基于長短期記憶網(wǎng)絡(luò)的軌道交通短期OD客流量預(yù)測

張萍，肖為周，沈錚璽

摘要：為了更準(zhǔn)確地掌握軌道交通客流在線網(wǎng)中的時空分布，更高效地匹配客流需求與運輸能力，實現(xiàn)提高軌道交通運輸效率、改善運營服務(wù)質(zhì)量的目的，提出了一種基于長短期記憶網(wǎng)絡(luò)的短期OD（交通起止點）客流量預(yù)測方法。以歷史客流數(shù)據(jù)為基礎(chǔ)，定性分析車站間OD客流量的時空相關(guān)性，利用回歸分析法定量分析客流影響因素，篩選出運營時刻、運營日特征、最低氣溫3個時間特征。為提高預(yù)測精度，以長短期記憶網(wǎng)絡(luò)為基礎(chǔ)，結(jié)合時間特征，為每對起訖點單獨構(gòu)建預(yù)測模型，形成了基于長短期記憶網(wǎng)絡(luò)的軌道交通短期OD客流量預(yù)測模型。以蘇州市為例進(jìn)行驗證，結(jié)果表明，加入了時間特征的短期OD客流量預(yù)測模型較移動平均模型、僅利用歷史客流數(shù)據(jù)訓(xùn)練的基于LSTM網(wǎng)絡(luò)的短期OD客流量預(yù)測模型，預(yù)測結(jié)果與真實值之間的誤差降低了6.27%～8.58%，所提出的方法和模型可為軌道交通運營部門制定列車運行計劃、組織客運工作提供更準(zhǔn)確的數(shù)據(jù)資料。

關(guān)鍵詞：交通運輸工程;城市軌道交通;站間OD客流;短期客流預(yù)測;長短期記憶網(wǎng)絡(luò)

中圖分類號：U293.13文獻(xiàn)標(biāo)識碼：ADOI： 10.7535/hbgykj.2021yx05001

Forecast of short-term origin-destination passenger flow of rail transit

based on long short-term memory network

ZHANG Ping，XIAO Weizhou，SHEN Zhengxi

（School of Rail Transportation，Soochow University，Suzhou，Jiangsu 215131，China）

Abstract：In order to grasp the temporal and spatial distribution of passenger flow in the rail transit more accurately，match the demand of passenger flow and the capacity of rail transportation more efficiently，and achieve the purpose of improving rail transit transportation efficiency and operation service quality，a forecast method of short-term OD passenger flow （origin-destination ） based on long short-term memory network was proposed.The temporal and spatial correlation of OD passenger flow between stations was qualitatively analyzed based on the historical passenger flow data.The influencing factors of passenger flow were analyzed by regression analysis method，and three time characteristics of operation time，operation day characteristics and minimum temperature were selected.Based on the long short-term memory network，the model was built for each OD combining with the time features to improve the forecast accuracy.Therefore，the short-term OD passenger flow forecast of rail transit based on long short-term memory network was formed.Suzhou railway transit was taken as an example to make an imitation test.The results show that compared with the moving average model and the short-term OD prediction model based on LSTM network trained only by historical data，the error between the real value and the predicted result of the short-term OD prediction model with the time characteristics is reduced by 6.27%～8.58%.In short，the proposed model and the methods can provide more accurate data for rail transit operation department to make the train operation plan and organize passenger transport.

Keywords：traffic and transportation engineering;urban rail transit;origin-destination flow between stations;short-term passenger flow forecast;long short-term memory

軌道交通具有快速、準(zhǔn)時等特點，性價比高，越來越多的居民選擇軌道交通作為主要出行方式。截至2019年底，中國共有40個內(nèi)地城市開通軌道交通運營線路，總運營線路為208條，線路總里程為6 736.2 km;2019年全年累計客運量達(dá)237.1億人次，同比增長12.5%[1]?？梢钥闯觯袊能壍澜煌ㄕ幱诳焖侔l(fā)展時期。一般而言，軌道交通的線網(wǎng)規(guī)模越大，乘客的出行特征就越復(fù)雜，客運工作就越難組織和協(xié)調(diào)。準(zhǔn)確掌握軌道交通短期客流數(shù)據(jù)，是運營部門制定運營計劃的關(guān)鍵，是協(xié)調(diào)各部門完成運輸工作的基礎(chǔ)。

