城市軌道交通短時(shí)客流預(yù)測(cè)文獻(xiàn)綜述

曾 誠(chéng)，吳佳媛，羅 霞

（西南交通大學(xué) 交通運(yùn)輸與物流學(xué)院，四川 成都 611756)

0 引言

隨著城市軌道交通網(wǎng)絡(luò)的健全，客流強(qiáng)度逐漸攀升，掌握未來(lái)短期內(nèi)客流動(dòng)態(tài)變化趨勢(shì)尤為重要。一方面能給出行者提供實(shí)時(shí)有效的信息，有利于交通方式與路徑的選擇，實(shí)現(xiàn)客流誘導(dǎo)；另一方面有助于指導(dǎo)運(yùn)營(yíng)單位及時(shí)調(diào)整運(yùn)輸方案，精準(zhǔn)匹配運(yùn)能，做好大客流預(yù)警應(yīng)急工作，提高出行體驗(yàn)與安全性。

城市軌道交通短時(shí)客流預(yù)測(cè)相關(guān)研究從2010年起步[1-2]，10年內(nèi)國(guó)內(nèi)外相關(guān)文獻(xiàn)100余篇，且超過(guò)60%為近3年發(fā)表，呈現(xiàn)出爆炸式增長(zhǎng)的趨勢(shì)。

考慮到城市軌道交通短時(shí)客流預(yù)測(cè)的研究對(duì)象、指標(biāo)選取、模型算法及預(yù)測(cè)效果的多樣性，一直以來(lái)沒有經(jīng)過(guò)較為系統(tǒng)的梳理與總結(jié)，導(dǎo)致許多概念不明晰，研究方法缺乏橫向比較，不利于新進(jìn)學(xué)者的研究和該領(lǐng)域的發(fā)展。因此，研究針對(duì)城市軌道交通短時(shí)客流，從研究對(duì)象分類、影響因素、組合預(yù)測(cè)模型等角度展開文獻(xiàn)綜述研究。

1 相關(guān)概念界定

1.1 城市軌道交通

城市軌道交通是以電能為動(dòng)力、采取輪軌運(yùn)轉(zhuǎn)方式的快速大運(yùn)量公共交通的總稱，包括地鐵、輕軌、有軌電車、跨座式單軌、磁浮列車和城際列車等。

2019年我國(guó)城市軌道交通全年累計(jì)完成客運(yùn)量約237.1億人次，相比2018年增長(zhǎng)26.4億人次[3]。截至2020年末，我國(guó)大陸地區(qū)擁有地鐵城市45座，城市軌道交通運(yùn)營(yíng)線路244條，線路總長(zhǎng)7 969.7 km。2020年全國(guó)重點(diǎn)城市城市軌道交通數(shù)據(jù)如表1所示。

表1 2020年全國(guó)重點(diǎn)城市城市軌道交通數(shù)據(jù)Tab.1 Urban rail transit data of key cities in China in 2020

1.2 城市軌道交通短時(shí)客流預(yù)測(cè)

城市軌道交通短時(shí)客流預(yù)測(cè)即未來(lái)5 ～ 15 min的客流量預(yù)測(cè)，多以歷史AFC數(shù)據(jù)為基礎(chǔ)，以地鐵為研究對(duì)象。

短時(shí)客流也常被稱為“實(shí)時(shí)客流”[4-6]，兩者雖然都沒有明確的定義，但前者一般指粒度為5 ～ 15 min的客流，后者專指粒度為5 min的客流。研究認(rèn)為“短時(shí)客流”相比“實(shí)時(shí)客流”表述更為準(zhǔn)確，建議采用前者。考慮到AFC數(shù)據(jù)的采集、傳輸和預(yù)測(cè)模型運(yùn)算過(guò)程，想要真正達(dá)到“實(shí)時(shí)”，預(yù)測(cè)粒度的提升空間與必要性都很小?！皩?shí)時(shí)客流”與“短時(shí)客流”文獻(xiàn)比較如圖1所示。

圖1 “實(shí)時(shí)客流”與“短時(shí)客流”文獻(xiàn)比較Fig.1 Comparison between papers on “real-time” and “short-term”passenger flow

