基于改进Logistic-...网络的地铁短时客流预测研究_胡明伟.pdf

第 42 卷第 3 期重 庆 交 通 大 学 学 报(自 然 科 学 版)Vol 42No32023 年 3 月JOUNAL OF CHONGQING JIAOTONG UNIVESITY(NATUAL SCIENCE)Mar 2023DOI:103969/jissn1674-069620230313基于改进 Logistic-SSA-BP 神经网络的地铁短时客流预测研究胡明伟1，2，3，何国庆1，吴雯琳1，赵千1，2，3(1 深圳大学 土木与交通工程学院，广东 深圳 518060;2 滨海城市韧性基础设施教育部重点实验室(深圳大学)，广东 深圳 518060;3 深圳大学 未来地下城市研究院，广东 深圳 518060)摘要:地铁客流的变化规律存在着一定周期性和潮汐性，针对地铁客流的预测有助于提高城市轨道系统的运营效率，实现轨道交通智慧化运营。为提高地铁短时客流预测结果的准确度，提出了一种基于 Logistic 混沌映射麻雀算法(Logistic-SSA)优化 BP 神经网络的地铁客流短时预测模型。该模型通过 Logistic 混沌映射初始化麻雀算法种群，再利用改进后的麻雀算法优化 BP 神经网络，达到提高 BP 神经网络的全局搜索能力和收敛效率;以深圳地铁西乡站进、出站 AFC 刷卡数据为例，利用构建的预测模型开展客流预测实验，并通过 3 种准确性评价指标(MAE、MSE、MAPE)，评价改进前后模型预测的准确性。研究结果表明:改进的 Logistic-SSA-BP 预测模型平均绝对百分误差分别为 1496%和 1373%;与传统 BP 预测模型相比，其客流预测结果具有更高的准确性。关键词:交通工程;地铁;短时客流预测;Logistic 混沌映射;麻雀算法;BP 神经网络中图分类号:U491文献标志码:A文章编号:1674-0696(2023)03-090-08Subway Short-Term Passenger Flow Forecast Based onImproved Logistic-SSA-BP Neural NetworkHU Mingwei1，2，3，HE Guoqing1，WU Wenlin1，ZHAO Qian1，2，3(1 College of Civil and Transportation Engineering，Shenzhen University，Shenzhen 518060，Guangdong，China;2 Key Laboratory of Coastal Urban esilient Infrastructures(Shenzhen University)，Ministry of Education，Shenzhen518060，Guangdong，China;3 Underground Polis Academy of Shenzhen University，Shenzhen 518060，Guangdong，China)Abstract:The change rules of passenger flow of subway have certain periodic and tidal characteristics Predicting subwaypassenger flow can help improve the operational efficiency of urban rail systems and achieve intelligent operation of railtransit To improve the accuracy of short-term subway passenger flow prediction results，a short-term prediction model ofsubway passenger flow based on Logistic-SSA optimization BP neural network was proposed The proposed model initializedthe sparrow search algorithm population through a Logistic chaotic map，and then optimized the BP neural network by usingthe improved sparrow algorithm to improve the global search ability and convergence efficiency of the BP neural networkTaking the inbound and outbound AFC card data of Shenzhen Metro Xixiang Station as an example，a passenger flowprediction experiment was