城市轨道交通短时客流预测研究综述及展望

Review and Prospects of Short-Term Passenger Flow Prediction in Urban Rail Transit

摘要

城市轨道交通短时客流预测是动态优化运力配置、车站智能管控关键基础。分场景综述对构建多场景预测体系具有重要意义。基于常态、可预知与不可预知3类场景，梳理了进出站量及OD客流量预测在研究问题、特征工程与方法模型等方面的研究进展。研究表明：常态场景研究已较为成熟，但模型参数实时修正等有待优化；可预知与不可预知场景则面临机理认知不足与数据稀缺性挑战，其中后者因突发性及历史规律缺失，问题尤为严峻。因此，可预知场景需深化事件特征分析，结合迁移学习等方法应对数据稀缺；不可预知场景则需深入探究微观乘客行为与宏观客流的关联机理，结合数据驱动拓展场景覆盖，完善规律库，提升模型的可靠性与泛化能力。

Abstract

Short-term passenger flow prediction in urban rail transit is essential for dynamically optimizing capacity allocation and intelligent station management. A scenario-based review is of great significance for establishing a multi-scenario prediction system. Based on normal, predictable, and unpredictable scenarios, research progresses on station-level passenger flow (inbound/outbound) and origin-destination (OD) passenger flow prediction were summarized in terms of research question, feature engineering, and method model. According to the findings, research for normal scenarios is relatively mature, though real-time model parameter adaptation needs further improvement. Predictable and unpredictable scenarios present significant challenges brought by incomplete mechanistic understanding and insufficient data. The unpredictable scenarios are especially severe due to their burstiness and absence of historical patterns. Therefore, predictable scenarios require a deeper analysis of event-specific characteristics and integration of techniques like transfer learning to alleviate data scarcity. Unpredictable scenarios need to elucidate the link between micro-level passenger behavior and macro-level flow patterns. The scenario coverage should be expanded through data driving to improve pattern libraries. The robustness and generalizability of the model are thus enhanced.

Graphical abstract

关键词

城市轨道交通 / 短时客流预测 / 常态场景 / 不可预知场景 / 可预知场景

Key words

Urban Rail Transit / Short-Term Passenger Flow Prediction / Normal Scenario / Unpredictable Scenario / Predictable Scenario

0　引言

截至2024年12月，全国已开通325条城市轨道交通线路，总运营里程达到10 945.6 km，全年客运量达到322.4亿人次^[1]。随着路网规模扩大、客流量快速增加，城市轨道交通的安全和效率面临着巨大挑战。短时预测能够精准掌握全网客流状态，支撑动态匹配运能，进而有效降低高峰时段拥堵、提高运营效率，是解决这一挑战的重要前提^[2]。因此，短时客流预测成为一个研究热点^[3]。

短时客流预测可分为常态、可预知和不可预知客流预测3类^[4]。常态客流预测是指工作日、周六日客流预测等；可预知客流预测是指可提前预知将会发生大客流情况下的客流预测，包括大型活动日客流预测、节假日客流预测2种场景；不可预知大客流预测是指不具备历史客流数据或无法提前预知大客流将会发生情况下的客流预测。

不同场景的客流时空分布特性(如通勤场景的潮汐特征与节假日场景的波动)对预测模型的输入、特征提取及算法选择具有显著影响。因此针对城市轨道交通短时客流预测研究对不同场景下的适用性技术方法缺乏系统总结的问题，本研究基于场景化分析视角，通过系统梳理常态、可预知和不可预知3类场景下的客流预测技术，深入分析进出站量预测与OD预测两大核心任务的关联特征与适配模型，旨在为未来的研究提供理论支持，并为该领域的研究者提供新的思路和方向。

1　文献来源

为了全面了解城市轨道交通短时客流预测的研究现状，对城市轨道交通短时客流预测的相关文献进行了系统综述，同时将文献检索的时间范围限制为2016年以后。在中文文献方面，检索了如“城市轨道交通”“短时客流预测”“客流”“OD流量预测”等关键词，限定了相关期刊论文；在英文文献方面，检索了以下关键词组合：(“Short-term Traffic Flow Prediction”OR“Real-time Passenger Flow”)，(“Urban Rail Transit”OR“Metro”OR “Subway”)，(“Prediction Model”OR“Forecasting”)，(“Passenger Flow”OR “OD Flow” OR “In-station Flow”)。进一步，针对不同场景下的预测研究，检索了以下关键词组合：(“Normal Scenario” OR “Planned Events”OR “Unexpected Incidents”)，(“Traffic Congestion” OR “Peak Flow” OR “Incident Management”)，(“Passenger Flow Control”OR“Real-time Adjustment”)。为了确保文献的广度和深度，采用了前向雪球过程，通过探讨已选论文的参考文献和引用，扩展了检索范围。

文献初筛显示研究主要涉及3类预测：进出站客流预测、OD预测及其他类型预测。最终聚焦前2类研究筛选确定51篇论文。从时间分布上看，进出站客流预测的研究逐年增多，从2018年的2篇发展至2020年的12篇，成为近年来的研究热点之一；OD预测相关研究在各年份间分布相对均衡且缓慢增长，展现了该领域的持续发展；进出站和OD预测的研究显著多于其他类型的研究。参考文献收集过程如图1所示。因此，研究聚焦于常态场景、可预知突发事件场景以及不可预知突发事件场景下的进出站量和OD预测研究的总结与分析。