2 城市軌道交通短時(shí)客流預(yù)測(cè)分類

從客流屬性分析，城市軌道交通短時(shí)客流預(yù)測(cè)可以分為4類，包括短時(shí)進(jìn)站客流預(yù)測(cè)、短時(shí)出站客流預(yù)測(cè)、短時(shí)OD客流預(yù)測(cè)和短時(shí)客流分布預(yù)測(cè)。短時(shí)換乘客流、站內(nèi)客流、斷面客流等都可以歸納為短時(shí)客流分布研究的范疇。城市軌道交通短時(shí)客流預(yù)測(cè)分類如圖2所示。

圖2 城市軌道交通短時(shí)客流預(yù)測(cè)分類Fig.2 Classification of short-term passenger flow forecast of urban rail transit

城市軌道交通可以看作一個(gè)部分信息確定、部分信息不確定的灰色系統(tǒng)，城市軌道交通灰色系統(tǒng)示意圖如圖3所示。該系統(tǒng)具備確定的網(wǎng)絡(luò)節(jié)點(diǎn)與路徑，但未來(lái)的輸入和輸出未知，客流在網(wǎng)絡(luò)上的路徑未知。

圖3 城市軌道交通灰色系統(tǒng)示意圖Fig.3 Diagram of urban rail transit as a gray system

（1）短時(shí)進(jìn)站客流預(yù)測(cè)。進(jìn)站客流應(yīng)交通需求而生，短時(shí)進(jìn)站客流預(yù)測(cè)的目的在于掌握乘客數(shù)量的變化情況，協(xié)助運(yùn)營(yíng)部門制定調(diào)度方案、優(yōu)化車輛發(fā)車間隔、保持運(yùn)輸供需平衡。短時(shí)出站客流、OD客流、客流分布的預(yù)測(cè)效果也很大程度上依賴于進(jìn)站客流的預(yù)測(cè)精度。短時(shí)進(jìn)站客流的特點(diǎn)是易受外界干擾、波動(dòng)性大、時(shí)空特征明顯、難預(yù)測(cè)、應(yīng)用價(jià)值高，受到軌道交通運(yùn)營(yíng)部門的廣泛關(guān)注，因而其研究頻率也最高。

（2）短時(shí)出站客流預(yù)測(cè)。出站客流是城市軌道交通對(duì)外輸出的人流量，其特征是波動(dòng)性大，未來(lái)到站乘客人數(shù)難預(yù)測(cè)，具體數(shù)值取決于全網(wǎng)進(jìn)站人數(shù)、OD分布、列車到站時(shí)刻等。出站客流未得到地鐵等運(yùn)營(yíng)部門的重視，但從更高層面來(lái)看，短時(shí)出站客流預(yù)測(cè)具有以下重要意義。①有助于在突發(fā)大客流的情況下做好客流預(yù)警、客流控制和應(yīng)急疏散等舉措，特別是在大型活動(dòng)舉辦期間。該研究也能提高城市軌道交通常態(tài)化管理下的安全保障力度。②有助于合理調(diào)度周圍其他交通方式與交通設(shè)施，提高交通接駁效率。③有利于深入分析該車站的客流來(lái)源，研究客流的OD結(jié)構(gòu)。

（3）短時(shí)OD客流預(yù)測(cè)。城市軌道交通網(wǎng)絡(luò)中存在許多由2個(gè)車站構(gòu)成的OD對(duì)，短時(shí)OD客流即為2個(gè)特定站點(diǎn)之間的單向客流，其研究意義在于：①是城市軌道交通系統(tǒng)線網(wǎng)客流動(dòng)態(tài)分配的基礎(chǔ)；②是城市軌道交通系統(tǒng)動(dòng)態(tài)運(yùn)輸組織策略制定的重要依據(jù)；③為乘客出行提供實(shí)時(shí)的參考信息；④是客流管控的數(shù)據(jù)基礎(chǔ)。短時(shí)OD客流一定層面上反映的是D點(diǎn)周圍興趣點(diǎn)(Point of Interest，POI)的吸引度變化，特別是在軌道交通站點(diǎn)的商業(yè)性質(zhì)、住宅性質(zhì)、娛樂性質(zhì)較為明顯時(shí)。短時(shí)OD客流的預(yù)測(cè)思路有2種：一是基于歷史OD量進(jìn)行預(yù)測(cè)，這種方法采用的模型與短時(shí)進(jìn)站客流預(yù)測(cè)無(wú)異；二是考慮進(jìn)站客流量的大小和客流分配比例，這種方法需要以短時(shí)進(jìn)站客流預(yù)測(cè)為基礎(chǔ)，容易因?yàn)檎`差的傳遞導(dǎo)致預(yù)測(cè)精度不佳。