在短期客流預(yù)測方面，大部分學(xué)者的研究對象是軌道交通線路或者部分車站的進(jìn)出站客流量[2]、日客流量[3]及小時客流量[4]。而站間OD（交通起訖點）客流體現(xiàn)了進(jìn)出站客流的流向和分布，是分析客流時空分布的基礎(chǔ)，是進(jìn)行客運組織和票務(wù)清分的關(guān)鍵數(shù)據(jù)。近幾年，也有學(xué)者對此進(jìn)行了研究。姚向明等[5]基于乘客行程時間分布的客流到達(dá)率構(gòu)建狀態(tài)空間模型，以卡爾曼濾波求解短時OD估計;之后，姚向明等[6]在先前研究的基礎(chǔ)上，考慮前向多個時段的影響，引入了滑動平均策略構(gòu)建模型;劉洋等[7]對運營日、運營時段進(jìn)行了聚類劃分，分析了OD客流量分布的穩(wěn)定性和相關(guān)性;陳志杰等[8]考慮到不同時段內(nèi)不同起訖點間的客流差異，建立了多時間尺度的短時OD客流量估計模型并利用交互模型求解，進(jìn)一步提高了計算精度;蔣熙等[9]、李若怡等[10]、ZHANG等[11]、TANG等[12]以長短期記憶網(wǎng)絡(luò)LSTM為基礎(chǔ)，在短時OD客流量預(yù)測中考慮了狀態(tài)方程迭代遞推、多源數(shù)據(jù)、OD客流量吸引度、時空特征等內(nèi)容，實現(xiàn)了深度學(xué)習(xí)方法在短時OD客流量預(yù)測中的運用;侯曉云等[13]建立了基于GRU神經(jīng)網(wǎng)絡(luò)的短時OD客流量預(yù)測模型，在收斂速度和預(yù)測穩(wěn)定性方面有了進(jìn)一步提高。

上述的研究均是建立在實時數(shù)據(jù)輸入條件下，基于狀態(tài)空間法結(jié)合歷史客流研究客流分流率，對當(dāng)前進(jìn)站客流進(jìn)行流向估計從而得到OD客流量矩陣。本文提出的短期OD客流量預(yù)測以歷史刷卡數(shù)據(jù)為基礎(chǔ)，預(yù)測未來一周或未來一個月的OD客流量，以滿足運營公司短期運營決策的需求。

1問題描述

在軌道交通網(wǎng)絡(luò)結(jié)構(gòu)較為穩(wěn)定的情況下，OD客流量的變化情況與歷史同期類似[14]。以某市軌道交通線網(wǎng)中任一對OD為例，以一星期為周期分析客流變化，如圖1所示，觀察可發(fā)現(xiàn)OD客流量的變化趨勢與歷史同期大致相似，僅在部分時段變化有出入但基本穩(wěn)定。

軌道交通自動售檢票系統(tǒng)（automatic fare collection system，AFC） 是一個封閉式自動化網(wǎng)絡(luò)系統(tǒng)，具有售票、檢票、收費、統(tǒng)計等功能，記錄了所有乘客的出行信息，可以從中提取出包含進(jìn)站車站、進(jìn)站時間、出站車站、出站時間、票卡類型等信息。對歷史AFC數(shù)據(jù)進(jìn)行深入挖掘，取τ為時間粒度，將運營時間等分為m個時段，以進(jìn)站時間為劃分標(biāo)準(zhǔn)，統(tǒng)計站間OD客流量。假設(shè)當(dāng)前時段為s（s∈[1，M]，M為所有時段數(shù)），在時段s內(nèi)，從車站i出發(fā)去往車站j的客流量為qij（s）（i∈[1，N]，N為網(wǎng)絡(luò)中所有車站數(shù)）。對于同一OD而言，乘客的在車時間大致相等，等車時間則與發(fā)車間隔即運營時刻有關(guān)，乘客是否跨時段出行對本文預(yù)測結(jié)果影響不大，因而不討論乘客跨時段出站的情況。

本文的短期OD客流量預(yù)測是指在獲得了軌道交通歷史AFC數(shù)據(jù)的條件下，結(jié)合站間客流在時間維度的高度相關(guān)性，構(gòu)建歷史客流數(shù)據(jù)間的輸入輸出關(guān)系，通過大量數(shù)據(jù)訓(xùn)練和誤差調(diào)整，能通過前k個時段的數(shù)據(jù)估計時段s的OD客流量值，而時段s的預(yù)測結(jié)果，也可作為s+1時段的基礎(chǔ)數(shù)據(jù)。因此本文提出的短期站間OD客流量預(yù)測模型可以預(yù)測未來一周、一個月的OD客流量。

