摘要

城市轨道交通客流预测因客流时空分布的复杂非线性和数据融合难度大而面临挑战。针对这一问题，本文结合时空图卷积网络（STGCN）和注意力增强型（LSTM）构建了新型预测模型，有效捕捉客流时空依赖关系并动态整合多源信息。在北京地铁5号线的应用实践中，该模型比传统方法预测误差显著降低，特别是在雨天等特殊天气条件下表现更为突出。实验数据显示，深度学习算法能够适应各种客流场景变化，为轨道交通客流预测提供了更精准可靠的技术路径。

关键词