2　常态场景下的客流预测现状

2.1　进出站客流预测

常态下的进出站客流预测主要集中在特征变量的选取和预测模型的选择2方面，常态场景进出站及OD短时客流预测研究如表1所示。

在特征变量选择方面，部分学者总结出季节、周期等时间维度的特征变量；然而这些时间特性往往不足以应对复杂的波动情况，部分研究开始考虑站点的空间特征^[5-6]，实现预测精度的提升；此外，天气、外部措施、土地利用性质等外部因素也常作为关键变量纳入预测模型中^[7-9]。

在预测模型选择上，现有研究主要采用统计模型、机器学习模型和深度学习模型。常用的统计模型包括ARIMA，GTWR和卡尔曼滤波等方法。张智勇等^[10]对卡尔曼滤波方法进行了改进，提出了一种新的短时客流预测模型；唐继强等^[11]采用SARIMA模型构建了客流季节分类模型，显著提高了预测精度。以上统计模型具有结构简单、易于解释等特点，但难以描述非线性特性，导致预测精度不够理想。机器学习模型因为能较好解决非线性问题被广泛应用到客流预测中，包括K-means聚类、支持向量机(SVM)、决策树等多种模型。孙晓黎等^[12]基于车站的进出站客流属性和聚类方法，提出XGBoost模型对各类车站的短时客流进行预测；朱才华等^[13]考虑客流属性和车站建筑属性，构建了基于小波变换和ARMA的分类预测模型；户佐安等^[14]构建了基于主成分分析与K-means++算法的聚类模型，并采用多元时序预测方法探究了站点聚类对预测性能的影响。近年来，深度学习开始运用到短时客流预测中。赵明伟等^[15]提出基于LSTM的进出站量预测模型，并以广州地铁为案例进行验证，对比发现在工作日和非工作日的预测精度均较高。Li等^[16]将复杂客流时间序列分解为趋势和波动分量，采用LSTM网络预测各分量，求和得到预测结果；Xiu等^[17]提出了一种集成经验模态分解方法和双向门循环单元模型的新框架，以成都地铁真实数据集为案例，验证发现所提出模型预测性更强；王雪琴等^[8]构建一种融合注意力机制和时空图卷积门控递归单元的轨道交通短时客流预测模型；Huang等^[18]提出融合注意力机制的序列到序列多步短时客流预测模型，以成都地铁进行案例验证；Cheng等^[9]提出了一种采用多源数据融合技术的新型混合地铁客流预测方法，以广州、北京和成都地铁客流为案例验证方法有效性和鲁棒性；Hu等^[19]提出了一种多任务学习框架下的时空图变换器，利用图变换器网络和门控残差单元来选择和融合特征，并以北京地铁为案例进行验证；Wang等^[20]将bagging集成学习策略和迁移学习与深度学习相结合，并包含多个可扩展的客流特征处理组件，以南京地铁车站数据进行验证，结果表明该框架在不同时间类型中均取得良好表现。

总体来说，常态场景下的短时客流预测已经较为成熟，各粒度下的单步预测精度较高，且高峰期的预测效果往往比平峰的预测效果更好。但是现有研究缺乏实时修正，对多步预测的探索不足，特别是多步预测中的误差累积效应未能解决。未来研究可以结合实时数据进行模型动态优化，以减缓误差累积并提升多步预测的准确性。

2.2　OD客流预测

常态下的短时OD客流预测已得到广泛研究。其预测方法包括传统统计学模型、机器学习模型2类。常用统计模型包括空间结构方程、线性回归、自回归模型、向量自回归模型和动态模式分解等。姚向明等^[21]分析了城市轨道交通网络的特点及客流特性，构建结构化状态空间模型，实现了15 min，30 min，60 min的多粒度客流OD预测。Sillva等^[22]将自回归模型引入OD预测中，对伦敦市地铁进行OD预测；张文强等^[23]提出组合向量自回归和动态模式分解的工作日OD预测模型，以北京地铁为案例进行验证。然而，这些方法在处理复杂的非线性关系和多变的外部因素时表现较差。因此，部分学者开始采用机器学习方法来解决这些问题。Liu等^[24]集成天气、假期等多源数据，利用递归神经网络对OD进行预测，具有较高的预测精度；高梦琦^[25]提出了Kalman-Wavelet-LSTM的OD 量预测模型，通过加入修正以处理客流序列的波动性并学习时间上的规律，实现了波动OD预测；蒋熙等^[26]构建了嵌入LSTM模型的递归贝叶斯估计方法的OD预测框架，并以北京地铁为例进行验证；Noursalehi等^[27]结合离散小波变换，提出了一种ConvLSTM的实时OD预测方法；Zeng等^[28]构建融合关系图卷积网络 、分注意力机制和长短期记忆的SARGCN预测模型，并以深圳、杭州地铁为例进行验证；Luo等^[29]提出了一种结合KNN的LSTM模型，捕捉OD的时空特征，提高了OD流量的预测精度；Lyu等^[30]构建基于客流来源注意力机制的卷积神经网络模型，通过深圳地铁案例验证。