（4）短時(shí)客流分布預(yù)測(cè)。如圖3中黑色部分所示，由于換乘站的存在，OD對(duì)之間可能存在多條路徑。短時(shí)客流分布的預(yù)測(cè)可以分為2步。①在短時(shí)OD客流預(yù)測(cè)的基礎(chǔ)上，將OD客流量分配到不同路徑上。分配比例的確定通常采用優(yōu)化后的Logit模型，這一步稱為“客流分配”或“路徑分配”，其研究結(jié)果對(duì)于城市軌道交通清分系統(tǒng)設(shè)計(jì)也具有重要意義(清分是指根據(jù)客流量將運(yùn)營(yíng)收益合理分配給各條線路)。②精細(xì)化客流分配，進(jìn)一步將客流分配到車站、站臺(tái)與列車上。這項(xiàng)研究難度較大，目前還處于起步階段。其難點(diǎn)在于對(duì)乘客“行為模式”的學(xué)習(xí)：一是由于客觀擁擠程度和主觀習(xí)慣的不同引起的步行時(shí)間不同；二是由于面臨擁擠車輛的上車選擇不同，乘客存在一定的滯留概率。短時(shí)客流分布預(yù)測(cè)屬于城市軌道交通的前沿課題，但也有一些學(xué)者取得了研究成果，如徐瑞華、胡志賽、周瑋騰等[5-7]。

3 短時(shí)客流預(yù)測(cè)影響因素

研究將影響因素分為“縱向因素”和“橫向因素”2類：縱向因素是從時(shí)間序列的角度來(lái)看，軌道交通短時(shí)客流預(yù)測(cè)會(huì)受自身歷史值的影響；橫向因素是從回歸分析的角度來(lái)看，信令數(shù)據(jù)和天氣等外部因素會(huì)影響未來(lái)客流的變化。

3.1 客流歷史數(shù)據(jù)

由于客流歷史數(shù)據(jù)能反映未來(lái)客流趨勢(shì)，時(shí)間序列模型被廣泛應(yīng)用于客流預(yù)測(cè)。嚴(yán)格來(lái)講，“客流歷史數(shù)據(jù)”又分為2類：一是預(yù)測(cè)點(diǎn)前若干時(shí)段的客流數(shù)據(jù)；二是以往同一時(shí)間段的客流數(shù)據(jù)。由于城市軌道交通短時(shí)客流的隨機(jī)性高、波動(dòng)大，因而一般采用第1種“客流歷史數(shù)據(jù)”作為影響因素。而歷史數(shù)據(jù)對(duì)未來(lái)數(shù)據(jù)的影響也并非完全穩(wěn)定，其相關(guān)性強(qiáng)弱受到時(shí)間粒度和客流強(qiáng)度的影響。通常情況下，時(shí)間粒度越小、客流強(qiáng)度越大、客流越平穩(wěn)，則短時(shí)客流與前一段時(shí)間客流的正相關(guān)性越強(qiáng)。李若怡[8]在研究短時(shí)OD客流預(yù)測(cè)的過(guò)程中，對(duì)OD客流量與預(yù)測(cè)點(diǎn)前若干時(shí)段客流量的Pearson相關(guān)系數(shù)進(jìn)行計(jì)算，當(dāng)前OD量與歷史OD量的Pearson相關(guān)系數(shù)如表2所示。

表2 當(dāng)前OD量與歷史OD量的Pearson相關(guān)系數(shù)Tab.2 Pearson correlation coefficient between current and historical OD passenger flow

研究對(duì)“前5 min客流量”的Pearson相關(guān)性進(jìn)行補(bǔ)充，發(fā)現(xiàn)不同OD對(duì)所計(jì)算出的相關(guān)系數(shù)在0.48至0.75之間，而進(jìn)站客流預(yù)測(cè)與歷史數(shù)據(jù)的相關(guān)性分析如圖4所示。

圖4 進(jìn)站客流預(yù)測(cè)與歷史數(shù)據(jù)的相關(guān)性分析Fig.4 Correlation analysis of inbound passenger flow and historical data

綜上所述，歷史數(shù)據(jù)對(duì)城市軌道交通客流預(yù)測(cè)有顯著影響。這種效應(yīng)在短時(shí)客流預(yù)測(cè)中更加明顯(時(shí)間粒度為5 min或15 min)，并且客流越是保持高強(qiáng)度輸入，預(yù)測(cè)客流與歷史客流的相關(guān)性越強(qiáng)，如春熙路站和天府廣場(chǎng)站等。