conducted by using the constructed prediction model，and the accuracy of the model predictionbefore and after the improvement was evaluated through three accuracy evaluation indicators such as MAE，MSE andMAPE The experimental results show that MAPE of inbound and outbound are 1496%and 1373%respectively for theimproved Logistic-SSA-BP prediction model Compared with the traditional BP prediction model，the passenger flowprediction results of the proposed model have higher accuracyKey words:traffic engineering;subway;short-term passenger flow forecast;Logistic chaotic maps;sparrow searchalgorithm;BP neural network收稿日期:2021-11-08;修订日期:2021-12-30基金项目:国家自然科学基金项目(52090084;L1924061);中国工程科技发展战略广东研究院 2020 年咨询研究项目(2020-GD-04-1-1)第一作者:胡明伟(1972)，男，湖南衡阳人，教授，博士生导师，主要从事智能交通方面的研究。E-mail:humw2005 126com通信作者:何国庆(1993)，男，重庆人，硕士研究生，主要从事智能交通方面的研究。E-mail:heguoqingcq 163com0引言城市地铁以其经济、便利、高效的运营优势，逐渐成为大众出行的首要选择，现在城市地铁的客流也与日俱增1。据相关统计，截至 2021 年 6 月全国41 个城市地铁总客运量达 1961 亿人次，日平均6 57776万人次，比 2019 年 6 月上涨 094%。面对日益庞大的地铁客流，通过历史客流数据精准预测未来的短时客流量，是地铁运营公司制定日常行车计划和突发事件紧急疏散预案的重要依据。因此，如何对城市地铁短时客流量进行高效、准确预测是地铁运营管理者所关注的问题。近些年来，地铁客流短时预测领域的研究已受到国内外学者高度关注，常见的客流预测方法可分为统计学的客流预测方法和机器学习的客流预测方法。统计学的客流预测方法包括平均模型、时间序列模型、指数平滑模型、卡尔曼滤波模型和非参数回归模型等2-3。BMWILLIAMS 等4 提出了基于季节性移动平均(SAIMA)的客流预测模型;韩超等5 通过改进 AIMA，减少遗忘因子，以达到提升模型预测精度的目的;熊杰等6 通过构建卡尔曼滤波模型，实时采集最新数据，以此得到早晚高峰期客流量的精准预测。机器学习的客流预测方法主要包括支持向量机、贝叶斯及神经网络等7。HAN Huiting 等8 提出了基于 XGBoost 的高速铁路客流预测模型，通过对高铁订票信息作为重要的客流特征进行模型训练，得到的预测值比传统模型预测值精度更高;张淑玉等9 从历史客流数据和预售期已售票额出发，提出了基于发车时间、行车时间、休息日等客流特征的贝叶斯预测模型，在客流预测中取得较好效果;李若怡等10 将时空特征作为输入层，采用改进的 LSTM模型对运营客流 OD 数据进行预测。BP 神经网络作为最典型的深度学习方法，被众多学者用于客流预测11-12。但传统 BP 神经网络常伴着准确度低、收敛时间长、结果易陷入局部最优等情况13-17。因此，学者们常通过其他算法对 BP 神经网络模型加以改进，从而提高预测结果的准确性和收敛速度。惠阳等18 通过改进的粒子群算法，优化了 BP 神经网络，使地铁客流预测的准确性有极大提升;傅晨琳等19 提出了基于集合经验模态分解法优化 BP 神经网络，构建了地铁客流短时预测模型，探究了日间客流波动的影响因素;张艺铭等20 通过将余弦思想和动态权重改进的灰狼算法，与 BP神经网络结合，达到提高轨道交通短时客流预测的目的;王国梁等21 提出通过麻雀算法优化 BP 神经网络，建立了小米米粉糊化预测模型，由实验对比发现，优化后的 BP 神经网络能提高在小米米粉糊化特征指标回归、预测上的优势。麻雀搜索算法(sparrow search algorithm，SSA)22-25 是近年来提出的一种新型启发式算法，它来源于麻雀的捕食和反捕食行为，具有寻优能力强、收敛速度快、全局性良好等特点;在故障检验、关键参数辨识、路径优化等方面有着较好的效果，但在地铁客流预测上的研究较少。鉴于此，笔者提出了一种新的 BP神经网络回归预测模型(Logistic-SSA-BP)。