目前，常态OD预测方法虽然在提高精度方面取得了一定成效，但仍面临以下问题。

（1）OD矩阵的稀疏性关注不足，往往导致预测模型的精度不高，特别是OD量小的预测^[31]。目前，解决OD矩阵稀疏性的方法主要有2种：一是利用OD分解技术生成更稠密的OD矩阵，从而提高预测精度。李浩然等^[31]采用离散小波变换的时空分解模块对数据进行分解，提出动态模式分解预测模块进行短时OD客流预测，并以北京地铁为案例，结果表明该方法在不同粒度预测中均能提升精度。二是通过深度学习挖掘深层次关系，以缓解稀疏性对模型预测的影响。Zhang等^[32]提出了一种结合通道注意力机制和分割CNN模块的短时客流预测模型，克服了实时OD客流信息缺失、数据高维性及稀疏性等问题，提高预测性能。然而，目前这些研究的效果并不理想，未来可以考虑使用模型和数据驱动相结合的方式进一步提高模型预测效果。

（2）OD数据延迟性的关注不足，输入数据无法反映真实情况，导致预测精度不可靠。针对这一问题，已有研究提出了2类方法：一类是基于OD数据补全的实时动态优化方法。Jiang等^[33]通过LSTM网络与注意力机制结合的深度学习架构，利用部分观测的OD数据重构未完成的OD流，显著提升了预测性能；Ye等^[34]通过分析异类站点间的相关性(如地理位置、区域功能等)，设计补全模块预测未完成的OD流，实现了较好的预测效果。但目前这些研究仅依靠OD本身数据进行推断，未来可以考虑结合其他类型的数据例如视频、断面、换乘量等进行实时数据补全。另一类是基于周期性信息的深度关联挖掘方法。Yu等^[35]提出的双向注意力模块与门控算法结合的模型，通过互信息模块补充OD数据，并深度挖掘周期性关联，从而有效提升了预测精度；Zhang等^[36]提出了结合OD重要性计算与时空特征学习模型，利用卷积神经网络与时间卷积网络分别学习滞后时空特征和顺序时间特征，提升了短期预测的精度。但这类研究对空间特征及相似性等考虑不足，未来可以进一步考虑OD的区位、长度等特征。

3　可预知场景下的客流预测现状

可预知场景是可提前预知并有相应规划的特殊事件场景^[4]，其发生时间、影响范围和持续时间往往可以提前被城市轨道交通运营部门以及乘客知晓。可预知场景下，乘客会根据活动安排或客流管理措施，调整自己的出行计划(如改变目的地、交通工具或出发时间)，因而会导致受影响范围内的乘客时空分布情况异于常态。可预知场景实时客流预测研究如表2所示。

在可预知场景下的进出站量预测中，不少学者从客流产生的机理出发，研究可预知事件本身的特点及其对客流的影响。Noursalehi等^[37]采用动态因子模型(DFM)，考虑历史和实时客流以及事件相关信息，预测伦敦地铁在体育赛事和突发故障2种场景下的进站客流；付宇等^[38]采用基于极端梯度推进决策树(XGBoost)的轨道站点预测模型，考虑时段特征、日期属性、活动属性、天气、活动时间、距活动开始结束时间等因素，以北京地铁应对演唱会和体育赛事2种场景为例，预测事件周围站点的进出站客流。但以上研究需提前掌握活动详细信息和历史数据，并从数据中筛选出关键影响因素，当缺乏对客流动态特征的全面描述时，预测效果显著下降。因此，部分学者采用数据驱动的方法进行预测。许心越等^[39]提出了一种考虑时空修正的融合DFM和SVM的方法，动态识别受封站影响的时空范围，以北京地铁封站为例预测封站周围站点的进站客流；Xue等^[40]提出基于深度神经网络框架，提取其他车站进站流量、历史流量以及目标站预测流量、社交媒体扰动指标，以北京地铁为例进行验证。但这些方法通常需要大量历史数据来训练模型，当数据不足时，模型性能较差。随着社交媒体的普及，越来越多的研究尝试将社交媒体数据纳入客流预测模型中。Zhang等^[41]提出了基于深度学习的时空注意力融合网络，考虑客流、相邻图、站点相似度图、OD相关图、社交媒体数据，以南宁地铁为例，预测元旦时不同类型车站的客流。然而，社交媒体数据的可靠性和时效性限制了其在实际中的广泛应用。

目前，可预知场景下的OD客流预测研究较少且主要以进出站客流预测为基础开展研究。王兴川等^[42]结合广交会期间及日常的地铁AFC数据，结合活动场馆位置、活动日程安排和站点间距离等影响因素，采用ARIMA与底特律法预测背景客流，构建基于小波分解与重构的GM-ARIMA模型预测活动客流，叠加得到大型活动期间的OD客流量。牛燕斌等^[43]结合活动类型、活动规模、场馆位置、天气、日期类型和活动前出站量等因素，采用随机森林算法预测大型活动期间5 min粒度OD客流量。

