任琦璇（中国铁路经济规划研究院有限公司运输研究所）于2024年在《铁道经济研究》期刊上发表了题为《铁路车站客流量波动规律与预测方法探讨》的研究论文。该研究聚焦于铁路车站客流量的波动规律及其预测方法，旨在为铁路网络规划、运营组织优化和服务质量提升提供数据支持。

学术背景

铁路客运呈现出显著的波动特性和复杂变化趋势，准确把握客流变化规律和趋势，实现客流的精准预测，对铁路部门具有重要意义。以往的研究主要采用描述性统计分析、曲线拟合分析、聚类分析、GARCH族模型等方法，探索客流分布规律，并构建了多种预测模型。然而，传统预测模型在客流不确定性波动下预测精度较低，难以良好捕捉客流变化规律。近年来，随着机器学习、深度学习等技术的发展，尤其是LSTM（Long Short-Term Memory，长短时记忆网络）模型在时序数据预测上的优越性，研究者们开始尝试将这些技术应用于客流预测。

研究流程

该研究基于2017—2019年铁路车站客流量的历史数据，分析了节假日和非节假日期间的客流波动规律，并提出了一种融合注意力机制的LSTM模型（LSTM-AM）进行车站日客流量的预测。研究流程主要包括以下几个步骤：

1. 数据处理：选取287个车站的逐日客流数据，覆盖了各省份、各类型、各发送量水平的铁路车站。对缺失值、异常值进行处理，最终筛选得到287个车站的逐日客流数据。
2. 波动规律分析：分析节假日和非节假日期间的客流波动规律。节假日包括元旦、春节、清明节、劳动节、端午节、中秋节和国庆节，非节假日则主要分析7—8月暑运期间的客流变化。
3. 模型构建：提出并应用LSTM-AM模型进行车站日客流量预测。该模型在LSTM基础上增加了注意力机制，通过为不同时刻的隐藏层输出赋予不同权重系数，提高重要信息的影响程度，减弱无效信息的干扰程度。
4. 模型训练与评估：使用2017年1月至2019年9月的数据进行模型训练，2019年9月至12月的数据用于预测评估。选用平均绝对误差（MAE）、平均绝对百分比误差（MAPE）、均方根误差（RMSE）等指标评估模型预测效果。

主要结果

研究结果表明，LSTM-AM模型在预测铁路车站日客流量时表现出较高的精度，尤其是在非节假日期间，预测误差较小。与传统的LSTM模型相比，LSTM-AM模型的MAE、MAPE和RMSE分别降低了2056.01、2.80%和1919.47，MAPE值达到5.20%。然而，在国庆假期期间及临近范围内，个别日期的客流预测误差偏大，表明节假日影响范围内的客流预测精度仍有提升空间。

结论

该研究通过分析节假日和非节假日期间的客流波动规律，提出并应用了LSTM-AM模型进行铁路车站日客流量预测。研究结果表明，LSTM-AM模型相较于传统LSTM模型具有更高的预测精度，能够较好地反映客流变化规律，为铁路部门提供了数据支持和决策依据。然而，模型在节假日期间的预测精度仍需进一步提升，未来可对节假日客流预测进行更深入的研究。

研究亮点

1. 创新模型：该研究首次提出并应用了融合注意力机制的LSTM模型（LSTM-AM）进行铁路车站客流量预测，显著提升了预测精度。
2. 数据覆盖广泛：研究基于2017—2019年287个车站的逐日客流数据，覆盖了各省份、各类型、各发送量水平的铁路车站，具有较高的典型性和覆盖度。
3. 多维度分析：研究不仅分析了节假日期间的客流波动规律，还深入探讨了非节假日期间的客流变化，为铁路部门提供了全面的数据支持。

研究价值

该研究为铁路车站客流量预测提供了新的方法和技术支持，具有重要的科学价值和实际应用价值。通过精准预测客流变化，铁路部门可以更好地进行网络规划、运营组织优化和服务质量提升，从而适应国民经济发展，满足日益增长的旅客出行需求。