2026年城市轨道交通客流预测：技术演进、应用场景与未来趋势

2026/03/232026年城市轨道交通客流预测：技术演进、应用场景与未来趋势汇报人:1234CONTENTS目录01

引言：客流预测的重要性与行业背景02

客流预测的主要类型与特征03

预测模型的技术演进路径04

专题研究场景深化CONTENTS目录05

2026年重点城市客流特征分析06

当前挑战与技术瓶颈07

未来研究方向与发展趋势08

结论与展望引言：客流预测的重要性与行业背景01研究背景与核心价值城市轨道交通发展现状

截至2025年底，中国内地累计有58个城市投运城轨交通线路，总运营里程达13071.58公里，2025年全年完成客运总量超过340亿人次，地铁制式占比76.56%，是城市公共交通的骨干力量。客流预测的核心价值

精准客流预测是优化行车组织、提升安全预警能力、实现能源高效管理及改善乘客服务体验的关键，可直接助力提升运营效率，降低成本，如上海地铁通过动态客流调整，准点率提升12%，运营成本降低5%。行业发展面临的挑战

随着网络化运营深化，客流呈现早晚高峰集中化、节假日短时激增等特征，叠加突发公共卫生事件等非常规情况，出行模式突变、数据稀疏性及复杂时空依赖关系给精准预测带来巨大挑战。2026年行业发展现状数据

全国运营规模持续扩张截至2025年底，全国城市轨道交通运营总里程达13071.58公里，同比上涨7.49%；运营线路382条，2025年新增21条。

客运量恢复至高位水平2025年全国城市轨道交通客运总量超过340亿人次，2026年1月客运量28.9亿人次，同比增长16.5%，3月13日上海单日客流达1303万人次。

客流强度区域差异显著2026年2月深圳客运强度1.12万人次/公里·日居首，长沙1.02次之；成都1月换乘系数1.837，体现网络衔接效率，北京909公里里程下强度0.86。

制式结构以地铁为主导2025年地铁制式运营里程占比76.56%，达10007.06公里；市域快轨等中运能系统占16.42%，有轨电车等低运能系统占7.02%。综述范围与研究框架研究范围界定本综述聚焦于城市轨道交通短期与短时客流预测，重点关注客流数据的实时性与动态变化特征，为运营决策提供精准支持。核心研究对象以进出站客流、OD（起讫点）客流、网络级客流等为主要预测对象，涵盖常规、应急、枢纽换乘等多场景下的客流预测需求。技术方法主线梳理从传统统计模型（如ARIMA）、机器学习模型（如SVM）到深度学习模型（如LSTM、CNN）及时空图神经网络（STGNN）的技术演进路径。逻辑框架构建按照“预测对象-技术方法-应用场景”的逻辑主线展开，结合领域知识与跨学科技术融合，形成系统性的客流预测研究体系。客流预测的主要类型与特征02按预测对象分类：从单点到网络进出站客流预测聚焦单个车站的进站量与出站量，是客流预测的基础单元。例如2026年1月成都地铁日均进站量达357.14万人次，反映了乘客对地铁的日常依赖度。断面客流预测关注线路上特定区间的客流量，对列车编组、行车间隔调整至关重要。它能直接反映线路各段的拥挤程度和运力需求。OD（起讫点）客流预测预测乘客从起点站到终点站的出行分布，对优化线路规划和换乘组织意义重大。如PAG-STAN模型专门针对突发公共卫生事件期间的短时OD客流预测难题。网络级客流预测以整个城市轨道交通网络为对象，综合考虑多线路、多车站间的客流交互影响。2025年全国城市轨道交通客运量超340亿人次，凸显了网络级客流预测在全局运营优化中的核心价值。按时空粒度分类：短期与短时预测聚焦

短期预测：调度优化的核心依据短期预测通常指预测未来1小时至1天的客流量，主要服务于列车运行计划调整、运能配置优化等调度层面。例如，根据历史数据和实时信息预测早高峰时段各线路的客流压力，为加开临客、调整发车间隔提供决策支持。

短时预测：实时运营的动态响应短时预测一般针对未来5分钟至1小时的客流变化，强调实时性与精准性，以应对突发大客流、设备故障等应急场景。如上海地铁在F1赛事期间，通过短时预测动态调整11号线行车间隔至6分钟，保障观赛客流快速疏散。

