城市化的快速发展,大量人口涌入了城市,使得交通拥堵问题日益严峻。为了缓解城市交通堵塞问题,城市轨道交通系统因其稳定、安全、高效的特点迅速发展。但随着轨道交通的发展,其线路越来越多,路网越来越复杂,乘客量也快速增加,随之也带来了早晚高峰期客流拥堵的问题。因此,如何利用历史数据对未来某个时间段的轨道交通客流进行短时预测,帮助轨道交通运营管理有关部门提供短时客流预警,提前部署安保,助力城市高效安全出行,这成为了亟待解决的问题。在此背景下,本文归纳总结了国内外现有的短时客流预测方法,针对不同预测方法的优点与不足,提出将深度神经网络方法应用在城市轨道交通短时客流预测领域。以杭州地铁短时客流预测为例,对原始刷卡数据进行预处理后得到客流数据,对历史客流时空分布规律进行研究,建立了LSTM预测模型和CNN-LSTM组合预测模型,提高了轨道交通短时进站客流的预测精度。本文的主要工作如下:(1)对短时客流的时空变化特征进行研究分析。以杭州地铁刷卡数据为例,对原始庞大的数据进行了数据预处理,再将处理后的数据按10分钟为时间间隔转化为历史客流数据,挖掘出历史客流数据的时间变化特征,再从站点的角度挖掘出客流的空间变化特征,结果发现,不同站点客流分布不同,工作日和休息日的客流分布差异较大。(2)从时间维度建立LSTM短时客流预测模型。本文从客流的时间特征角度建立长短期记忆网络LSTM模型对客流进行预测。首先将客流数据转换为一维时间序列数据,然后建立LSTM预测模型,选取相关参数并利用网格搜索算法调参,最后利用LSTM模型对杭州地铁工作日和休息日的客流量进行短时预测,并对预测结果进行可视化。(3)从时间和空间维度建立CNN-LSTM短时客流预测模型。LSTM模型仅仅考虑了客流的时间维度特征,但站点客流量还与其相邻站点有关,因此建立CNN-LSTM模型从时空角度对客流进行预测。首先将客流数据转换为二维时空特征矩阵,然后利用CNN提取客流空间特征后,搭建LSTM网络层提取客流时间特征,再设置相关参数,用网格搜索算法调参得到最佳超参数组合,接着利用CNN-LSTM模型对杭州地铁工作日和休息日的客流量进行短时预测,并对预测结果进行可视化。(4)建立对比模型,验证CNN-LSTM预测模型的有效性。本文最后建立了常见客流预测模型,如ARIMA模型等,通过对比多种模型的预测结果,发现CNN-LSTM预测模型的平均误差(MAE)和均方根误差(RMSE)最低,工作日误差分别为13.3052、21.5747,休息日误差分别为12.7974、20.6864,说明CNN-LSTM能够有效地捕获客流数据的时间和空间特征信息,预测精度较好,可用来对地铁短时客流进行预测。