2方法提出

軌道交通站間OD客流量分布在不同時間會呈現(xiàn)出不完全相同的特征，例如工作日和非工作日、高峰期與平峰期，筆者將時間因素細(xì)分，結(jié)合現(xiàn)有研究和軌道交通運營實際，選取易獲得的運營時刻、運營特征日、溫度、天氣情況，定量分析時間因素對OD客流量的影響。

2.1影響因素

將一天的運營時間細(xì)分，若時間粒度為τ，則運營時刻被分成m個時段，編號為1—m，運營特征日分為工作日、周末和節(jié)假日3類，分別取值為1，2，3，溫度取當(dāng)天的最高氣溫和最低氣溫，天氣情況分為雨雪天氣和其他情況2類，其中雨雪天氣用1表示，其他情況用2表示，具體字符和數(shù)值對應(yīng)情況如表1所示。

用線性函數(shù)的形式來描述運營時刻、運營特征日、天氣情況、最低氣溫、最高氣溫對客流的影響，形式如式（1）所示。

qijs=αHs+βDs+γZs+

λWLs+ωWHs。（1）

運用回歸分析方法標(biāo)定參數(shù)，結(jié)果見表2，變量需通過5%的置信水平檢驗，即|t|>1.96，需通過顯著性檢驗即Sig.P<0.05，根據(jù)估計結(jié)果，去除天氣情況和最高氣溫。

對運營時刻、運營特征日、最低氣溫再次運用回歸函數(shù)分析，此時各參數(shù)均滿足置信水平檢驗和顯著性檢驗，線性回歸方程的擬合優(yōu)度為0.196，說明上述3個時間因素是站間OD客流量的重要影響因素，但還不能完全表達(dá)客流量，用線性回歸方式預(yù)測OD客流量的效果不佳。在站間OD客流量其他影響因素尚不明確的情況下，神經(jīng)網(wǎng)絡(luò)的優(yōu)勢得以發(fā)揮。

2.2LSTM模型

長短期記憶網(wǎng)絡(luò)（long short-term memory，LSTM）[15]是一種特殊的循環(huán)網(wǎng)絡(luò)，是為了解決一般循環(huán)神經(jīng)網(wǎng)絡(luò)（recurrent neural network，RNN）在處理長期序列時產(chǎn)生的梯度爆炸或梯度消失問題而提出的。相比RNN只有一個傳遞狀態(tài)ht，見圖2，LSTM在重復(fù)模塊中增加了一個傳輸狀態(tài)ct，見圖3，可以記憶不定時間長度的數(shù)值，在復(fù)雜序列特征學(xué)習(xí)方面具有優(yōu)勢，適用于處理軌道交通客流數(shù)據(jù)這類影響因素復(fù)雜、間隔和延遲比較長的時間序列數(shù)據(jù)。圖2、圖3中，xt，yt分別表示當(dāng)前節(jié)點數(shù)據(jù)的輸入和輸出。

LSTM的重復(fù)單元內(nèi)部有4個網(wǎng)絡(luò)層，通過3個門來控制輸入輸出，如圖4所示。

圖4中zf，zi ，zo分別對應(yīng)一種門控狀態(tài)，是由ht-1和xt組成的拼接向量乘以權(quán)重W，經(jīng)過sigmoid激活函數(shù)形成的0～1的向量，如式（2）所示：

zτ=σ（Wτ·ht-1，xt+bτ），τ∈f，i，o。（2）

zt表示對輸入數(shù)據(jù)進(jìn)行處理，是拼接向量乘以權(quán)重的結(jié)果經(jīng)過tanh激活函數(shù)形成的-1～1的向量，計算公式如式（3）所示：

zt=tanhWt·ht-1，xt+bt。（3）

具體運算流程如下。

1）遺忘門zf對上一節(jié)點的輸入進(jìn)行選擇性記憶。

2）輸入門zi決定當(dāng)前節(jié)點的更新，zt表示對當(dāng)前輸入進(jìn)行選擇性記憶。在輸入階段，經(jīng)遺忘門更新的傳輸信息與通過輸入門的信息相加，得到當(dāng)前節(jié)點的ct，如式（4）所示：

