基于混合Transformer的对外客运枢纽抵站客流预测模型

doi:10.13229/j.cnki.jdxbgxb.20231091

吉林大学学报(工学版) ›› 2025, Vol. 55 ›› Issue (7): 2251-2259.doi: 10.13229/j.cnki.jdxbgxb.20231091

• 交通运输工程·土木工程 • 上一篇

基于混合Transformer的对外客运枢纽抵站客流预测模型

于江波¹(),翁剑成¹(),林鹏飞²,孙宇星³,柴娇龙³

^1.北京工业大学交通工程北京市重点实验室，北京 100124
^2.北京工业大学信息学部，北京 100124
^3.北京市交通委员会北京市运输事业发展中心，北京 100088

收稿日期:2023-10-11 出版日期:2025-07-01 发布日期:2025-09-12
通讯作者: 翁剑成 E-mail:y1728467259@gmail.com;youthweng@bjut.edu.cn
作者简介:于江波（1996-），男，博士研究生.研究方向：智能交通.E-mail： y1728467259@gmail.com
基金资助:
国家自然科学基金项目(52072011)

Passenger flow prediction model of external transportation hub based on hybrid Transformer

Jiang-bo YU¹(),Jian-cheng WENG¹(),Peng-fei LIN²,Yu-xing SUN³,Jiao-long CHAI³

^1.Beijing Key Laboratory of Traffic Engineering，Beijing University of Technology，Beijing 100124，China
^2.Faculty of Information Technology，Beijing University of Technology，Beijing 100124，China
^3.Beijing Development Center of Transport，Beijing Municipal Commission of Transport，Beijing 100088，China

Received:2023-10-11 Online:2025-07-01 Published:2025-09-12
Contact: Jian-cheng WENG E-mail:y1728467259@gmail.com;youthweng@bjut.edu.cn

摘要/Abstract

摘要：

本文综合考虑节假日、恶劣天气、疫情防控政策等因素影响，以2021年3月~2023年5月北京首都国际机场及2021年12月~2023年7月的7个高铁站点的抵站客流数据为基础，提出了一种融合卷积神经网络、长短期记忆网络的混合Transformer枢纽抵站客流预测模型，分析多因素影响下抵站客流规模的时变规律。结果表明，混合Transformer模型相比于传统机器学习和深度学习模型，具有更小的误差，对所有场站的客流预测准确率超过了80%，其中对6个场站客流的预测准确率在90%左右，证明该模型具有良好的适用性。

关键词: 交通运输系统工程, 对外客运枢纽, 城际出行, 客流预测, 混合Transformer模型

Abstract:

The impact of various external factors such as holidays， weather conditions， and epidemic prevention policies was considered in this paper， based on the passenger arrivals date at Beijing Capital International Airport between March 2021 and May 2023， and seven major high-speed railway stations from December 2021 to July 2023， a hybrib Transformer model integrating convolutional neural networks， long short-term memory networks is proposed for hab-to-station passenger flow prediction， analyzing the time-varying patterns of passenger flow volume at arrival stations under the influence of multiple factors. The empirical results reveal that the hybrib Transformer model outperforms conventional machine learning and deep learning models in prediction accuracy， achieving over 80% across all stations， and nearing 90% for six of them， this evidences the model's robust applicability.

Key words: engineering of communications and transportation system, external transportation hubs, intercity mobility, passenger flow prediction, hybrid Transformer model

中图分类号:

U125

于江波,翁剑成,林鹏飞,孙宇星,柴娇龙. 基于混合Transformer的对外客运枢纽抵站客流预测模型[J]. 吉林大学学报(工学版), 2025, 55(7): 2251-2259.

Jiang-bo YU,Jian-cheng WENG,Peng-fei LIN,Yu-xing SUN,Jiao-long CHAI. Passenger flow prediction model of external transportation hub based on hybrid Transformer[J]. Journal of Jilin University(Engineering and Technology Edition), 2025, 55(7): 2251-2259.