综上所述，可预知的客流预测场景存在以下2个问题。

（1）客流产生机理不清楚：在可预知场景下，事件的客流变化通常受到多种复杂因素的共同影响，如事件类型、参与人数、时间安排和区域分布等。目前对于这些因素如何驱动客流变化的机理仍缺乏系统性的研究，导致无法准确量化评估受影响车站数量和强度，直接制约了模型预测的精准性和可靠性。

（2）数据稀缺和多源数据融合难题：对于一些特殊场景，由于数据较为稀缺，客流预测模型的效果可能受到显著影响(当数据不足以支撑复杂模型时，模型会过度捕捉训练数据中的随机噪声而非真实规律，导致实际预测准确性下降)。社交媒体作为一种新的可行数据源，如何构建其与客流的映射关系有待进一步研究，进一步融合包括社交媒体在内的多源数据(如售票数量、场馆座位数、天气等)进行预测是未来研究的方向。

4　不可预知场景下的客流预测现状

不可预知场景具有突发性、不可预知性和低频孤立性等显著特点，导致客流变化充满不确定性。异常事件的发生不可避免地会影响部分行程，乘客的选择行为往往具有较大的不确定性，乘客通常会选择原地等待、绕道行驶或转向其他交通方式。不可预知场景下的客流特征缺乏规律性、周期性，表现出高度随机性，难以从有限的历史异常客流数据中提取有效信息。因此，该场景下客流预测的复杂性高于可预知场景，并显著高于常态场景。

4.1　进出站客流预测

目前，不可预知场景主要包括突发的设备故障、线路中断等突发事件。目前的研究方法包括基于模型驱动的方法以及基于数据驱动的机器学习和深度学习方法，不可预知场景实时客流预测研究如表3所示。

模型驱动方法通常基于微观乘客出行行为变化和客流规律来进行突发场景下进出站量预测。李臣等^[44]利用AFC客流数据，应用统计学方法提出了突发事件下轨道交通客流时空影响范围的识别方法，从OD量和进站客流2个方面定量分析了突发事件对轨道交通的影响；Sun等^[45]基于AFC数据，提出贝叶斯方法分析乘客选择行为并结合中断情况确定受影响乘客数量，深入剖析了外部因素对乘客决策的影响；Mo等^[46]根据乘客对线路中断的反应确定其行为模式并建立概率模型；叶红霞^[47]基于突发事件下乘客出行行为特征的变化，界定受影响客流范围，构建突发事件下的多方式出行备选路径集，建立了突发事件下的乘客出行选择模型，进而实现网络受影响客流重分布；刘莎莎等^[48]提出突发事件下城轨受影响客流界定算法，提取出行方案集合，建立突发事件下的出行选择行为模型，进而预测突发事件下城轨站间客流的重分布。以上方法从乘客的出行行为机理出发，对15 min粒度的进出站客流进行预测，可解释性强。但是其局限性同样明显，对数据质量和分布假设要求高，难以处理复杂非线性关系；不可预知场景下乘客行为机理复杂，难以准确标定乘客行为；面对稀缺数据或复杂场景(火灾、水淹)时，预测效果易受影响，难以满足实际需求。

数据驱动方法作为一种新的方法，为突发场景下进出站客流预测提供了新思路。Li等^[49]提出多尺度径向基函数网络预测地铁客流的不规则波动，以车辆信号故障场景为例，实现后2个15 min粒度的非规律进出站需求预测；Ni等^[50]提出了一个基于社交媒体数据的事件检测算法和进出站客流预测方法，以地铁站附近大型活动事件进行验证。近年来，有学者开始运用深度学习方法进行突发场景下进出站量预测。禹倩等^[51]考虑了天气、时间和可预知事件(节日、大型活动)等外部环境因素，提出深度集成神经网络模型，实现了5 min粒度的短时进站客流预测；冯树民等^[52]研究雨雪天气下轨道交通客流波动规律，提出针对雨雪天气的基于改进LSTM的轨道交通客流短时客流预测模型。但突发事件下客流预测存在事件特征难以提取、数据稀缺、仅针对特定车站缺乏泛化性等问题，导致模型对关键特征的学习不充分，模型的预测精度和模型的泛化能力不足。因此，如何有效提取突发事件特征，建立符合多车站的突发事件进出站预测模型，将是突发事件下进出站客流预测的关键挑战。

综上所述，目前不可预知场景下的进出站客流预测仍面临诸多挑战。

（1）模型驱动的方法存在参数难标定问题：突发事件的影响强度、范围难以识别捕捉，事件本身特征难以提取；乘客选择行为的机理复杂以及获取真实数据难度大，导致机理模型构建及标定困难。

（2）数据驱动方法存在数据稀缺与小样本问题：突发事件本身的发生频率较低，事件特征提取困难，相关历史数据极为稀缺。这种小样本环境限制了机器学习和深度学习模型的训练，影响了预测的准确性和泛化能力。