该模型利用 Logistic 混沌映射后的麻雀搜索算法(Logistic-SSA)寻优能力强、收敛速度快的特点，对传统的 BP神经网络进行改进，提升了其在地铁客流预测中的收敛速度和预测精度，并通过深圳地铁历史客流数据进行了实例验证。1SSA 与 BP 神经网络原理11SSA 原理SSA 算法是根据麻雀捕食与躲避捕食行为提出的新型启发式优化算法。相较于其他传统算法，该算法在精度、收敛速度和稳定性上都具有一定优势26。SSA 算法建模过程如图 1。图 1麻雀算法(SSA)流程Fig 1Flowchart of sparrow search algorithm19第 2 期胡明伟，等:基于改进 Logistic-SSA-BP 神经网络的地铁短时客流预测研究其具体步骤如下:步骤步骤 1 1:确定初始化种群;步骤步骤 2 2:确定种群迭代次数，以及初始探索者和融入者比例;步骤步骤 3 3:计算族群适应度值;步骤步骤 4 4:通过式(1)迭代探索者位置;步骤步骤 5 5:通过式(2)迭代融入者位置;步骤步骤 6 6:通过式(3)迭代预警者位置;步骤步骤 7 7:计算适应度值和麻雀位置;步骤步骤 8 8:判断是否符合终止条件，若符合则退出计算，并输出最终结果，否则，回到步骤步骤 2 2 重新开始计算。麻雀群作为一个智能群体，在捕食过程中具有明显的分工行为，分别为探索者、融入者和预警者。其中:探索者作为主要的食物搜索个体，往往最快找到食物，融入者是一部分跟随探索者的个体，预警者是麻雀群中负责预警的个体，当危险来临时，会提醒放弃捕食行为。通常由于探索者负责发现食物，所以具有最大的搜索区域27，在模型中表现为较高的适应度值。探索者和融入者身份是随时动态变化的，当预警值大于安全阀值时，探索者会将融入者带到其它安全地区进行捕食。SSA 算法中经过每次迭代，探索者的位置更新为如式(1):Xt+1i，j=Xi，j expi iintermax()，2 SSTXi，j+Q L，2SST(1)式中:t 为此时种群迭代的次数;iitermax为迭代次数的上限值;Xi，j为 i 在第 j 维的方位坐标;为 01 之间的随机数;2 0，1 代表预警阀值;SST 05，1 代表安全阀值;Q 为服从正态分布的随机数;L 为一个ld 的矩阵，且矩阵中每个元素都为 124。若 2SST时，意味着族群中一部分麻雀发现危险，并向族群发出预警信息，此时整个种群中的麻雀会立即飞往其它安全地区捕食;若 2SST时，意味着族群周围没有危险，探索者会携带融入者进行捕食。融入者在跟随探索者过程中，其位置更新如式(2):Xt+1i，j=QexpXworst Xti，ji2()，in2Xt+1P+Xi，j Xt+1P A+L，otherwise(2)式中:A 为 ld 的矩阵，矩阵中每个元素取值为 1 或1，且 A+=AT(AAT)1;n 为族群规模;XP为当前探索者位置;Xworst为当前所有捕食的最差位置。若 in/2 时，表示第 i 个融入者的适应度值较低，必须到其他区域捕食，以此获得更多能量。预警者作为族群中最先发现危险的麻雀，初始位置会在族群中随机生成，其表达如式(3):Xt+1i，j=Xtbest+Xti，jXtbest，fifgXti，j+K Xti，jXtworst(fifw)+()，fi=fg(3)式中:为步长控制参数，其服从方差为 1，平均值为 0 的正态分布的随机数24;Xtbest为全局中的最优位置;K 为 1，1 的随机数;fi为当前麻雀的适应度值;fg、fw为全局最优适应度值和全局最差适应度值;为常数。若 fifg时，说明麻雀正位于族群边缘，可能会出现被捕食的危险;若 fi=fg时，说明麻雀察觉到危险，为躲避危险，会尽可能向其它麻雀靠拢。12BP 神经网络原理BP(back propagation)神经网络实质是多层感知器的一种，它能按误差逆传播进行算法训练，是应用最为普遍、最为成功的神经网络模型之一28-29。BP神经网络模型结构由 3 部分组成，分别为输入层(input)、隐藏层(hide layer)和输出层(output layer)，每部分可由多个神经元组成，常见的 BP 神经网络中隐藏层可有单层和多层之分，其结构如图 2。图 2BP 神经网络结构Fig 2Structure diagram of BP neural network29重 庆 交 通 大 学 学 报(自 然 科 学 版)第 42 卷对于绝大部分预测模拟实验而言，单层隐藏层具有精度高且速度快的优势30。通常决定 BP 神经网络性能高低的参数主要取决于隐藏层节点数、激活函数和学习效率的选取。隐藏层神经元个数越少，BP 神经网络模拟效果就越差，反之隐藏层神经元个数越多，BP 神经网络模拟效果越好;激活函数和学习率的选取决定了识别率和收敛速度，若设定的学习率过低，会造成神经网络的收敛时间变长，相反若设定的学习率过高，则可能导致模拟无法收敛，甚至还会降低识别率。2改进的 Logistic-SSA-BP 预测模型21Logistic 混沌映射优化为避免麻雀搜索算法(SSA)因收敛变化使族群多样性下降，陷入局部最优问题，笔者采用 Logistic混沌映射初始化麻雀族群，对族群中的适应度进行排序，取靠前个体作为初始化族群，以此在一定程度上增加族群多样性，提高输出结果精确度。