图/表 9

表1

表2

图1

图2

图3

表3

表4

表5

图4

参考文献 18

[1]	刘咏. 城市对外综合客运枢纽功能定位及相关问题研究[D]. 四川:西南交通大学交通运输学院, 2008.
	Liu Yong. Research on functional orientation and related issues of urban comprehensive passenger transport hubs[D]. Sichuan: School of Trarsportation, Southwest Jiaotong University, 2008.
[2]	Liu L, Chen R C, Zhu S. Passenger flow prediction using weather data for metro systems[C]∥Proceedings of the 2018 Conference on Technologies and Applications of Artificial Intelligence. Taichung: IEEE, 2018: 70-73.
[3]	巫威眺, 曾坤, 周伟, 等. 基于多源数据和响应面优化的公交客流预测深度学习方法[J]. 吉林大学学报:工学版, 2023, 53(7): 2001-2015.
	Wu Wei-tiao, Zeng Kun, Zhou Wei, et.al. Deep learning method for bus passenger flow prediction based on multi-source data and surrogate-based optimization[J]. Journal of Jilin University(Engineering and Technology Edition), 2023, 53(7): 2001-2015.
[4]	Guo Z, Zhao X, Chen Y, et al. Short‐term passenger flow forecast of urban rail transit based on GPR and KRR[J]. IET Intelligent Transport Systems, 2019, 13(9): 1374-1382.
[5]	Zhang J, Chen F, Cui Z, et al. Deep learning architecture for short-term passenger flow forecasting in urban rail transit[J]. IEEE Transactions on Intelligent Transportation Systems, 2021, 22(11): 7004-7014.
[6]	Sha S, Li J, Zhang K, et al. RNN-based subway passenger flow rolling prediction[J]. IEEE Access, 2020, 8: 15232-15240.
[7]	Jiao F, Huang L, Song R, et al. An improved STL-LSTM model for daily bus passenger flow prediction during the COVID-19 pandemic[J]. Sensors, 2021, 21(17): No.5950.
[8]	Zhang L, Yang H, Wang K, et al. The impact of COVID-19 on airline passenger travel behavior: An exploratory analysis on the chinese aviation market[J]. Journal of Air Transport Management, 2021, 95: No.102084.
[9]	Qian H, Yang Z, Weng J, et al. Short-term passenger flow prediction of metro stations around sports events based on afc data[C]∥The 20th COTA International Conference of Transportation Professionals, Online,2020:70-73.
[10]	Hochreiter S, Schmidhuber J. Long short-term memory[J]. Neural Computation, 1997, 9(8): 1735-1780.
[11]	张惠臻, 高正凯, 李建强, 等. 基于循环神经网络的城市轨道交通短时客流预测[J]. 吉林大学学报:工学版, 2023, 53(2): 430-438.
	Zhang Hui-zhen, Gao Zheng-kai, Li Jian-qiang, et al. Short⁃term passenger flow forecasting of urban rail transit based on recurrent neural network[J]. Journal of Jilin University(Engineering and Technology Edition), 2023,53(2): 430-438.
[12]	Zhang X, Zhong S, Mahadevan S. Airport surface movement prediction and safety assessment with spatial–temporal graph convolutional neural network[J]. Transportation Research Part C: Emerging Technologies, 2022, 144: No.103873.
[13]	Zhang J, Che H, Chen F, et al. Short-term origin-destination demand prediction in urban rail transit systems: a channel-wise attentive split-convolutional neural network method[J]. Transportation Research Part C: Emerging Technologies, 2021, 124: No. 102928.
[14]	Cheng Z, Lu J, Zhou H, et al. Short-term traffic flow prediction: an integrated method of econometrics and hybrid deep learning[J]. IEEE Transactions on Intelligent Transportation Systems, 2022, 23(6): 5231-5244.
[15]	Hu S, Xiong C. High-dimensional population inflow time series forecasting via an interpretable hierarchical transformer[J]. Transportation Research Part C: Emerging Technologies, 2023, 146: No.103962.
[16]	Zhou H, Li J, Zhang S, et al. Expanding the prediction capacity in long sequence time-series forecasting[J]. Artificial Intelligence, 2023, 318: No. 103886.
[17]	Ramana K, Srivastava G, Kumar M R, et al. A vision transformer approach for traffic congestion prediction in urban areas[J]. IEEE Transactions on Intelligent Transportation Systems, 2023, 24(4): 3922-3934.
[18]	Fisher A, Rudin C, Dominici F. All models are wrong, but many are useful: Learning a variable's importance by studying an entire class of prediction models simultaneously[J]. Journal of Machine Learning Research, 2019, 20: 1-8.