4.2　OD客流预测

现有对城市轨道交通不可预知事件(如火灾、水淹和设备故障)下的OD流量预测关注较少。不可预知场景下OD客流预测的研究分为基于模型驱动的方法和基于数据驱动的方法。

模型驱动方法主要基于乘客出行机理进行预测，是目前主要的研究方向。该方法将事故特征反映在选择行为上，特别是模式选择行为，通过OD客流的重分配实现突发事件下的OD预测。刘莎莎等^[48]通过分析设备故障下乘客的出行行为，量化突发事件对OD客流的影响，采用乘客选择行为模型进行预测；李臣等^[44]利用Logit模型和数理统计方法，从OD客流和进站客流量角度探讨了信号故障下的客流影响规律；叶红霞等^[47]基于非集计模型结合乘客出行特征，分析乘客突发事件下的出行行为，将受影响客流进行重分配，从而实现突发情况下的OD客流预测。但以上方法在乘客行为模型标定方面存在困难，往往依赖经验设定，导致准确性和适应性有限。数据驱动的方法具有较强的适应性和灵活性，近年来开始应用于不可预知事件下的OD客流预测(比如设备故障等)。相比基于乘客出行机理的模型，数据驱动的方法不依赖于复杂的行为模型标定，可以直接从实时数据中获取信息并进行动态调整，尤其在突发事件下，能更好地应对复杂和不确定的客流波动。Zou等^[53]结合历史OD编码器、注意力机制的图卷积网络和掩码功能构建预测模型，验证了电力故障情境下模型的可靠性。然而，模型在应对未知场景或新组合事件时缺乏有效的应对机制，且在处理稀疏OD数据和小样本训练时，仍面临预测精度不高的挑战。

综上所述，当前研究主要面临场景覆盖不足、模型标定和数据稀缺性等问题。

（1）在场景覆盖方面，研究集中于设备故障场景，对极端天气、自然灾害等其他不可预知事件的关注较少，且缺乏对多种突发事件叠加情境的量化分析。

（2）模型驱动方法对高质量微观行为数据的依赖较大，特征提取和影响因素刻画困难；影响范围的识别依赖经验设定，难以保证精确性与适应性。

（3）数据驱动方法则因数据来源有限，面临OD稀疏性和小样本训练问题，多源数据的有效融合仍是亟待解决的关键挑战。

未来研究需从场景扩展、多源数据融合及模型适应性3方面入手，构建更加科学和全面的客流分析框架，以应对复杂多变的现实需求。

5　结论及展望

（1）在常态场景下，进出站短时客流预测和OD短时客流预测在各个粒度层面均已收获了较高的精度。未来，相关研究可以通过整合实时数据，实现模型的动态优化调整；探索新的数据补全技术和挖掘数据的深层次关联，解决数据稀疏性和延迟性的问题；全面捕捉客流的时空特征，进一步提升模型的实用性和可靠性。

（2）对于可预知场景，现有研究通过结合事件特征和多源数据，能够有效捕捉周期性变化，提供较为准确的预测结果。然而，不同场景下客流产生和变化机理不清晰，数据稀缺性和多源数据融合的挑战仍然存在。未来研究可以通过迁移学习提升模型的泛化能力、优化特征选择、结合增量学习和生成对抗网络等技术解决数据稀缺问题，进一步提升模型的精度和适应性；探讨事件对客流的驱动机制和影响规律，明确影响范围和强度的量化方法。

（3）对于不可预知场景，当前研究面临场景覆盖不足、模型标定和数据稀缺性等问题。未来研究可以考虑突发场景下乘客年龄、收入等属性建立精细化乘客出行模型，结合数据驱动方法实现参数标定，提高模型的可靠性；强化特征提取和多源数据融合，特别是在数据稀缺情况下，挖掘其他特征对客流的影响及其交互作用，以缓解数据稀疏性问题；研究不同类型突发事件及其叠加情境下的客流变化规律，增强场景覆盖，形成完善的规律库。

参考文献

[1] 2024年城市轨道交通部分运营数据统计[J]. 现代城市轨道交通，2025(2)：140-141.

[2] 《中国城市轨道交通运营发展报告(2021—2022)》编写组. 城市轨道交通应急能力现代化发展概述 《中国城市轨道交通运营发展报告(2021—2022)》摘选[J]. 城市轨道交通，2023(2)：14-17.

[3] 曾　诚，吴佳媛，罗　霞. 城市轨道交通短时客流预测文献综述[J]. 铁道运输与经济，2021，43(8)：105-111，125.

[4] ZENG Cheng， WU Jiayuan， LUO Xia. Literature Review of Short-Term Passenger Flow Forecast for Urban Rail Transit[J]. Railway Transport and Economy，2021，43(8)：105-111，125.

[5] 毛保华，刘明君，黄　荣，等. 轨道交通网络化运营组织理论与关键技术[M]. 北京：科学出版社，2011.

[6] WANG C X， ZHANG H Z， YAO S L，et al. MDGCN：Multiple Graph Convolutional Network Based on the Differential Calculation for Passenger Flow Forecasting in Urban Rail Transit[J]. Journal of Advanced Transportation，2021，2021(1)：2956151.

[7] ZHANG X R， WANG C， CHEN J W，et al. A Deep Neural Network Model with GCN and 3D Convolutional Network for Short-Term Metro Passenger Flow Forecasting[J]. IET Intelligent Transport Systems，2023，17(8)：1599-1607.

[8] 许心越，孔庆雪，李建民，等. 建成环境对轨道交通客流的时空异质性影响分析[J]. 交通运输系统工程与信息，2023，23(4)：194-202，281.