Logistic混沌映射作为经典的混沌映射方法之一，被广泛的应用于安全、通信领域。其表达如式(4):Xn+1=Xn(1Xn)(4)式中:0，4，Xn 0，1。当 0Xn1 时，初始条件 X0在 Logistic 映射下其序列呈现非周期、不收敛状态，而此范围之外，产生的序列必定收敛于特定值。22Logistic-SSA-BP 模型笔者采用 Logistic 混沌映射方法优化麻雀搜索算法(SSA)，提高初始麻雀族群质量，有助于增强算法收敛性和精确性，然后将改进后的算法用于优化 BP 神经网络，并结合训练集和测试集数据样本，设计改进麻雀算法的适应度函数 EFitness，其模型如式(5):EFitness=min12EMS(TTrain，TTest)()(5)式中:TTrain为训练集的样本;TTest为测试集的样本。根据适应度函数值的大小，能直观反应训练和预测的准确性，若计算得到的适应度函数值越小，即均方误差 EMS越小，表示训练越准确，且模型的预测精度更好。笔者构建了 Logistic-SSA-BP 神经网络预测模型，借助 Logistic-SSA 算法的优秀寻优能力和迅捷收敛优势，能提升预测结果的精度。其建模过程如图 3。图 3Logistic-SSA-BP 预测模型流程Fig 3Flow chart of Logistic-SSA-BP prediction model具体步骤如下:步骤步骤 1 1:初始化参数;步骤步骤 2 2:确定 BP 神经网络的拓扑结构;步骤步骤 3 3:通过 Logistic 混沌映射法对族群进行初始化处理，调整族群规模、迭代次数、探索者、融入者和预警者比例;步骤步骤 4 4:计算族群中适应度值，并对不同的适应度值进行排序，得到最优适应度 fg和最差适应度 fw;步骤步骤 5 5:通过式(1)式(3)，更新探索者、融入者、预警者位置信息;步骤步骤 6 6:判断位置信息是否满足终止条件，若满足，则输出最优位置信息，进入步骤步骤 7 7，若不满足，则回到步骤 3，直至位置信息满足终止条件(是否达到最大迭代次数或达到最初设定的收敛精度);步骤步骤 7 7:根据最优位置信息，输出 BP 神经网络最优权值和阀值参数;步骤步骤 8 8:对数据训练集进行神经网络训练;步骤步骤 9 9:测试集进行仿真预测，输出预测结果。3模型准确性评价指标在深度学习领域中，预测模型的准确性评价是一个不可或缺的环节，不同类型的模型评价方法也大相径庭。为反映真实值和预测值误差的同时，还能进一步计算误差占真实值的百分比，因此笔者以平均绝对误差、均方根误差及平均绝对百分误差作为客流预测模型准确性的评价指标。31平均绝对误差(MAE)在真实值和预测值差值的绝对值基础上，通过39第 2 期胡明伟，等:基于改进 Logistic-SSA-BP 神经网络的地铁短时客流预测研究求解算术平均值的方式来避免误差抵消问题。平均绝对误差(MAE)指标值大小(用 EMA表示)直接反映模型性能的好坏，若值越小则性能越好，若越大，则相反。其具体表达如式(6):EMA=1NNi=1xi xi(6)32均方根误差(MSE)对于某些误差值比较敏感，能够明显反映预测值与真实值的偏离程度。若均方根误差值(用 EMS表示)越小，则反映预测值与真实值越接近，对应的预测模型性能越好;若均方根误差值越大，则表明预测模型性能越差。其具体表达如式(7):EMS=1NNi=1(xi xi)2(7)33平均绝对百分误差(MAPE)在反映预测模型真实值和预测值之间误差的同时，还反映误差与真实值的百分比。若平均绝对百分误差值(用 EMPA表示)越小，则表明模型预测值越接近真实值，模型性能越好，预测精度越高，若平均绝对百分误差越大，则相反。其具体表达如式(8):EMPA=100%NNi=1xi xixi(8)在式(6)式(8)中:xi表示真实值;xi表示预测值;N 代表样本个数。4实例分析41样本数据来源为检验文中所提出的 Logistic-SSA-BP 回归预测模型是否有效。笔者选择深圳地铁一号线西乡站2017 年 9 月 1 日9 月 30 日早上 06:3023:30 的AFC 进、出站刷卡数据作为实验原始数据，原始数据以 30 min 为粒度进行统计，数据量共 2 040 组。其中:实验以 9 月份前 29 d 进、出站刷卡数据为训练样本，第 30 d 进、出站数据为测试样本，将得到的预测值分别与真实值进行对比(用于检验真实值与不同模型预测值情况)。42模型参数设置根据对 3 种模型(BP、SSA-BP、Logistic-SSA-BP)预测流程的分析，为方便对比不同种类神经网络预测模型的预测精度及收敛速度，实验中所有神经网络预测模型均采用部分相同参数的设置。例如:模型训练次数统一设为 1 000 次，模型学习速度为 001，训练目标最小误差为 0000 01，最大迭代次数为 100。具体参数设置如表 1。