相关文章 15

[1]	戢晓峰,邓若凡,乔新,关昊天. 建成环境对共享单车时间集聚模式的非线性影响[J]. 吉林大学学报(工学版), 2025, 55(7): 2233-2242.
[2]	柴树山,周志强,李海涛,徐炅旸. 基于图时空模式学习网络的路网实时交通事件自动检测方法[J]. 吉林大学学报(工学版), 2025, 55(7): 2145-2161.
[3]	李艳波,汪静远,陈圆媛,程绍峰,吕浩楠,陈俊硕. 面向高速公路服务区自洽能源系统的RAMS评价方法[J]. 吉林大学学报(工学版), 2025, 55(7): 2243-2250.
[4]	潘福全,牛远征,张丽霞,杨金顺,陈秀锋,陈德启. 智能网联环境下无信号交叉口车辆通行控制策略[J]. 吉林大学学报(工学版), 2025, 55(6): 1948-1962.
[5]	闫晟煜,程铭杰,田宏策,王洪瑀,周永恒,马博浩. 封闭式景区纯电动客车调度方法[J]. 吉林大学学报(工学版), 2025, 55(6): 1984-1993.
[6]	赵红专,吴泽健,张鑫,石胜文,李文勇,展新,许恩永,王佳明. 基于密度离散度和信息传输延迟的网联商用车弯道格子模型[J]. 吉林大学学报(工学版), 2025, 55(6): 2015-2029.
[7]	潘义勇,徐家聪,尤逸文,全勇俊. 网约车出行需求影响因素多尺度空间异质性分析[J]. 吉林大学学报(工学版), 2025, 55(5): 1567-1575.
[8]	闫晟煜,温福华,武瑾,郑毅,郝时杰,尤文博. 基于公路通行数据的节假日山地景区运力适配方法[J]. 吉林大学学报(工学版), 2025, 55(5): 1576-1587.
[9]	卢凯明,陈艳艳,仝瑶,张健,李永行,罗莹. 数据驱动的信号交叉口排队尾车驶离状态预测[J]. 吉林大学学报(工学版), 2025, 55(4): 1275-1286.
[10]	周成栋,宋菲,赵小梅,姚俊杰. 基于多模式双动态演化的拥堵收费模型[J]. 吉林大学学报(工学版), 2025, 55(4): 1319-1327.
[11]	张河山,范梦伟,谭鑫,郑展骥,寇立明,徐进. 基于改进YOLOX的无人机航拍图像密集小目标车辆检测[J]. 吉林大学学报(工学版), 2025, 55(4): 1307-1318.
[12]	秦严严,肖腾飞,罗钦中,王宝杰. 雾天高速公路车辆跟驰安全分析与控制策略[J]. 吉林大学学报(工学版), 2025, 55(4): 1241-1249.
[13]	宋现敏,湛天舒,李海涛,刘博,张云翔. 考虑用户成本和泊位利用率的停车预约分配模型[J]. 吉林大学学报(工学版), 2025, 55(4): 1287-1297.
[14]	郭祎,魏书威,姜涛. 基于区位势能和多源数据的城市客运交通规划算法[J]. 吉林大学学报(工学版), 2025, 55(4): 1328-1335.
[15]	潘义勇,徐翔宇. 数据不平衡的MobileViT网络交通事故严重程度预测模型[J]. 吉林大学学报(工学版), 2025, 55(3): 947-953.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