[9] XU Xinyue， KONG Qingxue， LI Jianmin，et al. Analysis of Spatio-Temporal Heterogeneity Impact of Built Environment on Rail Transit Passenger Flow[J]. Journal of Transportation Systems Engineering and Information Technology，2023，23(4)：194-202，281.

[10] 王雪琴，许心越，伍元凯，等. 基于混合深度学习模型的城轨短时客流预测[J]. 铁道科学与工程学报，2022，19(12)：3557-3568.

[11] WANG Xueqin， XU Xinyue， WU Yuankai，et al. Short Term Passenger Flow Forecasting of Urban Rail Transit Based on Hybrid Deep Learning Model[J]. Journal of Railway Science and Engineering，2022，19(12)：3557-3568.

[12] CHENG Y F， LI H T， SUN S L，et al. Short-Term Subway Passenger Flow Forecasting Approach Based on Multi-Source Data Fusion[J]. Information Sciences，2024，679：121109.

[13] 张智勇，张丹丹，贾建林，等. 基于改进卡尔曼滤波的轨道交通站台短时客流预测[J]. 武汉理工大学学报(交通科学与工程版)，2017，41(6)：974-977.

[14] ZHANG Zhiyong， ZHANG Dandan， JIA Jianlin，et al. Short-Term Passenger Flow Forecasting of Rail Transit Platform Based on Improved Kalman Filter[J]. Journal of Wuhan University of Technology (Transportation Science & Engineering)，2017，41(6)：974-977.

[15] 唐继强，钟鑫伟，刘　健，等. 基于时间序列季节分类模型的轨道交通客流短期预测[J]. 重庆交通大学学报(自然科学版)，2021，40(7)：31-38，60.

[16] TANG Jiqiang， ZHONG Xinwei， LIU Jian，et al. Short Term Forecast of Rail Transit Passenger Flow Based on Time Series Seasonal Classification Model[J]. Journal of Chongqing Jiaotong University (Natural Science)，2021，40(7)：31-38，60.

[17] 孙晓黎，朱才华，李美妮，等. 时间序列聚类下的城市轨道交通客流预测研究[J]. 铁道运输与经济，2023，45(3)：149-157.

[18] SUN Xiaoli， ZHU Caihua， LI Meini，et al. Research on Passenger Flow Prediction of Urban Rail Transit Based on Time Sequence Clustering[J]. Railway Transport and Economy，2023，45(3)：149-157.

[19] 朱才华，孙晓黎，李培坤，等. 融合车站分类和数据降噪的城市轨道交通短时客流预测[J]. 铁道科学与工程学报，2022，19(8)：2182-2192.

[20] ZHU Caihua， SUN Xiaoli， LI Peikun，et al. Short-Term Urban Rail Transit Passenger Flow Prediction Based on Incorporating Station Classification and Data Noise Reduction[J]. Journal of Railway Science and Engineering，2022，19(8)：2182-2192.

[21] 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.

[22] HU Zuoan， DENG Jincheng， YANG Jianghao，et al. Rail Transit Station Clustering and Its Impact on Passenger Flow Forecasting[J]. Journal of Transportation Systems Engineering and Information Technology，2023，23(6)：227-238.

[23] 赵明伟，张文胜. 基于IPSO-LSTM组合模型的城市轨道交通短时客流预测[J]. 铁道运输与经济，2022，44(2)：123-130.

[24] ZHAO Mingwei， ZHANG Wensheng. Short-Term Passenger Flow Prediction of Urban Rail Transit Based on IPSO-LSTM Combined Model[J]. Railway Transport and Economy，2022，44(2)：123-130.

[25] LI H J， ZHAO Y P， MA C X，et al. Short-Term Passenger Flow Prediction of Urban Rail Transit Based on SDS-SSA-LSTM[J]. Journal of Advanced Transportation，2022，2022(1)：2589681.

[26] XIU C， SUN Y C， PENG Q Y，et al. Learn Traffic as a Signal：Using Ensemble Empirical Mode Decomposition to Enhance Short-Term Passenger Flow Prediction in Metro Systems[J]. Journal of Rail Transport Planning & Management，2022，22：100311.

[27] HUANG H， MAO J N， LU W K，et al. DEASeq2Seq：An Attention Based Sequence to Sequence Model for Short-Term Metro Passenger Flow Prediction within Decomposition-Ensemble Strategy[J]. Transportation Research Part C：Emerging Technologies，2023，146：103965.

[28] HU S H， CHEN J H， ZHANG W，et al. Graph Transformer Embedded Deep Learning for Short-Term Passenger Flow Prediction in Urban Rail Transit Systems：A Multi-Gate Mixture-of-Experts Model[J]. Information Sciences，2024，679：121095.

[29] WANG X， ZHU C F， JIANG J H. A Deep Learning and Ensemble Learning Based Architecture for Metro Passenger Flow Forecast[J]. IET Intelligent Transport Systems，2023，17(3)：487-502.

[30] 姚向明，赵　鹏，禹丹丹. 基于平均策略的城市轨道交通动态O-D矩阵估计[J]. 吉林大学学报(工学版)，2016，46(1)：92-99.

[31] YAO Xiangming， ZHAO Peng， YU Dandan. Dynamic Origin-Destination Matrix Estimation for Urban Rail Transit Based on Averaging Strategy[J]. Journal of Jilin University (Engineering and Technology Edition)，2016，46(1)：92-99.