3.2 手機(jī)信令數(shù)據(jù)與定位數(shù)據(jù)

手機(jī)信令數(shù)據(jù)或定位數(shù)據(jù)可以反映站點(diǎn)周圍的人口流動(dòng)情況，進(jìn)而研判出進(jìn)站客流的變化或站點(diǎn)的吸引度。目前手機(jī)數(shù)據(jù)在短時(shí)客流預(yù)測(cè)領(lǐng)域的應(yīng)用較少，現(xiàn)有研究成果總結(jié)如下。

倪嘉琦[9]利用AFC數(shù)據(jù)和電信用戶信令數(shù)據(jù)設(shè)計(jì)實(shí)現(xiàn)了一套短時(shí)客流預(yù)測(cè)系統(tǒng)，但沒有介紹信令數(shù)據(jù)的應(yīng)用過(guò)程。隨著信令數(shù)據(jù)的初步開放，對(duì)信令數(shù)據(jù)的理解、處理與應(yīng)用成為前沿問題。胡永愷[10]將信令數(shù)據(jù)應(yīng)用于乘客出行行為研究，詳細(xì)闡述信令數(shù)據(jù)的產(chǎn)生機(jī)理與處理步驟，最終計(jì)算出短時(shí)進(jìn)出站客流、換乘客流和斷面客流，驗(yàn)證了信令數(shù)據(jù)在客流預(yù)警和客流誘導(dǎo)中的輔助決策作用，受到廣泛參考與引用，同時(shí)該研究也是目前少有的不考慮AFC數(shù)據(jù)的短時(shí)客流預(yù)測(cè)研究。此外，李若怡[8]、丁敬安[11]等分別將信令數(shù)據(jù)用于城市軌道交通短時(shí)OD客流預(yù)測(cè)和路徑分配研究，但效果都不十分理想。

信令數(shù)據(jù)應(yīng)用研究不足，基于定位數(shù)據(jù)的客流預(yù)測(cè)更是零基礎(chǔ)，究其原因如下。①作為運(yùn)營(yíng)商的寶貴數(shù)據(jù)資源，手機(jī)信令數(shù)據(jù)或定位數(shù)據(jù)一般需要通過(guò)機(jī)構(gòu)購(gòu)買獲得。通過(guò)爬蟲獲取的定位數(shù)據(jù)受到時(shí)空和精度的限制，也無(wú)法應(yīng)用于短時(shí)客流預(yù)測(cè)。②手機(jī)信令數(shù)據(jù)或定位數(shù)據(jù)均處于“被瓜分”格局，前者由電信、移動(dòng)、聯(lián)通3大運(yùn)營(yíng)商所有，后者由騰訊科技有限公司、高德軟件公司、百度在線網(wǎng)絡(luò)技術(shù)有限公司持有，因而幾乎不可能獲得所有用戶的數(shù)據(jù)。③即便運(yùn)營(yíng)商愿意提供部分?jǐn)?shù)據(jù)，也不能滿足短時(shí)客流預(yù)測(cè)的時(shí)效性要求。

3.3 天氣數(shù)據(jù)

多指標(biāo)、高采樣率的天氣數(shù)據(jù)可以通過(guò)爬蟲或申請(qǐng)獲取，因而一些學(xué)者將天氣作為影響因素進(jìn)行短時(shí)客流預(yù)測(cè)研究[12-13]。但是，天氣對(duì)客流的影響并不穩(wěn)定：極端惡劣天氣對(duì)地鐵客流的影響較大，如雨雪天氣、霧霾天氣、極寒極熱天氣等，而其他天氣狀況對(duì)乘客出行或交通方式的影響幾乎可以忽略不計(jì)。其次，天氣突變需對(duì)短時(shí)客流影響較大，否則很難引起客流明顯波動(dòng)，且天氣對(duì)于不同出行目的的城市軌道交通乘客影響效果也不同，如通勤旅客對(duì)天氣不敏感，旅游性質(zhì)的乘客對(duì)天氣較為敏感，因而周末和節(jié)假日的天氣數(shù)據(jù)參考性更強(qiáng)。

研究建議在天氣變量前引入一個(gè)0-1變量kt

式中：t表示時(shí)刻。

3.4 大型活動(dòng)

