城市轨道交通客流预测研究综述：模型演进、挑战与未来趋势

摘要
总结客流预测对于城市轨道交通规划与智能运营的重要性，综述从传统统计模型到现代深度学习与时空图神经网络的技术演进路径，梳理不同预测类型（进出站、OD、网络级）与场景（常规、应急、枢纽换乘）下的核心方法，分析当前面临的数据、模型与应用挑战，并展望跨领域融合、因果推断及可解释人工智能等未来研究方向。

关键词：城市轨道交通；客流预测；时空预测；深度学习；图神经网络；出行需求管理

1. 引言

研究背景与意义：结合你提供的行业发展数据（如58个城市、超12000公里运营里程等），阐述大规模网络化运营下精准客流预测对行车组织、安全预警、能源管理和乘客服务优化的核心价值-4-6。
综述范围与框架：明确本综述主要聚焦于短期与短时预测，按照“预测对象-技术方法-应用场景”的逻辑主线展开，并引用-5等综述性研究作为依据。

2. 客流预测的主要类型与特征

按预测对象分类：进出站客流、断面客流、OD（起讫点）客流-9、网络级客流-6。
按预测时空粒度分类：长期（规划）、中期（调度）、短期/短时（实时运营）。
数据基础：自动售检票（AFC）数据、时刻表、网络拓扑、外部因素（天气、活动、土地利用等）-8。

3. 预测模型的技术演进

3.1 传统统计与机器学习方法：时间序列模型（ARIMA）、卡尔曼滤波、支持向量机（SVM）等。分析其适用于线性、稳定模式的局限-6。
3.2 深度学习模型的兴起
- 循环神经网络（RNN/LSTM/GRU）：擅长捕获时间依赖性，广泛应用于单站客流序列预测-7。
- 卷积神经网络（CNN）：用于提取空间特征（如将车站布局视为图像）-6。
- 编码器-解码器与注意力机制：处理长序列预测，提升关键时间点的预测精度-3-4。
3.3 时空图神经网络（STGNN）成为主流
- 核心优势：将线网建模为图（节点为车站，边为连接），直接处理非欧几里得空间关系，是捕获复杂时空相关性的最有效框架-1-6。
- 代表性架构：时空图卷积网络（STGCN）、图注意力网络（GAT）、时空分层学习框架等-6。
3.4 前沿混合与专用模型
- 物理信息引导模型：如PAG-STAN，将OD客流与进出站客流间的物理守恒关系嵌入损失函数，提升应急场景下的可解释性与精度-2。
- 多图融合模型：如MGLTN，同时构建拓扑、地理、流量相似性等多张图，更全面学习站间关系-9。
- 面向异常检测的预测模型：集成实时异常客流识别与预警功能-4。

表：核心预测模型方法对比

模型类别	代表方法	核心优势	主要局限	典型适用场景
传统方法	ARIMA, Kalman Filter	模型简单，可解释性强	难以处理非线性、复杂时空关系	早期研究，平稳客流序列
深度学习	LSTM, CNN	强大的非线性拟合与特征学习能力	处理图结构时空关系能力有限	单站时间序列预测
时空图神经网络	STGCN, ASTGCN, GMAN	统一建模非欧空间的时空依赖，网络级预测能力强	结构复杂，计算成本高，可解释性弱	网络级、OD客流预测-6-9
混合/专用模型	PAG-STAN-2, MGLTN-9	融入领域知识，针对特定问题（如稀疏OD、应急）优化	设计复杂，通用性可能受限	应急响应、OD控制、异常检测

4. 专题研究场景深化

4.1 应急场景下的客流预测：讨论突发公共卫生事件-2等非常规情况下，出行模式突变、数据稀疏性带来的挑战及解决方案。
4.2 综合交通枢纽的换乘客流预测：分析城际铁路、航空、公交与城轨换乘的多模式交通耦合预测方法与仿真优化-10。
4.3 新线开通的客流预测：探讨数据缺失情况下的预测方法-5。

5. 当前挑战与未来研究方向

5.1 核心挑战
- 数据质量与融合：多源异构数据（AFC、GPS、POI）的实时对齐与融合难题。
- 模型可解释性与可靠性：深度学习“黑箱”问题在安全攸关领域的应用障碍-2。
- 计算效率与实时性：大规模网络实时预测对算法轻量化的需求。
- 复杂场景泛化能力：模型对极端天气、大型活动等非常规事件的适应能力-4。
5.2 未来研究方向
- 新一代人工智能融合：探索大语言模型（LLM）在理解和推理出行意图、融合文本类外部信息（如社交舆情）方面的潜力。
- 因果推断与可解释预测：超越相关性学习，探究客流变化的因果驱动因素，提升决策可信度。
- “预测-决策”一体化：研究预测结果如何直接与列车调度、客流控制、柔性定价等运营策略联动优化-9。
- 元宇宙与数字孪生：在高保真仿真环境中进行预测模型的训练与策略推演。