本书以作者及其团队多年来研究的城市轨道交通短时客流预测基础理论和算法为基础，深入细致地阐述了城市轨道交通短时客流预测面临的一系列数据、模型、管理需求等问题，提出了相关的机器学习和深度学习模型与算法，是作者及团队近年来一系列研究成果的体现。本书主要内容包括城市轨道交通常态与非常态场景下车站级和网络级短时进站流预测、短时OD流预测、短时断面流预测、以轨道交通为骨干的多模式交通短时客流预测、基于计算机视觉的轨道交通站内关键设施处短时客流预测。
本书主要面向从事城市轨道交通运营管理的科研人员，广大从事交通大数据分析、机器学习或深度学习的专业人员，从事高等教学的相关教师，高等院校的在读学生及相关领域的广大科研人员，可作为各高等院校交通运输、交通工程等专业的本科生和研究生教材。

第1章 绪论
1.1 研究背景及意义
1.2 相关概念
1.3 面临的问题
1.4 本书研究内容
第2章 城市轨道交通车站级常态短时进站流预测
2.1 概述
2.2 客流空间特征挖掘
2.2.1 基于两步K-means算法的车站聚类
2.2.2 基于车站类别的客流特征分析
2.3 客流时间特征挖掘
2.3.1 客流时间序列相似性度量
2.3.2 客流时间序列平稳性检验
2.3.3 客流时间序列可预测性评估及分析
2.4 基于聚类和LSTM的车站级短时进站流预测
2.4.1 问题及数据简介
2.4.2 基于聚类的LSTM模型
2.4.3 模型配置
2.4.4 预测结果分析
2.5 基于元学习的新开车站或线路短时进站流预测
2.5.1 问题及数据简介
2.5.2 基于元学习的LSTM模型
2.5.3 模型配置
2.5.4 预测结果分析
2.6 小结
参考文献
第3章 城市轨道交通网络级常态短时进站流预测
3.1 概述
3.1.1 基于循环神经网络的模型
3.1.2 基于卷积神经网络的模型
3.1.3 基于图卷积神经网络的模型
3.1.4 基于深度学习框架的模型
3.2 基于ResLSTM的网络级短时进站流预测
3.2.1 问题及数据简介
3.2.2 ResLSTM模型
3.2.3 模型配置
3.2.4 预测结果分析
3.3 基于Conv-GCN的网络级短时进站流预测
3.3.1 问题及数据简介
3.3.2 Conv-GCN模型
3.3.3 模型配置
3.3.4 预测结果分析
3.4 基于Graph-GAN的网络级短时进站流预测
3.4.1 问题及数据简介
3.4.2 Graph-GAN模型
3.4.3 模型配置
3.4.4 预测结果分析
3.5 小结
参考文献
第4章 城市轨道交通车站级与网络级非常态短时进站流预测
4.1 概述
4.2 基于Grapb-Transformer的节假日短时进站流预测
4.2.1 问题及数据简介
4.2.2 Graph-Transformer模型
4.2.3 模型配置
4.2.4 预测结果分析
4.3 基于ST-former的疫情期间短时进站流预测
4.3.1 问题及数据简介
4.3.2 ST-former模型
4.3.3 模型配置
4.3.4 预测结果分析
4.4 基于ST-BiLSTM-Attention的大型活动期间短时进站流预测
4.4.1 问题及数据简介
4.4.2 大型活动期间的客流数据分析
4.4.3 ST-BiLSTM-Attention模型
4.4.4 模型配置
4.4.5 预测结果分析
4.5 小结
参考文献
第5章 城市轨道交通车站级与网络级短时OD流预测
5.1 概述
5.2 基于LSTM的车站级短时OD流预测
5.2.1 问题及数据简介
5.2.2 模型配置
5.2.3 预测结果分析
5.3 基于CAS-CNN的网络级短时OD流预测
5.3.1 问题及数据简介
5.3.2 CAS-CNN模型
5.3.3 模型配置
5.3.4 预测结果分析
5.4 小结
参考文献
第6章 城市轨道交通网络级短时断面流预测
6.1 概述
6.2 问题及数据简介
6.2.1 问题分析
6.2.2 网络表示及虚拟数据简介
6.2.3 真实数据简介
6.2.4 本章符号表示
6.3 计算图模型简介
6.4 基于计算图的车站等车时间与链路行程时间估计
6.4.1 路径选择建模
6.4.2 k短路搜索以及有效路径选择
6.4.3 数学优化模型构建
6.4.4 优化模型向量化
6.4.5 计算图模型建模
6.5 客流分配及短时断面流预测
6.5.1 智能体仿真生成断面客流量
6.5.2 虚拟地铁网络案例研究
6.5.3 北京真实地铁网络案例研究
6.6 小结
参考文献
第7章 以轨道交通为骨干的多模式交通短时客流预测
7.1 概述
7.2 基于Res-Transformer的区域级多模式交通短时客流预测
7.2.1 问题及数据简介
7.2.2 Res-Transformer模型
7.2.3 模型配置
7.2.4 预测结果分析
7.3 基于Res-lnformer的网络级多模式交通短时客流预测
7.3.1 问题及数据简介
7.3.2 Res-Informer模型
7.3.3 模型配置
7.3.4 预测结果分析
7.4 小结
参考文献
第8章 基于计算机视觉的城市轨道交通站内短时客流预测
8.1 概述
8.1.1 目标检测
8.1.2 目标跟踪
8.1.3 短时客流预测
8.2 问题及数据简介
8.2.1 问题分析
8.2.2 问题定义
8.2.3 数据简介
8.3 模型简介
8.3.1 客流识别算法与客流预测算法
8.3.2 Detect-Predict模型
8.4 实验及分析
8.4.1 客流识别实时性实验
8.4.2 乘客数量统计以及客流时间序列提取算法
8.4.3 精细化短时客流预测
8.5 小结
参考文献