以文藝活動(dòng)、商業(yè)演出、體育賽事、展覽展銷為代表的短時(shí)性大型活動(dòng)，無(wú)疑會(huì)對(duì)城市軌道交通短時(shí)客流產(chǎn)生顯著影響。但目前沒有將大型活動(dòng)作為影響因素的短時(shí)客流預(yù)測(cè)研究，原因在于面對(duì)大型活動(dòng)產(chǎn)生的突發(fā)大客流，人工獲取活動(dòng)信息(時(shí)間與規(guī)模)并制定應(yīng)對(duì)方案是目前最可行有效的手段。

學(xué)者們更加傾向于將大型活動(dòng)作為研究場(chǎng)景來(lái)預(yù)測(cè)短時(shí)進(jìn)出站客流[14-16]或制定運(yùn)輸組織方案[17-18]。

4 短時(shí)客流組合預(yù)測(cè)模型

從預(yù)測(cè)模型的分類來(lái)看，城市軌道交通短時(shí)客流預(yù)測(cè)分為以時(shí)間序列為主的線性模型和以神經(jīng)網(wǎng)絡(luò)為主的非線性模型，而目前廣泛采用的是“組合預(yù)測(cè)”的建模理念。組合預(yù)測(cè)模型由Bates和Granger在1969年提出[19]，其將不同模型的預(yù)測(cè)結(jié)果進(jìn)行組合，產(chǎn)生殘差互補(bǔ)效果以提高預(yù)測(cè)精度。其中，最常用的組合方式是求平均值，常見模型有ARIMA-BP模型等，研究將其稱為“傳統(tǒng)”組合預(yù)測(cè)模型。傳統(tǒng)組合預(yù)測(cè)模型在道路交通流的短時(shí)預(yù)測(cè)中應(yīng)用較多，誤差水平在5%左右[20-21]。傳統(tǒng)組合預(yù)測(cè)模型的殘差互補(bǔ)效應(yīng)難以在理論上給予證明，導(dǎo)致最佳組合權(quán)重沒有確定依據(jù)，進(jìn)而使得“廣義”組合預(yù)測(cè)模型逐漸得到運(yùn)用。研究將廣義組合預(yù)測(cè)模型分為3類，分別為模型優(yōu)化類、分解重組類、誤差修正類。組合預(yù)測(cè)模型的分類如圖5所示。

圖5 組合預(yù)測(cè)模型的分類Fig.5 Classification of combined forecast models

（1）模型優(yōu)化類：通過(guò)模型A對(duì)模型B的參數(shù)、結(jié)構(gòu)進(jìn)行優(yōu)化設(shè)計(jì)。這一類的組合模型應(yīng)用最為廣泛，其中模型A一般為啟發(fā)式優(yōu)化算法，模型B為神經(jīng)網(wǎng)絡(luò)類預(yù)測(cè)模型。常見組合有PSOBP模 型、GA-BP模 型、PSOWNN模型等。采用這種組合形式的初衷一般是經(jīng)典神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型存在一些缺陷，如在求解過(guò)程中遇到求解時(shí)間過(guò)長(zhǎng)、學(xué)習(xí)能力不足、易陷入局部最優(yōu)等問題時(shí)。此類模型的優(yōu)點(diǎn)在于自適應(yīng)能力較強(qiáng)，往往是根據(jù)樣本特征生成合適的初始解或初始參數(shù)，讓機(jī)器學(xué)習(xí)過(guò)程中的迭代次數(shù)更少、尋優(yōu)能力更佳。此外，優(yōu)化算法也可以替代梯度下降算法作為模型A的新優(yōu)化器。

（2）分解重組類：通過(guò)模型A對(duì)序列進(jìn)行分解，再通過(guò)模型B對(duì)各分量分別預(yù)測(cè)，最后重構(gòu)形成預(yù)測(cè)結(jié)果。該類模型主要基于經(jīng)驗(yàn)?zāi)B(tài)分解理論，模型很好地提升了小波分析和時(shí)間序列分解 (Seasonal and Trend decomposition using Loess，STL)的分解性能與實(shí)用性。機(jī)器學(xué)習(xí)算法可以通過(guò)依次預(yù)測(cè)各分量的方法，增強(qiáng)模型對(duì)時(shí)間序列的理解能力和預(yù)測(cè)精度。序列分解模型演進(jìn)過(guò)程如圖6所示。

圖6 序列分解模型演進(jìn)過(guò)程Fig.6 Evolution process of the sequence decomposition model