[32] SILVA R， KANG S M， AIROLDI E M. Predicting Traffic Volumes and Estimating the Effects of Shocks in Massive Transportation Systems[J]. Proceedings of the National Academy of Sciences of the United States of America，2015，112(18)：5643-5648.

[33] 张文强，刘若男，张含笑，等. 基于向量自回归和动态模式分解的城市轨道交通短时OD预测[J]. 北京交通大学学报，2023，47(6)：41-49.

[34] ZHANG Wenqiang， LIU Ruonan， ZHANG Hanxiao，et al. Short-Term Prediction of OD for Urban Rail Transit Using Vector Autoregression and Dynamic Mode Decomposition[J]. Journal of Beijing Jiaotong University，2023，47(6)：41-49.

[35] LIU Y， LIU Z Y， JIA R. DeepPF：A Deep Learning Based Architecture for Metro Passenger Flow Prediction[J]. Transportation Research Part C：Emerging Technologies，2019，101：18-34.

[36] 高梦琦. 基于机器学习的城市轨道交通客流需求预测[D]. 北京：北京交通大学，2020.

[37] 蒋　熙，贾飞凡，冯佳平. 基于AFC数据的城轨路网客流OD在线动态估计[J]. 交通运输系统工程与信息，2018，18(5)：129-135.

[38] JIANG Xi， JIA Feifan， FENG Jiaping. An Online Estimation Method for Passenger Flow OD of Urban Rail Transit Network by Using AFC Data[J]. Journal of Transportation Systems Engineering and Information Technology，2018，18(5)：129-135.

[39] NOURSALEHI P， KOUTSOPOULOS H N， ZHAO J H. Dynamic Origin-Destination Prediction in Urban Rail Systems：A Multi-Resolution Spatio-Temporal Deep Learning Approach[J]. IEEE Transactions on Intelligent Transportation Systems，2022，23(6)：5106-5115.

[40] ZENG J， TANG J J. Combining Knowledge Graph into Metro Passenger Flow Prediction：A Split-Attention Relational Graph Convolutional Network[J]. Expert Systems with Applications，2023，213：118790.

[41] LUO X L， LI D Y， YANG Y，et al. Spatiotemporal Traffic Flow Prediction with KNN and LSTM[J]. Journal of Advanced Transportation，2019，2019(1)：4145353.

[42] LYU S R， WANG K P， YANG H，et al. An Origin-Destination Passenger Flow Prediction System Based on Convolutional Neural Network and Passenger Source-Based Attention Mechanism[J]. Expert Systems with Applications，2024，238：121989.

[43] 李浩然，许心越，李建民，等.考虑稀疏特性的城市轨道交通短时OD时空预测方法[J].铁道科学与工程报，2023，20(10)：3685-3695.

[44] LI Haoran， XU Xinyue， LI Jianmin，et al. A Spatio-Temporal Prediction Method of Short-Term OD in Urban Rail Transit with Sparse Data [J]. Journal of Railway Science and Engineering，2023，20(10)：3685-3695.

[45] ZHANG J L， CHE H S， CHEN F，et al. Short-Term Origin-Destination Demand Prediction in Urban Rail Transit Systems：A Channel-Wise Attentive Split-Convolutional Neural Network Method[J]. Transportation Research Part C：Emerging Technologies，2021，124：102928.

[46] JIANG W H， MA Z L， KOUTSOPOULOS H N. Deep Learning for Short-Term Origin-Destination Passenger Flow Prediction under Partial Observability in Urban Railway Systems[J]. Neural Computing and Applications，2022，34(6)：4813-4830.

[47] YE J X， ZHAO J J， ZHENG F R，et al. A Heterogeneous Graph Convolution Based Method for Short-Term OD Flow Completion and Prediction in a Metro System[J]. IEEE Transactions on Intelligent Transportation Systems，2024，25(11)：15614-15627.

[48] YU P， ZHANG X， GONG Y S，et al. Enhancing Origin-Destination Flow Prediction via Bi-Directional Spatio-Temporal Inference and Interconnected Feature Evolution[J]. Expert Systems with Applications，2025，264：125679.

[49] ZHANG Y， SUN K Y， WEN D，et al. Deep Learning for Metro Short-Term Origin-Destination Passenger Flow Forecasting Considering Section Capacity Utilization Ratio[J]. IEEE Transactions on Intelligent Transportation Systems，2023，24(8)：7943-7960.

[50] NOURSALEHI P， KOUTSOPOULOS H N， ZHAO J H. Real Time Transit Demand Prediction Capturing Station Interactions and Impact of Special Events[J]. Transportation Research Part C：Emerging Technologies，2018，97：277-300.

[51] 付　宇，翁剑成，钱慧敏，等. 基于XGBoost算法的大型活动期间轨道进出站量预测[J]. 武汉理工大学学报(交通科学与工程版)，2020，44(5)：832-836.

[52] FU Yu， WENG Jiancheng， QIAN Huimin，et al. Prediction of Metro Passenger Flow during Large-Scale Activities Based on XGBoost Algorithm[J]. Journal of Wuhan University of Technology (Transportation Science & Engineering)，2020，44(5)：832-836.