表 13 种预测模型参数设置Table 1Parameter settings for three kinds of prediction models模块参数模型BPSSA-BPLogistic-SSA-BPBP 神经网络部分输入向量个数121212隐藏层节点数101010输出向量个数111学习率001001001最大训练数1 0001 0001 000目标最小误差0000 10000 10000 1动量因子001001001最小性能梯度1E-61E-61E-6麻雀搜索算法部分种群规模3030最大进化代数5050安全值0606探索者比例0707预警者比例0202Logistic 混沌映射部分映射种群倍数343预测结果分析实验采用 MATLAB 2016a 软件对原始数据进行编程处理，处理过程包括错误与冗余数据修改，划分训练集与测试集，对数据进行归一化处理等。将处理完毕的数据分别输入到文中构建的 BP、SSA-BP、Logistic-SSA-BP 神经网络预测模型中，进行地铁短时客流预测，最终实验预测结果，如图 4、图 5。图 4为测试数据集的真实值与不同模型短时预测值对比情况;图5 为 Logistic-SSA-BP 与 SSA-BP 适应度曲线情况。由图 4 可知:深圳市西乡站全天进、出站客流存在明显的早晚高峰潮汐现象，早高峰一般集中在07:3008:30，晚高峰一般集中在 18:0019:00。图 4 中:无论是传统 BP 神经网络预测模型，还是改进过的 SSA-BP 及 Logistic-SSA-BP 模型，都可以捕捉到西乡站进、出站客流早晚高峰的客流特征，对客流的变化态势以及峰值拟合都较为准确，可以实现较好的客流预测效果。由图 5 可知:经 Logistic 混沌映射的麻雀搜索算法优化 BP 神经网络，其预测速度及适应度值下降速度明显加快、种群进化代数明显更少，反映出改进后的模型其预测效率更高。49重 庆 交 通 大 学 学 报(自 然 科 学 版)第 42 卷图 4不同模型预测结果与真实值对比Fig 4Comparison between predicted results and actual values of different models图 5Logistic-SSA-BP 与 SSA-BP 的适应度曲线Fig 5Logistic-SSA-BP and SSA-BP fitness curves为更明显评判 3 种 BP 神经网络模型的预测结果，笔者根据式(6)式(8)分别计算 3 种预测模型的 MAE、MSE 和 MAPE，并通过计算值进行横向对比分析。具体指标对比情况如表 2。表 23 种预测模型的评价指标对比Table 2Comparison of evaluation indexes for three kinds ofprediction models预测模型BP进站出站SSA-BP进站出站Logistic-SSA-BP进站出站MAE604770174322493739834183MSE788981545258568552525616MAPE/%352832722848267114961373由表 2 可知:不同模型的评价指标值存在明显差异，改进后的 BP 模型要比传统 BP 神经网络预测模型效果更好。Logistic-SSA-BP 模型的进站客流预测，EMA=3983，EMS=5252，EMAP=1496%;出站客流预测，EMA=4183，EMS=5616，EMAP=1373%。与传统 BP 预测模型相比，Logistic-SSA-BP 进站客流预测结果的 EMA下降了 2064，EMS下降了2637，EMAP下降了 2032%;出站客流预测的 EMA下降了 2834，EMS下降了 2538，EMAP下降了 1899%。这表明:Logistic-SSA-BP 比传统 BP 模型预测值更加接近真实值，模型精度越高、性能也越好。为更好的验证文中提出的 Logistic-SSA-BP 模型在地铁客流预测方面的优越性和稳定性，利用 NN神经网络对地铁客流进行预测，并将预测结果与文中模型进行对比。为保证结果可比性，在 NN 神经网络预测中，同样选取数据集前 29 d 数据为训练集，最后一天数据(以 1 h 为时间间隔)为测试集。两者的相对误差如表 3。表 3NN 与 Logistic-SSA-BP 预测结果相对误差及平均值Table 3The relative error and average value of NN andLogistic-SSA-BP prediction results%序号NNLogistic-SSA-BP序号NNLogistic-SSA-BP1143311621125641240212191412121830835313379181321441150410451350149119105285020621512481108612641133161550114959第 2 期胡明伟，等:基于改进 Logistic-SSA-BP 神经网络的地铁短时客流预测研究(续表 3)序号NNLogistic-SSA-BP序号NNLogistic-SSA-BP71009127017173016808145384518324329719146115601022122157平均值16951384从表 3 可看出:NN 预测结果与真实值的相对误差为 911%3343%;Logistic-SSA-BP 的相对误差为 835%2971%。