数据基础与技术适配短期与短时预测依赖AFC实时数据、时刻表、天气、活动等多源信息，常采用LSTM、GRU等深度学习模型捕获时间依赖性，结合STGNN处理线网空间关联，如PAG-STAN模型在突发公共卫生事件下仍能实现高精度OD客流预测。数据基础：多源异构数据融合核心运营数据：AFC与时刻表数据自动售检票（AFC）数据提供进出站客流、换乘量等基础信息，2026年1月全国城市轨道交通进站量达17.2亿人次。时刻表数据则包含列车运行计划与实际到站时间，是分析断面客流与网络级客流的关键。网络拓扑与外部环境数据网络拓扑数据将车站抽象为节点、线路抽象为边，是时空图神经网络（STGNN）建模的基础。外部因素涵盖天气、大型活动（如2026年3月上海F1赛事带动单日客流破1300万）、土地利用及POI等，显著影响客流波动。多源数据融合的挑战与技术路径多源异构数据存在实时对齐、格式差异及噪声干扰等问题。技术路径包括建立统一数据标准（如ETL工具清洗）、构建动态监测库，以及通过异构信息融合模块（HIFB）整合多维度特征，如PAG-STAN模型融合实时OD估计与历史分布率数据。预测模型的技术演进路径03传统统计与机器学习方法01时间序列模型：捕捉周期性规律以ARIMA模型为代表，通过对历史客流量数据的拟合，捕捉数据的趋势和季节性变化，适用于平稳客流序列预测。如深圳地铁3号线数据验证，SARIMA模型预测R²达0.89。02回归模型：分析多因素影响通过分析客流量与外部环境因素（如天气、活动、土地利用等）的关系，建立线性或多元回归方程进行预测，可在考虑多个因素的情况下进行客流量估计。03机器学习模型：非线性关系拟合支持向量机（SVM）、BP神经网络等模型，利用人工神经元或核函数捕捉数据中的非线性关系，具有较强的学习能力，适用于复杂的客流预测问题。04传统方法的局限性传统统计与机器学习方法普遍难以处理复杂的非线性、时空相关性，对于大规模网络化运营下的客流动态变化预测精度有限，在应对突发事件等非常规场景时适应性不足。深度学习模型的兴起：RNN/LSTM/CNN

循环神经网络（RNN/LSTM/GRU）：时间依赖性捕获RNN及其变体LSTM、GRU擅长捕获时间序列数据中的长期依赖关系，广泛应用于单站客流序列预测，能有效处理客流数据的动态变化。

卷积神经网络（CNN）：空间特征提取CNN通过卷积操作提取数据的空间特征，例如可将车站布局或区域地理信息视为图像进行处理，增强对空间相关性的建模能力。

编码器-解码器与注意力机制：长序列与关键信息聚焦编码器-解码器结构结合注意力机制，能有效处理长序列预测问题，并对关键时间点或特征给予更多关注，从而提升预测精度。时空图神经网络（STGNN）成为主流

核心优势：建模非欧几里得空间关系STGNN将城轨网络建模为图结构（节点为车站，边为连接），能直接处理非欧几里得空间关系，是捕获复杂时空相关性的最有效框架，尤其适用于网络级客流预测。

代表性架构：STGCN、GAT与分层学习框架主流STGNN模型包括时空图卷积网络（STGCN）、图注意力网络（GAT）及时空分层学习框架等，它们通过不同机制融合时空特征，提升网络级和OD客流预测精度。

性能对比：超越传统与深度学习模型相比传统ARIMA等模型难以处理非线性关系、LSTM等深度学习模型空间建模能力有限的问题，STGNN在网络级预测中表现更优，但存在结构复杂、计算成本高及可解释性弱的局限。前沿混合与专用模型创新

01物理信息引导模型：融合领域知识提升可解释性如PAG-STAN模型，将OD客流与进出站客流间的物理守恒关系嵌入损失函数，在突发公共卫生事件等应急场景下，提升了预测的可解释性与精度。

02多图融合模型：全面学习复杂站间关系例如MGLTN模型，通过同时构建拓扑、地理、流量相似性等多张图，能够更全面地学习车站之间的复杂关系，优化预测效果。

03面向异常检测的预测模型：集成实时预警功能此类模型集成了实时异常客流识别与预警功能，能够及时发现并应对客流异常情况，为运营安全提供保障。核心预测模型方法对比分析

传统统计与机器学习方法代表方法包括ARIMA、卡尔曼滤波、SVM等，模型简单且可解释性强，但难以处理非线性和复杂时空关系，适用于早期研究和平稳客流序列。

深度学习模型如LSTM、CNN等，具备强大的非线性拟合与特征学习能力，但处理图结构时空关系能力有限，广泛应用于单站时间序列预测。

时空图神经网络（STGNN）代表架构有STGCN、ASTGCN、GMAN等，能统一建模非欧空间的时空依赖，网络级预测能力强，不过结构复杂、计算成本高且可解释性弱，适用于网络级和OD客流预测。

混合与专用模型例如PAG-STAN、MGLTN等，融入领域知识，针对特定问题如稀疏OD、应急场景优化，设计复杂但通用性可能受限，适用于应急响应、OD控制和异常检测。专题研究场景深化04应急场景下的客流预测挑战与方案