[53] 许心越，吴宇航，张英男，等. 考虑时空修正的轨道交通封站短时客流预测方法[J]. 交通运输工程学报，2021，21(5)：251-264.

[54] XU Xinyue， WU Yuhang， ZHANG Yingnan，et al. Short-Term Passenger Flow Forecasting Method of Rail Transit under Station Closure Considering Spatio-Temporal Modification[J]. Journal of Traffic and Transportation Engineering，2021，21(5)：251-264.

[55] XUE G， LIU S F， REN L，et al. Forecasting the Subway Passenger Flow under Event Occurrences with Multivariate Disturbances[J]. Expert Systems with Applications，2022，188：116057.

[56] ZHANG S X， ZHANG J L， YANG L X，et al. Spatiotemporal Attention Fusion Network for Short-Term Passenger Flow Prediction on New Year'‍s Day Holiday in Urban Rail Transit System[J]. IEEE Intelligent Transportation Systems Magazine，2023，15(5)：59-77.

[57] 王兴川，姚恩建，刘莎莎. 基于AFC数据的大型活动期间城市轨道交通客流预测[J]. 北京交通大学学报，2018，42(1)：87-93.

[58] WANG Xingchuan， YAO Enjian， LIU Shasha. Urban Rail Transit Passenger Flow Forecasting for Large Special Event Based on AFC Data[J]. Journal of Beijing Jiaotong University，2018，42(1)：87-93.

[59] 牛燕斌，孙　琦，王月玥，等. 计划性大型活动散场期间地铁OD客流量预测方法[J]. 交通工程，2023，23(3)：122-128.

[60] NIU Yanbin， SUN Qi， WANG Yueyue，et al. Prediction of Subway OD Passenger Flow during the End of Planned Large-Scale Events[J]. Journal of Transportation Engineering，2023，23(3)：122-128.

[61] 李　臣，汪　波，白云云，等. 基于AFC数据的城市轨道交通突发事件客流影响分析[J]. 铁道科学与工程学报，2019，16(10)：2620-2627.

[62] LI Chen， WANG Bo， BAI Yunyun，et al. Impact Analysis of Passenger Flow under Urban Rail Transit Emergency Conditions Based on AFC Data[J]. Journal of Railway Science and Engineering，2019，16(10)：2620-2627.

[63] SUN H J， WU J J， WU L J，et al. Estimating the Influence of Common Disruptions on Urban Rail Transit Networks[J]. Transportation Research Part A：Policy and Practice，2016，94：62-75.

[64] MO B C， KOUTSOPOULOS H N， ZHAO J H. Inferring Passenger Responses to Urban Rail Disruptions Using Smart Card Data：A Probabilistic Framework[J]. Transportation Research Part E：Logistics and Transportation Review，2022，159：102628.

[65] 叶红霞. 突发事件下城市轨道交通网络客流重分布预测方法研究与应用[J]. 城市轨道交通研究，2018，21(8)：63-66.

[66] YE Hongxia. On the Prediction Method of Passenger Flow Redistribution under Urban Rail Transit Network Emergency[J]. Urban Mass Transit，2018，21(8)：63-66.

[67] 刘莎莎，姚恩建，李斌斌，等. 基于行为分析的突发事件下城轨站间客流分布预测[J]. 铁道学报，2018，40(9)：22-29.

[68] LIU Shasha， YAO Enjian， LI Binbin，et al. Forecasting Passenger Flow Distribution between Urban Rail Transit Stations Based on Behavior Analysis under Emergent Events[J]. Journal of the China Railway Society，2018，40(9)：22-29.

[69] LI Y， WANG X D， SUN S，et al. Forecasting Short-Term Subway Passenger Flow under Special Events Scenarios Using Multiscale Radial Basis Function Networks[J]. Transportation Research Part C：Emerging Technologies，2017，77：306-328.

[70] NI M， HE Q， GAO J. Forecasting the Subway Passenger Flow under Event Occurrences with Social Media[J]. IEEE Transactions on Intelligent Transportation Systems，2017，18(6)：1623-1632.

[71] 禹　倩，张亚东，郭　进，等. 基于深度集成神经网络的城市轨道交通短时进站客流预测[J]. 铁道学报，2023，45(12)：37-46.

[72] YU Qian， ZHANG Yadong， GUO Jin，et al. Short-Term Inbound Passenger Flow Forecasting for Urban Rail Transit Based on Deep Ensemble Neural Network[J]. Journal of the China Railway Society，2023，45(12)：37-46.

[73] 冯树民，刘　浩，李来成. 雨雪天气下轨道交通客流预测模型[J]. 哈尔滨工业大学学报，2022，54(9)：1-6.

[74] FENG Shumin， LIU Hao， LI Laicheng. Prediction Model of Rail Transit Passenger Flow in Rain and Snow Weather[J]. Journal of Harbin Institute of Technology，2022，54(9)：1-6.

[75] ZOU L M， WANG Z J， GUO R. Real-Time Prediction of Transit Origin-Destination Flows during Underground Incidents[J]. Transportation Research Part C：Emerging Technologies，2024，163：104622.

基金资助

国家重点研发计划项目(2022YFC3005204)