基于误差融合模型的地铁车站客流监测方法研究

针对城市轨道交通拥堵问题和智慧地铁发展要求,提出了一种基于误差融合的城市轨道交通短时客流预测模型。采用灰色关联分析方法对客流关键影响因素进行识别,基于线性回归模型对车站客流进行预测,并进一步利用神经网络模型对预测误差进行修正,以广州地铁十八号线某站的进、出站客流数据为例进行案例研究。研究结果表明：与传统统计模型及单一的神经网络模型对比,基于误差融合的短时客流预测模型均方根误差分别降低了38.0%与29.6%,平均绝对误差分别降低了46.4%与35.1%,证明了该模型在短时客流预测方面的准确性、可靠性,为地铁车站客流监控提供了技术支撑。