本文针对机场巴士客流受多因素驱动且具有复杂时序特征的特点提出了一种融合多源数据与延迟机制建模的GTC-TCN-LSTM-Attention模型，主要结果如下。

1） 多源数据融合能提升模型对复杂客流变化的感知能力与预测精度。本文构建了涵盖历史机场巴士客流、航班动态、地铁运营、员工通勤及天气等多源异构数据的输入体系，全面刻画机场巴士客流的关键驱动因素与时空演化规律。相较仅使用单一数据源的预测模型，融合多源数据使模型测试误差由22.93降至21.54，平均预测误差降低6.1%，且误差分布更集中，增强了模型的稳定性与泛化能力。

2） GTC能有效建模航班到达与客流响应之间的滞后关系，增强模型的时间敏感性。通过引入GTC机制捕捉旅客从到港至乘坐机场巴士之间的非同步行为，模型的预测误差进一步降至19.82，较未引入GTC的多特征模型降低8.0%，验证其在刻画延迟响应特性方面的优势。

3） 深度时序结构融合能提升模型对多尺度动态特征的表达能力。集成TCN、LSTM与Attention的结构在R²值和RMSE值上分别达到0.878 9和30.93，显著优于TCN和LSTM等单结构模型。最终，融合GTC机制后，GTC-TCN-LSTM-Attention模型的R²值提升至0.912 5，RMSE值进一步降至28.55，展现出最佳预测性能和实际应用潜力。

未来研究可考虑引入网约车等其他交通方式的出行数据，以增强模型对多模式交通系统中协同效应与分流机制的刻画能力，进一步提升模型预测精度。

参考文献

[1] Li Y， Ren B， Wen X.An efficient two-stage matheuristic for scheduling airport electric shuttle buses with flight schedule coordination ［J］.Comput Ind Eng， 2025， 203： 110998.

[2] Zeng W L， Liu D D， Yang L， et al.Flight schedule optimization method for hub airport considering delay propagation ［J］.J Traffic Transp Eng， 2023， 23（1）： 242-255.

[3] 曾维理， 刘丹丹， 杨磊， 等.考虑延误传播的枢纽机场航班时刻优化方法［J］.交通运输工程学报， 2023， 23（1）： 242-255.

[4] He J， Li Y， Chao Y.Research on prediction and optimization of airport express passenger flow based on fusion intelligence network model ［J］.Appl Sci， 2024， 14（24）： 11886.

[5] Zhao J D， Shen J， Liu L W.Bus passenger flow classification prediction driven by CNN-GRU model and multi-source data ［J］.J Traffic Transp Eng， 2021， 21（5）： 265-273.

[6] 赵建东， 申瑾， 刘麟玮.多源数据驱动CNN-GRU模型的公交客流量分类预测［J］.交通运输工程学报， 2021， 21（5）： 265-273.

[7] Fu X， Zuo Y， Wu J， et al.Short-term prediction of metro passenger flow with multi-source data： A neural network model fusing spatial and temporal features ［J］.Tunn Undergr Space Technol， 2022， 124： 104486.

[8] Hu Z A， Deng J C， Yang J H， et al.Rail transit station clustering and its impact on passenger flow forecasting ［J］.J Transp Syst Eng Inf Technol， 2023， 23（6）： 227-238.

[9] 户佐安， 邓锦程， 杨江浩， 等.轨道交通站点聚类及其对客流预测的影响分析［J］.交通运输系统工程与信息， 2023， 23（6）： 227-238.

[10] Cui H， Si B， Wang J， et al.Short-term origin-destination flow prediction for urban rail network： A deep learning method based on multi-source big data ［J］.Complex Intell Syst， 2024， 10（4）： 4675-4696.

[11] Cheng Y， Li H， Sun S， et al.Short-term subway passenger flow forecasting approach based on multi-source data fusion ［J］.Inf Sci， 2024， 679： 121109.

[12] Zhang Y， Sun K， Wen D， et al.Deep learning for metro short-term origin-destination passenger flow forecasting considering section capacity utilization ratio ［J］.IEEE Trans Intell Transp Syst， 2023， 24（8）： 7943-7960.

[13] Zhao L Q， Li R S， Tang S X， et al.Short-term urban rail passenger flow prediction using temporal convolutional network-long short-term memory （TCN-LSTM） based on multidimensional predictable features ［J］.J Beijing Univ Chem Technol （Natural Science）， 2024， 51（5）： 86-96.

[14] 赵利强， 李瑞森， 唐水雄， 等.基于多维可预知特征的 TCN-LSTM城轨短期客流预测［J］.北京化工大学学报 （自然科学版）， 2024， 51（5）： 86-96.

[15] Zheng Y， Zheng W， Yin Z， et al.Predicting regional-level bus stop passenger flow with a multigraph fusion spatio-temporal graph attention network ［J］.J Transp Eng Part A： Syst， 2025， 151（2）： 04024103.

[16] Wang T Z， Xu J H， Chen J H， et al.Short-term passenger flow prediction method for urban rail transit considering station classification ［J］.Comput Eng Appl， 2024， 60（19）： 343-353.

[17] 王泰州， 徐金华， 陈姜会， 等.考虑站点分类的城市轨道短时客流预测方法［J］.计算机工程与应用， 2024， 60（19）： 343-353.

[18] Huang W， Lin Y， Lin B， et al.Modeling and predicting the occupancy in a China hub airport terminal using Wi-Fi data ［J］.Energy Build， 2019， 203： 109439.

[19] Xing Z W， Kan B， Zhu S J， et al.A dynamic model of arriving passengers based on dual value driving ［J］.J Beijing Univ Aeronaut Astronaut， 2024， 50（12）： 3645-3653.

[20] 邢志伟， 阚犇， 朱书杰， 等.基于双价值驱动的到港旅客动力学模型［J］.北京航空航天大学学报， 2023， 50（12）： 3645-3653.

[21] Vaswani A， Shazeer N， Parmar N， et al.Attention is all you need［C］//Adv Neural Inf Process Syst.2017， 30： 5998-6008.

[22] Zhang J， Chen F， Cui Z， et al.Deep learning architecture for short-term passenger flow forecasting in urban rail transit ［J］.IEEE Trans Intell Transp Syst， 2020， 22（11）： 7004-7014.

基金资助

国家自然科学基金(72371035)

山西省基础研究计划资助项目(202203021222427)