ct=zfct-1+zizt 。（4）

3）輸出門zo控制當(dāng)前節(jié)點的輸出，傳遞狀態(tài)ht由ct變化后與輸出控制zo相乘得到，如式（5）所示，當(dāng)前節(jié)點的輸出yt由ht變化得到，如式（6）所示：

ht=zotanh（ct），（5）

yt=σWt′·ht。（6）

在圖4及式（3）-式（7）中，表示矩陣對應(yīng)相乘;表示矩陣對應(yīng)相加; Wα，α∈f，i，o，t，t′表示各狀態(tài)對應(yīng)的權(quán)重向量;bβ，β∈f，i，t，o表示各狀態(tài)對應(yīng)的偏置項;σ表示sigmoid激活函數(shù)，輸出是0～1的值，數(shù)值代表通過sigmoid函數(shù)的信息的保留程度，0表示不保留，1表示全保留 tanh函數(shù)類似sigmoid，輸出為-1～1，兩者的計算公式如式（7）所示：

σx=11+e-x，

tanhx=ex-e-xex+e-x。（7）

3模型構(gòu)建

以網(wǎng)絡(luò)中的車站i和車站j為例，運用LSTM網(wǎng)絡(luò)構(gòu)建車站間短期OD客流量預(yù)測模型。結(jié)合上文OD客流量影響因素研究，車站i和車站j間s時段的數(shù)據(jù)用Pij（s）：qijs，Hs，Ds，WLs表示，由s時段車站i和車站j之間的OD客流量、s時段的運營時刻編號、s時段的運營特征日屬性、s時段的最低氣溫組成。將所有數(shù)據(jù)整理成數(shù)據(jù)集，以前k條數(shù)據(jù)作為輸入，即式（2）與式（3）中x=（Pij（s-k），Pij（s-k+1），…，Pij（s-1）），以下一條數(shù)據(jù)的OD客流量作為輸出，式（6）中y=qij（s），構(gòu)成模型的訓(xùn)練結(jié)構(gòu)，在模型訓(xùn)練過程中不斷重復(fù)式（2）-式（6），直到滿足收斂條件。

在LSTM網(wǎng)絡(luò)模型中，模型參數(shù)的取值分別為時間步長k、隱藏層神經(jīng)元個數(shù)n、迭代次數(shù)epoch對模型的預(yù)測結(jié)果和運算效率有較大影響。當(dāng)k=3時，即以前3條數(shù)據(jù)的客流值作為輸入、后1條數(shù)據(jù)的客流值作為輸出時，整體效果較好。LSTM網(wǎng)絡(luò)設(shè)置一個隱藏層，隱藏層神經(jīng)元取200個，迭代次數(shù)為350次。選用Adam算法更新權(quán)重，MAE作為損失函數(shù)，在隱藏層采用Dropout約束 [16]防止預(yù)測網(wǎng)絡(luò)過擬合。經(jīng)過數(shù)據(jù)訓(xùn)練和測試，將得到基于LSTM的短期站間OD客流量預(yù)測模型，該模型表達(dá)的是在時間因素影響下車站i和車站j之間OD客流量的非線性映射關(guān)系。

4實例分析

以2020年5月-8月蘇州軌道交通126個車站連續(xù)17周的AFC刷卡數(shù)據(jù)為例，對數(shù)據(jù)中異常記錄進(jìn)行篩除，數(shù)據(jù)的有效性為99.99%。通常，短時OD客流量估計的時間間隔為5，10或15 min，一般不超過30 min;本文研究的是短期客流，研究30 min以內(nèi)或超過120 min的時間粒度意義不大，因此選取60 min作為短期客流OD客流量預(yù)測的時間粒度。以60 min為時間間隔，統(tǒng)計各站間OD客流量，全日運營時間為6：00～23：00，劃分成17個時段，編號為1—17，運營特征日按工作日為1、周末為2、節(jié)假日為3的分類取值原則取值，歷史及預(yù)測期內(nèi)的最低氣溫通過中國天氣網(wǎng)（www.weather.com.cn）查詢，共形成2 023條數(shù)據(jù)，模型數(shù)據(jù)示例如表3所示。

根據(jù)模型構(gòu)建部分的參數(shù)設(shè)置，時間步長取3，隱藏層神經(jīng)元個數(shù)取200個，迭代次數(shù)為350次，Dropout取0.2，將前16周的數(shù)據(jù)作為訓(xùn)練集，最后1周的數(shù)據(jù)作為測試集。