（3）誤差修正類：利用模型A初步預(yù)測(cè)，通過(guò)模型B對(duì)殘差進(jìn)行預(yù)測(cè)并校正。該類模型比較小眾，其不直接預(yù)測(cè)研究對(duì)象的取值，而是學(xué)習(xí)預(yù)測(cè)誤差產(chǎn)生的模式。模型A一般為時(shí)間序列模型，且模型B常采用極限學(xué)習(xí)機(jī)算法(Extreme Learning Machine，ELM)。

誤差修正類模型很難確定誤差大小的影響因素，因而僅有少數(shù)模型的誤差具備較強(qiáng)的可預(yù)測(cè)性，不建議采用。無(wú)論是非線性模型還是組合預(yù)測(cè)模型，都涉及機(jī)器學(xué)習(xí)領(lǐng)域，其中以神經(jīng)網(wǎng)絡(luò)類的模型居多。城市軌道交通短時(shí)客流預(yù)測(cè)模型總結(jié)如表3所示。

表3 城市軌道交通短時(shí)客流預(yù)測(cè)模型總結(jié)Tab.3 Summary of the short-term passenger flow forecast model for urban rail transit

5 研究展望

（1）短時(shí)客流預(yù)測(cè)的模型應(yīng)緊跟機(jī)器學(xué)習(xí)研究進(jìn)展，尤其是近2年來(lái)得到廣泛關(guān)注與應(yīng)用的注意力機(jī)制，具體算法如深度殘差收縮網(wǎng)絡(luò)[32]、Transformer[33]、基于注意力機(jī)制的LSTM改進(jìn)模型[34]等。而目前最常用的傳統(tǒng)LSTM網(wǎng)絡(luò)模型實(shí)則存在一定缺陷或局限性[35]。

（2）軌道交通短時(shí)客流預(yù)測(cè)的平均絕對(duì)百分比誤差(MAPE)一般在10%～35%之間，變化幅度較大的原因是研究對(duì)象不同，未來(lái)希望有權(quán)威機(jī)構(gòu)能夠公開并統(tǒng)一數(shù)據(jù)集，在同一數(shù)據(jù)環(huán)境下更利于模型的比較與提升。

（3）以往研究的對(duì)象多為進(jìn)站客流，針對(duì)短時(shí)OD客流、換乘客流和出站客流的較少。此外，短時(shí)客流預(yù)測(cè)如何輔助決策也有待深入探討，如運(yùn)輸方案動(dòng)態(tài)調(diào)整、交通資源調(diào)度、大客流預(yù)警、客流控制與誘導(dǎo)等。

（4）無(wú)論是手機(jī)數(shù)據(jù)、天氣數(shù)據(jù)，還是大型活動(dòng)，都是圍繞著地鐵周圍環(huán)境選取特征，未來(lái)短時(shí)客流預(yù)測(cè)可以借鑒“態(tài)勢(shì)感知”理論，建立地鐵站周圍環(huán)境態(tài)勢(shì)的評(píng)價(jià)體系，綜合考量其影響效應(yīng)。例如，考慮軌道交通站點(diǎn)周圍私家車、公交車、網(wǎng)約車、共享單車的運(yùn)轉(zhuǎn)情況等，并作為特征進(jìn)行機(jī)器學(xué)習(xí)。

（5）AFC數(shù)據(jù)是短時(shí)客流預(yù)測(cè)的核心基礎(chǔ)，但以往只利用了其中的時(shí)間和站點(diǎn)信息，缺乏對(duì)持卡類型的利用。以火車站附近地鐵為例，單程票和一卡通的持票比例很大程度上能反映外地乘客與本地乘客的占比，可以更好地反映該站的OD結(jié)構(gòu)。

隨著智能交通技術(shù)的發(fā)展，精確的短時(shí)客流預(yù)測(cè)能力不僅能提升城市軌道交通的安全系數(shù)與智能化管理水平，同時(shí)可以改善乘客的旅行體驗(yàn)和運(yùn)輸效率。研究通過(guò)對(duì)城市軌道交通短時(shí)客流預(yù)測(cè)研究的綜述，明確了部分概念與分類標(biāo)準(zhǔn)，對(duì)影響因素進(jìn)行了應(yīng)用層面的分析，并橫向?qū)Ρ攘烁黝惤M合預(yù)測(cè)模型的特點(diǎn)與應(yīng)用情況，期望有助于軌道交通短時(shí)客流預(yù)測(cè)研究方向的學(xué)者整理思路，提出更好的預(yù)測(cè)方法。