因素	2021/3/2	2021/3/2	2021/3/2	…
时间	8：00~9：00	9：00~10：00	10：00~11：00	…
实际抵站客流/人次	584	1 032	2 239	…
预售票/张	1 775	1 980	2 759	…
星期	2	2	2	…
节假日	4	4	4	…
月份	3	3	3	…
季节	1	1	1	…
风速/（m·s^-1）	1	2	2	…
天气	雾霾	雾霾	雾霾	…
最低温度/℃	-1.2	-1.2	-1.2	…
最高温度/℃	5	5	5	…
航班准点率/%	100	100	100	…
航班数量/架次	6	13	19	…
新增病例数	0	0	0	…
进返京限制政策	1	1	1	…

疫情防控等级	政策
第一级管控	中高风险地区所在市全域人员限制进京，中高风险地区人员不得进京。全面升级北京首都国际机场、大兴国际机场防控措施。所有人员进（返）京须持48 h内核酸检测阴性证明和“北京健康宝”绿码
第二级管控	有1例及以上本土新冠病毒感染者所在地级市（直辖市、副省级城市的县、市、区）其他县人员来京的须持“北京健康宝”绿码和登机登车前48 h内核酸检测阴性证明；高风险地区人员暂不许返京
第三级管控	国内低风险地区进返京人员仅需持健康通行码绿码即可进京；国内中高风险地区及全域实行封闭管理的人员，原则上不能进京

影响因素	相对重要度	排序
时段属性	1	1
航班数	0.92	2
预售票量	0.84	3
天气状况	0.89	4
进返京限制政策	0.85	5
本土新增新冠肺炎病例数	0.73	6
准点率	0.72	7
日期属性	0.71	8
节假日	0.65	9
风速	0.59	10
月份	0.47	11
季节	0.32	12
最低气温	0.27	13
最高气温	0	14

场站	验证指标	GBDT	LSTM	Transformer	CNN-Transformer	LSTM-Transformer	CL-Transformer
北京首都国际机场	MAE	375.98	269.8	230.6	134.6	144.8	88.6
	RMSE	432.01	359.1	462.3	196.1	191.9	134.4
	Accuracy/%	71.8	80.1	72.5	87.5	86.6	91.8
北京站	MAE	723.6	875.9	676.8	538.9	746.2	440.3
	RMSE	1 824.3	4 868.3	2 470.2	2 388.9	2 486.9	2 222.3
	Accuracy/%	43.2	66.8	74.3	79.5	71.7	83.3
北京西站	MAE	1 379.5	943.2	634.3	784.3	1 020	590
	RMSE	2 657.6	4 155.6	2 360.4	2 997.5	2 954.9	1 418.3
	Accuracy/%	51.2	82.4	88.2	85.3	81	89
北京南站	MAE	1 877.6	1 336.7	1 242.7	958.6	1 515.4	697.4
	RMSE	3 728.9	4 034.2	3 375.5	3 951.3	3 881.7	3 088.5
	Accuracy/%	39.5	79.7	81.1	85.4	77.1	89.4
北京北站	MAE	139.1	202.2	62.4	43.4	106.7	29.13
	RMSE	187.8	423.2	83.7	70.7	175.4	51.8
	Accuracy/%	54.8	64.9	89.2	92.5	81	95.9
清河站	MAE	244.6	56.4	134.3	45.1	164.3	44.7
	RMSE	420	129.8	195.7	115.2	322.5	117.6
	Accuracy/%	43.1	93.4	84.3	94.8	80.9	94.8
北京朝阳站	MAE	501.5	734.8	623.6	533.9	762	492.7
	RMSE	2 108.7	4 648.3	3 811.9	3 523.7	3 675.8	3 337.1
	Accuracy/%	37.5	61.1	65.3	68.9	55.5	81.3
北京丰台站	MAE	648.1	505.2	634.37	460.9	813.5	350.6
	RMSE	1 269.8	1 308.9	1 769.9	1 500.8	1 861.3	1 289.6
	Accuracy/%	46.6	75.7	69.6	77.9	61	83

基于混合Transformer的对外客运枢纽抵站客流预测模型

Passenger flow prediction model of external transportation hub based on hybrid Transformer

RICH HTML

PDF (PC)

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 18

相关文章 15

Metrics

本文评价

推荐阅读 0