運用Python3.7對模型進(jìn)行求解，本文為每對OD客流量單獨建模，預(yù)測時，網(wǎng)絡(luò)被分解為126×125個獨立并行的子任務(wù)，形成獨立的基于LSTM的短期OD客流量預(yù)測模型。在此，取其中2個OD客流量值估計結(jié)果進(jìn)行分析，圖5、圖6分別展示了車站1—車站2、車站3—車站4間模型預(yù)測結(jié)果與實際值的擬合效果。

進(jìn)一步分析模型預(yù)測效果，將本文提出的模型與其他模型對比。在軌道交通客流相對穩(wěn)定的情況下，運營者常常采用歷史同期數(shù)據(jù)或近一段時間的實際客流進(jìn)行估算，即移動平均法，稱為模型1;為了驗證本文在客流預(yù)測模型中加入時間因素的優(yōu)勢，將案例數(shù)據(jù)中運營時刻、運營特征日、最低氣溫三者刪去，不考慮時間因素的影響，僅利用歷史客流數(shù)據(jù)訓(xùn)練模型，即僅客流數(shù)據(jù)輸入的基于LSTM網(wǎng)絡(luò)的短期OD客流量預(yù)測模型，稱為模型2;本文提出的時間因素條件下基于LSTM網(wǎng)絡(luò)的短期OD客流量預(yù)測模型稱為模型3。以時間為橫坐標(biāo)，以某天的真實值、模型的預(yù)測值為縱坐標(biāo)，如圖7、圖8所示，顯然，模型3的擬合效果優(yōu)于模型1與模型2。

以平均絕對誤差MAE和均方根誤差RMSE作為評價指標(biāo)，如表4所示，本文提出的時間因素條件下基于LSTM網(wǎng)絡(luò)的短期站間OD客流量預(yù)測模型的MAE及RMSE分為12.43%和17.20%，誤差比移動平均模型下降了6.27%和8.36%，比僅利用歷史客流數(shù)據(jù)訓(xùn)練的基于LSTM網(wǎng)絡(luò)的短期OD客流量預(yù)測模型下降7.77%和8.58%。

5結(jié)語

本文以軌道交通歷史AFC數(shù)據(jù)為基礎(chǔ)，定性分析了空間因素、時間因素對OD客流量的影響，研究結(jié)果如下：

1）運用回歸分析法定量分析客流影響因素，將運營時刻、運營特征日和最低氣溫3個對客流影響較為顯著的因素從神經(jīng)網(wǎng)絡(luò)的黑箱中提取出來，在一定程度上增強了模型的解釋能力;

2）分析了LSTM網(wǎng)絡(luò)的結(jié)構(gòu)和特征，指出其對于軌道交通客流預(yù)測的適用性，結(jié)合特征值為每對OD客流量建立短期預(yù)測模型，有效提高了預(yù)測精度;

3）運用蘇州軌道交通2020年5月—8月共16周的數(shù)據(jù)訓(xùn)練模型，預(yù)測得到軌道交通網(wǎng)絡(luò)8月最后一周的分時OD客流量，與移動平均模型、僅輸入歷史客流數(shù)據(jù)的LSTM模型的結(jié)果對比，誤差降低了6.27%～8.58%，驗證了模型的可行性及有效性。

綜上所述，本文提出了一個可預(yù)測未來一周的站間OD客流量的模型，所得數(shù)據(jù)可用于計算站點進(jìn)出站客流量、換乘站各方向換乘客流量、斷面客流量等諸多客流指標(biāo)，有助于軌道交通運營公司、城市交通管理部門了解軌道交通客流量的時空分布特征，為下一階段的軌道交通行車組織、人員安排、城市交通管理等工作提供依據(jù)，具有較強的實際意義。本文的不足之處在于模型參數(shù)還需結(jié)合其他軌道交通網(wǎng)絡(luò)進(jìn)行深入研究，以提高模型的適用性。

參考文獻(xiàn)/References：

[1]城市軌道交通協(xié)會.城市軌道交通2019年度統(tǒng)計和分析報告[J].中國城市軌道交通協(xié)會信息，2020（2）：1-53.

[2]崔洪濤，陳曉旭，楊超，等.基于深度長短期記憶網(wǎng)絡(luò)的地鐵進(jìn)站客流預(yù)測[J].城市軌道交通研究，2019，22（9）：41-45.

CUI Hongtao，CHEN Xiaoxu，YANG Chao，et al.Forecast of subway inbound passenger flow based on DLSTM recurrent network[J].Urban Mass Transit，2019，22（9）：41-45.