Logistic-SSA-BP 的相对误差平均值比 NN 小 311%，由此说明在客流预测的优越性和稳定性上 Logistic-SSA-BP 模型效果更好。综上，通过 Logistic-SSA 优化 BP 神经网络，并将其用于地铁客流预测是可行的，与其他算法相比，具有更好的效果。5结论地铁短时客流预测对提高城市轨道交通系统的运行效率，优化运营组织结构，为乘客提供更加安全、优质的出行服务具有重要意义。笔者鉴于传统 BP 神经网络模型在预测客流时表现出的准确度低、收敛速度慢、易陷入局部最优值的问题，利用麻雀搜索算法(SSA)对 BP 神经网络的权值和阀值进行优化，以此提高客流预测精确度和准确性。同时考虑到 SSA 算法全局搜索能力较弱的缺点，利用 Logistic 混沌映射对 SSA 算法种群进行初始化，以此提高算法全局搜索能力和稳定性，最终得到了改进后的 BP 神经网络回归预测模型(Logistic-SSA-BP)。通过比较基于 MAE、MSE 和 MAPE 这 3 种评价指标的模型预测结果可发现:与传统 BP 神经网络预测模型相比，进出站的 EMA平均减少 2449，EMS平均减少 2588，EMAP平均减少 1966%;此外通过与NN 预测模型对比，相对误差范围和平均值更小。由此表明基于 Logistic-SSA 算法优化后的 BP 神经网络预测模型在短时客流预测方面效果更好，准确度更高。笔者利用改进后的 SSA 算法优化了 BP 神经网络模型，并将其应用于城市轨道交通短时客流预测研究中;通过深圳市西乡地铁站的进、出站客流数据进行了实例验证。参考文献(eferences):1LU Jia，EN Gang，XULinghui Analysis of subway station distribu-tion capacity based on automatic fare collection data of Nanjing metro J Journal of Transportation Engineering Part A:Systems，2020，146(2):1-9 2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):105-111ZENG Cheng，WU Jiayuan，LUO Xia Literature review of short-term passenger flow forecast for urban rail transitJ ailwayTransport and Economy，2021，43(8):105-111 3屈莉，兰时勇，张建伟基于浮动车数据非参数回归短时交通速度预测J计算机工程与设计，2013，34(9):3298-3332QU Li，LAN Shiyong，ZHANG Jianwei Short-term traffic forecastingbased on nonparametric regression and floating car data JComputer Engineering and Design，2013，34(9):3298-3332 4WILLIAMS B M，HOEL L A Modeling and forecasting vehicular trafficflow as a seasonal AIMA process:Theoretical basis and empiricalresults J Journal of Transportation Engineering，2003，129(6):664-672 5韩超，宋苏，王成红基于 AIMA 模型的短时交通流实时自适应预测 J 系统仿真学报，2004，16(7):1530-1532HAN Chao，SONG Su，WANG Chenghong A real-time short-termtraffic flow adaptive forecasting method based on AIMA modelJJournal of System Simulation，2004，16(7):1530-1532 6熊杰，关伟，孙宇星基于 Kalman 滤波的地铁换乘客流预测J北京交通大学学报，2013，37(3):112-116XIONG Jie，GUAN Wei，SUN Yuxing Metro transfer passengerforecasting based on Kalman filterJ Journal of Beijing JiaotongUniversity，2013，37(3):112-116 