基于时间卷积-Transformer模型的多场景地铁短时进站客流预测

来源：同济大学学报·自然科学版杂志2025年第11期北京时间：

作者：王小敏，张悦晗

单位：1.西南交通大学 信息科学与技术学院，四川 成都 611756;2.四川省列车运行控制技术工程研究中心，四川 成都 611756

摘要：为更好地预测不同场景下城市轨道交通短期进站客流，提出一种基于时间卷积-Transformer组合深度学习模型的多场景进站客流预测方法。该方法考虑时序特征等客流内部特征及日期属性等周期影响因素，通过特征嵌入层构造多因素客流特征输入矩阵，利用时序卷积网络TCN和因果注意力Transformer两个模块并行提取并学习客流数据的局部与全局信息，然后由全连接层构成的预测层输出预测结果。利用上海体育场站客流数据和相关信息验证模型的有效性，并与多个对比模型的预测结果进行比较。实验结果表明：TCN-Transformer模型能够更好地捕捉不同场景下的进站客流特征，具有更好的预测精度和泛化能力。与其他几种模型相比，本文模型的均方根误差（RMSE）、平均绝对误差（MAE）、平均绝对百分比误差（MAPE）至少分别降低8.42%、7.32%和6.18%。

关键词：城市交通,短时客流预测,组合深度学习模型,时序卷积网络,Transformer模型

基金资助：四川省科技计划项目（2024ZHCG0001， 2025YFHZ0161）；上海轨道交通无人驾驶列控系统工程技术研究中心开放课题（SUTC-2024KT-02）