1.1研究目的

随着我国经济的飞速发展，城市中的人口和车辆数量也急剧的增加，这一现象直接导致了人们出行量的大量增加，由此引发了大量的交通问题，其中交通拥堵问题最为突出，为了解决这些问题，大力发展城市公共交通就成为了一个非常重要的手段。

公共交通是城市交通中一个不可缺少的版块，其运行的优劣程度会影响到我国经济的运转状况和市民的生活质量。而公交线路的客流量预测是城市公共交通建设的基础和前提，在城市交通项目研究及交通状况评价过程中都需要进行各种交通情况的调查和预测，所以城市公交线路客流量预测会直接影响城市交通规划和建设的科学性和合理性，具有非常重要的现实影响与理论价值。

1.2 研究意义

本文以公交线路客流预测为出发点，通过分析某省部分公交线路的历史公交刷卡数据，预测不同线路的客流情况，通过预测分析首先为众多相关部门提供了切实有效的数据，对城市的资源及人力进行分配，提供整个城市交通系统的安全性、舒适性和经济效益。其次通过预测分析可以为相关部门在处理各种紧急突发事件中提供科学有效的数据。在一些重大活动或重大节日过程中，客流量的预测可以为相关部门处理应对市民出行方式进行合理的调控与匹配，保证活动的顺利展开和市民的出行方便相适应。根据客流预测分布的结果，提前为人们选择合适的公交线路、避开线路客流高峰以及合理调配公交资源提供信息支持，最终实现公交线路客流预测，为广大乘客提供信息对称、安全舒适的出行环境，用数据引领未来城市智慧出行。

1.3 研究现状

对于公共交通客流预测等方面的研究，国外相对于国内开始的更早，并且使用了很多不同的技术手段和模拟方法，在有关公交的客流预测、数据采集和分配调度等方面都取得了不错的成绩，在国内，随着国家对城市公共交通的重视程度不断提高，探索智能公交化的技术水平也不断的飞跃，通过对技术手段及研究方法的不断改进，一大批有效的客流预测成果不断踊跃，产生了极大的影响。

在数据方面，龙瀛等人采用基于2008年北京市连续一周的公交IC卡刷卡数据，初步提出了从传统的居民出行调查和城市GIS数据建立规则,用SCD数据挖掘的方法,具有较好的可靠性。^【1】左快乐通过客流规律总结,运用时间序列分析方法将客流数据用于客流预测。^【2】刘雪琴证明多元线性回归模型具有较高的预测精度,能够快速准确地预测出线路时段客流。^【3】

在公交客流预测方面，姜平等人通过分析神经网络的作用机理和公交年客流量的影响因素建立了公交客流预测的径向基神经网络模型(RBF)和BP神经网络模型.结果表明所建模型具有较高的预测精度,效果较好。^【4】李振选用了非线性映射能力以及学习能力强的BP人工神经网络模型来进行预测,综合考虑了历史数据、气温以及天气因素的影响。实验表明,预测结果具有较好的精度。^【5】陆百川等人建立了基于IC卡和RBF神经网络的短时公交客流量预测模型并介绍了具体预测过程。^【6】Liu, Lijuan等人基于深度学习使用SAE-DNN提出一种新的客流预测模型。并使用厦门BRT数据进行有效测试。^【7】邹巍等人提出一种基于遗传算法与小波神经网络的轨道交通短时客流预测方法，结果表明,相比遗传算法优化的BP神经网络模型,单一的小波神经网络模型其预测精度更高,误差更小,能在实际中应用。^【8】Roos, Jérémy等人提出了一种基于动态贝叶斯网络的方法来预测巴黎城市轨道交通网络的短期客流量，该方法旨在即使在数据不完整的情况下也能执行。^【9】YunBai等人提出了一种多模式深度融合方法来预测公交客流量。该方法可以提高客流预测精度。^【10】赵梦琪提出一种面向公交刷卡数据处理的非参数随机建模方法(simHash)。simHash能够运用类型更加宽泛的特征映射函数对相似特征数据进行处理,使其建立的预测模型精确度更高。^【11】

除现有的公交线路客流预测方法之外，在交通预测领域还有更多的新手段、新思路。杨新苗等人提出一种基于模糊神经网络理论的公交线路客流预测模型。实验比较发现 ,该模型具有较强的自适应性 ,其预测结果优于常规时间序列模型AR、ARMA得到的预测结果。该模型适用于公交企业运营调度管理的需要。^【12】郭雅楠以经典的BP神经网络模型为基础,提出了两种改进后的组合模型,其一结合了粒子群优化算法的组合模型,其二应用了经验模态分解方法的组合模型。实验结论证实了新方法在预测客流量方面的可用性和有效性。^【13】陈奇平则提出根据公交线路客流的不同特性建立不同的预测模型,并不执着于算法本身,而是充分挖掘公交线路客流数据的特征和影响因素,根据不同特征构造不同的数据集来提高预测精度。^【14】Wei Guan等人首创了一种融合了神经网络、卡尔曼滤波和ARIMA模型的组合模型，并选取了北京三环的交通流量做预测，结果表明单项模型在交通拥堵时预测效果较好，而组合模型在非拥堵时段预测效果更好。^【15】