应急场景客流预测的核心挑战突发公共卫生事件等非常规情况导致出行模式突变，数据稀疏性和高维性显著增加，外部因素影响复杂，给实时精准预测带来极大困难。

PAG-STAN模型：物理引导的深度学习方案北京交通大学团队提出的PAG-STAN模型，引入实时OD估计模块生成完整实时OD矩阵，动态压缩模块应对数据稀疏高维问题，掩码物理引导（MPG）损失函数提升可解释性与精度，在南宁、北京地铁真实数据集上表现出色。

应急场景下的多策略应对针对应急场景，需综合运用历史数据挖掘、多源异构信息融合（如疫情信息、政策管控）、动态模型调整等策略，提升模型对极端波动的适应能力，为运营方调整列车运行计划提供有力技术支持。综合交通枢纽换乘客流预测

综合交通枢纽换乘的多模式交通耦合特性综合交通枢纽换乘客流预测需考虑城际铁路、航空、公交与城轨等多种交通方式的耦合影响，其客流具有来源多样、时空分布复杂、换乘行为关联紧密等特性。

多模式交通耦合预测方法需分析不同交通方式间的换乘衔接关系，构建考虑多模式交通协同的预测模型，例如结合高铁时刻表、航班动态、公交调度信息与城轨客流数据进行综合预测。

综合交通枢纽换乘仿真优化通过仿真技术模拟枢纽内不同交通方式的换流动态，优化换乘设施布局与客流组织方案，提升换乘效率，例如针对大型活动或节假日高峰进行换乘流线仿真与疏导策略优化。新线开通数据缺失情况下的预测方法基于相似线路类比的预测方法通过分析城市内已开通的、具有相似区位特征（如连接新区与市中心、途经大型居住区或商业区）和功能定位的线路初期客流数据，建立类比模型，预测新线开通后的客流趋势。例如，可参考同城市中类似长度、站点类型分布的线路在开通初期6个月至1年的客流增长曲线。土地利用与人口分布推演法利用新线沿线土地利用规划数据（如住宅、商业、办公用地面积及开发强度）和人口普查/预测数据，结合出行生成率、吸引率等参数，估算沿线潜在客流需求。如根据规划居住户数和人均出行次数，预测早晚高峰通勤客流。多源异构数据融合填补法整合新线周边既有公交、出租车GPS数据、手机信令数据、POI兴趣点数据等，通过机器学习模型（如随机森林、梯度提升树）捕捉出行特征，填补新线历史数据空白，辅助客流预测。例如，利用手机信令识别新线覆盖区域的人员活动强度和出行OD。动态贝叶斯网络与情景模拟构建包含政策、经济、城市事件等影响因素的动态贝叶斯网络模型，设定不同情景（如乐观、基准、保守）对新线客流进行预测。结合蒙特卡洛模拟，量化客流预测的不确定性范围，为运营方提供多方案决策支持。2026年重点城市客流特征分析05一线城市：深圳客运强度与上海大客流管理深圳：全国客运强度标杆2026年2月，深圳以1.12万人次/公里·日的客运强度位居全国第一，其634.5公里的运营里程虽不到北京的70%，但单位线路效率极高，体现了“小而精”的运营模式。上海：超大客流的日常挑战与应对2026年3月13日，上海地铁单日客流达1303.00万人次，创马年新高。面对春运返程与F1赛事叠加的大客流，通过启用专项运行图、缩短赛车场站行车间隔至6分钟等措施保障运营。京沪对比：效率与规模的不同路径北京以909公里运营里程居全国首位，但2026年2月客运强度0.86万人次/公里·日，低于深圳和广州；上海则以1300万级日客流展现超大城市的规模效应，两者分别代表“大而全”与“高效集约”的发展模式。新一线城市：成都换乘系数与重庆网络扩展成都：高换乘系数彰显网络成熟度2026年1月，成都轨道交通日均客运量655.98万人次，稳居全国第五。其换乘系数达1.837，高于上海（1.790）、深圳（1.769）等城市，体现了线网覆盖广度与衔接效率，反映出“多中心、组团式”城市布局下乘客跨区流动的高效性。重庆：网络扩展推动客流稳步增长重庆轨道交通近年来网络快速扩张，2026年1月客运量达15141.9万人次，接近500万日均客流门槛。尽管其2026年1月9日客流强度为0.78万人次/公里，与成都存在差距，但其线路建设紧扣山地城市特点，“地铁+快线+单轨”多制式分层服务体系逐步完善。蓉渝对比：不同发展路径下的客流特征成都通过优化线网结构和换乘效率提升客流粘性，重庆则通过里程扩展和多制式协同服务山地城市出行需求。2026年1月数据显示，成都客运量领先重庆，反映出网络成熟度对客流的拉动作用，而重庆随着新线开通（如2026年计划推进的线路），客流增长潜力值得期待。区域发展差异：济南客运强度提升路径济南当前客运强度现状与挑战2026年1月，济南轨道交通客运强度为0.41万人次每公里日，其中纯地铁线路客流强度约为0.48，距离地铁线路初期客运强度不低于0.7万人次每公里日的国家标准仍有差距。新线开通对客流的拉动效应2025年12月底新线集中开通后，济南轨道交通运营里程从96.7公里跃升至217.9公里，2026年1月客运量达2770.6万人次，日均89.4万人次，环比增长85.2%，换乘系数升至1.62，超过二线城市平均水平。提升客运强度的关键路径一是持续优化线网覆盖，加快6号线等关键线路贯通，强化与铁路枢纽衔接；二是提升换乘便利性，优化换乘节点设计，提高网络可达性；三是推动TOD综合开发，引导人口与产业向轨道站点周边集聚，培育客流增长点。当前挑战与技术瓶颈06数据质量与多源融合难题