7刘夏，邱钊，陈焕东，等基于机器学习模型的民航客流预测仿真研究 J 软件，2018，39(5):43-49LIU Xia，QIU Zhao，CHEN Huandong，et al A study on the impro-vement of forecasting of civil aviation passenger number based onmachine learning modelJ Computer Engineering Software，2018，39(5):43-49 8HAN Huiting，ZHANG Junfeng，GE Meng，et al esearch on forecastof passenger flow of high-speed railway in competitive market based onXGBoost model C 2020 13thInternationalSymposiumonComputational Intelligence and Design Hangzhou:ISCID，2020:110-113 9张淑玉基于贝叶斯理论的铁路短期客流预测方法研究D北京:北京交通大学，2018ZHANG Shuyu esearch on Forecasting Method of Short-Term PassengerFlow Based on Bayesian Theory D Beijing:Beijing JiaotongUniversity，2018 10李若怡基于改进时空 LSTM 模型的城市轨道交通系统 OD 客流短时预测D北京:北京交通大学，2019LI uoyi Short-Term Prediction of Origin-Destination PassengerFlow for Urban ail Transit Based on Improved Spatio-temporalLSTM Model D Beijing:Beijing Jiaotong University，2019 11侯晨煜，孙晖，周艺芳，等基于神经网络的地铁短时客流预测服务 J 小型微型计算机系统，2019，40(1):226-231HOU Chenyu，SUN Hui，ZHOU Yifang，et al Prediction service ofsubway short-term passenger flow based on neural networkJ69重 庆 交 通 大 学 学 报(自 然 科 学 版)第 42 卷Journal of Chinese Computer Systems，2019，40(1):226-231 12曹升阳，陆国浩基于红外传感器和 BP 神经网络的景区客流预测研究 J科技创新与生产力，2019(8):9-12CAO Shengyang，LU Guohao esearch on scenic spot passengerflow prediction based on infrared sensor and BP neural network J Sci-tech Innovation and Productivity，2019(8):9-12 13PENG Yanni，XIANG Wanli Short-term traffic volume predictionusing GA-BPbasedonwaveletdenoisingandphasespacereconstructionJ Physica A:Statistical Mechanics anditsApplications，2020，549(C):1-14 14 ZHOU Xingyu，LI Hongmei，ZHENG Weihao，et al Short-termtraffic flow prediction based on the IMM-BP-UKF modelJ Journal of Highway and Transportation esearch and Development(English Edition)，2019，13(2):56-64 15李建森，沈齐，范馨月城市道路短时交通流量预测J数学的实践与认识，2019，49(5):192-197LI Jiansen，SHEN Qi，FAN Xinyue The prediction of short-termtraffic flow in urban roadsJ Journal of Mathematics in Practiceand Theory，2019，49(5):192-197 16陆百川，舒芹，马广露基于多源交通数据融合的短时交通流预测J重庆交通大学学报(自然科学版)，2019，38(5):13-19LU Baicuan，SU Qin，MA GuangluShort-term traffic flowforecasting based on multi-source traffic data fusionJ Jour