[3]白麗.城市軌道交通常態(tài)與非常態(tài)短期客流預(yù)測方法研究[J].交通運輸系統(tǒng)工程與信息，2017，17（1）：127-135.

BAI Li.Urban rail Transit normal and abnormal short-term passenger flow forecasting method[J].Journal of Transportation Systems Engineering and Information Technology，2017，17（1）：127-135.

[4]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.

[5]姚向明，趙鵬，禹丹丹.城市軌道交通網(wǎng)絡(luò)短時客流OD估計模型[J].交通運輸系統(tǒng)工程與信息，2015，15（2）：149-155.

YAO Xiangming，ZHAO Peng，YU Dandan.Short-time passenger flow origin-destination estimation model for urban rail transit network[J].Journal of Transportation Systems Engineering and Information Technology，2015，15（2）：149-155.

[6]姚向明，趙鵬，禹丹丹.基于平均策略的城市軌道交通動態(tài)OD矩陣估計[J].吉林大學(xué)學(xué)報（工學(xué)版），2016，46（1）：92-99.

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.

[7]劉洋，凌力，伍元忠，等.基于約束卡爾曼濾波的城市軌道交通線網(wǎng)客流OD實時估計研究[J].鐵道運輸與經(jīng)濟(jì)，2018，40（10）：103-108.

LIU Yang，LING Li，WU Yuanzhong，et al.A real-time OD estimation of passenger flow in urban rail transit network based on constrained Kalman filtering[J].Railway Transport and Economy，2018，40（10）：103-108.

[8]陳志杰，毛保華，柏赟，等.基于多時間尺度的城市軌道交通短時OD估計[J].交通運輸系統(tǒng)工程與信息，2017，17（5）：166-172.

CHEN Zhijie，MAO Baohua，BAI Yun，et al.Short-term origin-destination estimation for urban rail Transit based on multiple temporal scales[J].Journal of Transportation Systems Engineering and Information Technology，2017，17（5）：166-172.

[9]蔣熙，賈飛凡，馮佳平.基于AFC數(shù)據(jù)的城軌路網(wǎng)客流OD在線動態(tài)估計[J].交通運輸系統(tǒng)工程與信息，2018，18（5）：129-135.

JIANG Xi，JIA Feifan，F(xiàn)ENG 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.

[10]李若怡，李得偉.城市軌道交通動態(tài)OD矩陣分析及估計模型研究[J].鐵路計算機(jī)應(yīng)用，2017，26（1）：63-66.

LI Ruoyi，LI Dewei.Analysis and estimation model of dynamic OD matrixes for urban rail Transit[J].Railway Computer Application，2017，26（1）：63-66.

[11]ZHANG J L，CHEN F，WANG Z J，et al.Short-term origin-destination forecasting in urban rail transit based on attraction degree[J].IEEE Access，2019，7（99）：133452-133462.

[12]TANG Q C，YANG M N，YANG Y，et al.ST-LSTM：A deep learning approach combined spatio-temporal features for short-term forecast in rail transit[J].Journal of Advanced Transportation，2019.DOI：10.1155/2019/8392592.

[13]侯曉云，邵麗萍，李靜，等.基于深度學(xué)習(xí)的城市軌道交通短時客流起訖點預(yù)測[J].城市軌道交通研究，2020，23（1）：55-58.

HOU Xiaoyun，SHAO Liping，LI Jing，et al.Urban rail transit short-time passenger flow OD forecasting based on deep learning modeling[J].Urban Mass Transit，2020，23（1）：55-58.

[14]許俊，王登，李晨毓，等.基于動態(tài)反饋神經(jīng)網(wǎng)絡(luò)的城市軌道交通短期客流預(yù)測[J].現(xiàn)代交通技術(shù)，2014，11（5）：43-46.

XU Jun，WANG Deng，LI Chenyu，et al.Short-term passenger flow forecasting for urban rail transit based on dynamic feedback neural network[J].Modern Transportation Technology，2014，11（5）：43-46.

[15]HOCHREITER S，SCHMIDHUBER J.Long short-term memory[J].Neural Computation，1997，9（8）：1735-1780.

[16]SRIVASTAVA N，HINTON G，KRIZHEVSKY A，et al.Dropout：A simple way to prevent neural networks from overfitting[J].Journal of Machine Learning Research，2014，15（1）：1929-1958.