数据质量挑战：异常与缺失客流数据存在异常值（如2020年武汉疫情单日客流骤降事件）和缺失问题，需采用插值法等进行补全与清洗，以保障预测基础数据的可靠性。

多源数据类型与特征差异需整合AFC数据、时刻表、网络拓扑等内部数据，以及天气、活动、土地利用等15类外部变量，这些数据在时空粒度、格式和更新频率上存在显著差异。

实时数据对齐与融合技术瓶颈多源异构数据（如AFC、GPS、POI）的实时对齐与融合面临技术难题，影响预测模型对动态客流变化的及时响应与精准捕捉。模型可解释性与可靠性障碍

01深度学习“黑箱”问题的应用局限在城市轨道交通客流预测中，深度学习模型虽能实现高精度预测，但其内部复杂的非线性映射关系难以解释，在安全攸关的运营决策领域形成应用障碍，降低了决策可信度。

02突发场景下模型行为不可控风险如突发公共卫生事件等非常规情况，出行模式突变可能导致深度学习模型预测结果异常，而模型缺乏对这种异常的解释能力，难以保障预测可靠性，影响应急响应效率。

03物理规律与数据驱动的融合难题传统数据驱动模型往往忽略客流变化的物理机制，如OD客流与进出站客流间的守恒关系，导致模型在极端或稀疏数据场景下可靠性不足，需通过物理引导等方式增强可解释性。计算效率与复杂场景泛化能力

大规模网络实时预测的计算挑战城市轨道交通网络规模不断扩大，如2025年全国运营里程已达13071.58公里，复杂模型如时空图神经网络（STGNN）结构复杂、计算成本高，难以满足实时预测需求，亟需算法轻量化与高效计算架构支持。

极端天气下的客流预测适应性极端天气等非常规事件会显著影响出行行为，现有模型对这类复杂场景的泛化能力不足。例如，暴雨、台风等天气可能导致客流骤减或出行方式改变，模型需有效融合气象数据以提升预测准确性。

大型活动引发的瞬时客流冲击应对大型活动如2026年F1中国大奖赛导致上海赛车场站出站人数较去年增长近50%，此类瞬时客流冲击对预测模型的动态响应能力提出高要求，需结合事件信息进行快速调整与精准预测。

突发公共卫生事件下的模型鲁棒性突发公共卫生事件期间出行模式突变、数据稀疏，如PAG-STAN模型通过物理引导和动态OD估计模块提升应急场景下的预测精度，显示增强模型在非常规场景下鲁棒性的重要性。未来研究方向与发展趋势07新一代人工智能融合：大语言模型的潜力理解与推理出行意图大语言模型（LLM）具备强大的自然语言理解与逻辑推理能力，能够深入分析乘客出行行为背后的意图，如通勤、购物、休闲等，为精准客流预测提供更贴近实际需求的洞察。融合文本类外部信息LLM可有效整合社交舆情、新闻资讯、活动公告等文本类外部信息，例如分析大型赛事、演唱会等事件对局部区域客流的突发性影响，提升预测模型对非常规场景的适应能力。优化预测模型的可解释性借助LLM的生成式能力，可对客流预测结果进行自然语言解释，阐述影响客流变化的关键因素及逻辑，有助于运营决策者更好地理解预测依据，增强对模型的信任度。因果推断与可解释预测超越相关性：客流变化的因果驱动因素探究传统预测模型多关注数据间的相关性，因果推断则致力于揭示客流变化的深层驱动机制，如政策调整、重大事件、土地利用变化等对出行行为的直接影响，从而提升预测的科学性和决策的可信度。物理引导模型：提升可解释性的有效路径例如PAG-STAN模型，将OD客流与进出站客流间的物理守恒关系嵌入损失函数，在突发公共卫生事件等场景下，既保证了预测精度，又增强了模型行为的可解释性，为运营决