- 文献综述（或调研报告）：
短期客流预测是预测一年内（主要以分时段、日、月、季度等时间单位作为时间粒度）的轨道交通网络或者线路的客流特征、服务水平以及出行效率等[1]。通过对国内外对短期客流预测方法的研究发现，目前关于短期客流预测的研究主要集中在以分时段或日为单位两个方面[2]，尤其在道路交通和铁路领域，拥有大量的研究成果。由于城市轨道交通短期客流特性与短期交通流、铁路客流具有一定的相似性，因此可借鉴其在短期预测方面的研究。
- 国外研究
国外对短时预测的研究起步较早，也提出和形成了很多方法，但大多数是偏向于对道路交通流的研究，对城市轨道交通客流的短时预测则很少。Javad Abdi[3]等对于实际条件下交通流的不规则给交通流预测带来的问题，提出了一种基于短时时间差异学习和模糊神经网络的非参数方法，仿真结果表明该方法可以获得最优预报；Sherif Ishak[4]提出了一种利用多个人工神经网络拓扑在不同网络和交通条件下优化高速公路短时交通预测性能的方法；Athanasios Salamani 等[5]采用基于密度的聚类算法将正常和非正常条件下的交通模式进行分类，并分别用 K 近邻法、支持向量回归和时间序列的模型进行训练和测试，提高了预测精度；Traianos-Ioannis Theodorou等[6]在识别是否有交通事故发生的基础上，采用 K-近邻（K-NN）非参数回归模型和自回归移动平均（ARIMA）参数模型混合模型用于交通量预测，并与单一的模型进行比较，验证了该模型在正常和异常交通条件下均达到较高的精度；Yalda Rajabzadeh 等[7]跳出从历史数据中估计出来的平均趋势，开发了一个实时数据流预测的自适应时变模型，来补偿随机的日内变化的影响，并应用于德黑兰公路交通数据，改进了预测精度；Nicholas G. Polson 等[8]针对交通流非线性的特点，对大型活动和恶劣天气带来的交通流突变建立了深度学习模型进行预测研究和验证。
- 国内研究
谢婉泽[9]构造了基于灰色预测模型和神经网络模型的城市轨道交通客流短时预测组合模型，并参考智能交通信号灯的原理，根据预测结果进行运营编组设计；黄梓荣[10]分析了轨道交通在成网条件下客流在时间维度上的相关关系以及同一线路、交叉线路间的客流时空相关关系，建立对应的神经网络模型对广州地铁三元里站未来客流情况进行预测，最后构建了客流预测子模块计算机实现；杨冉[11]以北京地铁 2 号线断面客流数据和西直门站进出站客流数据为基础，建立神经网络时间序列预测模型和神经网络回归预测模型，并给出了解决客流时间和空间不均衡性的运营调度方案，最后完成了计算机可视化操作；董升伟[12]对北京地铁 4 号线的短时客流数据进行聚类分析与相关分析，研究建立了基于改进神经网络的轨道交通短时客流预测模型并进行仿真预测；张亚运[13]采用小波神经网络预测模型，对断面客流进行短时预测试验，并根据预测结果对西安地铁二号线进行了全日行车计划的优化。
武汉慧[14]分别采用不同的组合模型对车站层面和断面层面的短时客流进行了预测，并在此基础上对西安地铁 2 号线全日行车计划及列车交路计划、钟楼站车站客流组织进行调整优化，以提高城市轨道交通的服务水平并降低运营成本；史文雯[15]利用聚类分析和双变量相关系数等方法处理北京城市轨道交通历史客流数据，在神经网络的基础上分别结合小波理论、模糊理论和支持向量机三种方法进行了试验，并研究得到城市轨道交通的最优能力调配方案;杨磊[16]提出一种改进的萤火虫算法来优化神经网络的初始参数，并结合通勤因素和气象因素对上海市城市轨道交通进行短时客流预测；胡进宝[17]针对 AFC 数据存在延误和失真的现象提出城市轨道交通车站进站量异常值识别及校正方法，利用完全总体经验模态分解对城市轨道交通短时客流进行平稳化处理，并引入样本熵理论对分解分量的可预测性进行评价，采用核函数极限学习机模型，并结合模拟退火和粒子群算法实现参数的优化选取，对北京市城市轨道交通西直门站进行预测验证；刘洋[18]使用多维标度法对城市轨道交通断面客流进行相关性分析和分组，在此基础上分别基于断面客流序列和时变参数序列建立状态空间模型，应用自适应卡尔曼滤波算法进行求解，并进行了有效性的实例验证；
邱华瑞[19]根据对南京地铁的不同线路、车站时间序列周期性、波动性以及数据的分析，选择了支持向量机模型对线路及车站日进站客流的时间演变规律进行分析预测、用 SARIMA 模型对线路及车站小时进站客流序列进行分析预测，并对“新街口站-其他站点”的客流 OD 演变规律用模型进行分析，最后探讨了站内客流微观空间演变规律，并分析了站内乘客路径选择的影响因素；姚恩建等[20]为了评估新线的建成和接入对既有车站进出站客流的影响，引入站点可达性指标定量分析新线给既有站带来的诱增进出站客流，构建接入新线后既有站进出站客流预测模型，利用广州地铁的历史数据对模型进行了参数标定与检验；蔡昌俊等[21]通过自相关和偏自相关函数消除进出站客流的趋势性和周期性特征影响，构建乘积差分自回归移动平均模型对进出站客流量进行预测，并在广州地铁各车站进出站客流量数据的基础上进行了模型的参数标定；谢俏等[22]在广州地铁客流数据的基础上，利用相关系数对分时客流数据间的相关性进行判断，从而确定合适的非参数模型状态向量，根据 K近邻样本与预测目标的客流量差异性，设计基于权重加权的预测算法并实例验证。
可视化作为一种统计学工具特别是伴随大数据分析而崛起的技术分支，用于创建一条快速认识数据集的捷径，正逐步成为一种令人信服的表现与沟通手段[23]。目前采用较多的可视化工具如JReport、Excel、水晶报表、FineReport等；新型大数据广泛采用的可视化工具有MatLab、CartoDB、Mapbox、Tableau、D3.js（Data Driven Documents）等。
虽然短时预测经过国内外研究者的探索已取得了一系列丰硕的研究成果，但由于短时客流容易受到众多因素干扰，存在随机性、突变性、动态性等不利于精确预测的特点，现有模型普遍存在预测精度不够高或者泛化能力不强等问题，短时客流预测模型和理论研究也仍处于更新与完善阶段。客流预测是轨道交通运营管理的重要部分，但国内短时客流预测现阶段使用的方法主要是卡尔曼滤波模型滑动平均法、灰色模型、支持向量机等，缺乏对于最新的机器学习算法的引入。现阶段使用的这些方法虽然对客流预测研究有推动作用，但是没有考虑新线开通或网络化效应等网络化运营条件因素的影响以及只研究城市轨道交通线路的每日进站客流量预测，未进一步研究形成线路的点——车站的客流变化特征，且在海量城市轨道交通数据的面前，预测精度需要进一步提高。
参考文献:
[1]沈云椅．短期轨道客流预测技术研究[J与运输，2015(zl):52-55．
[2]吕利民，李吴，温辛研，等．城市轨道交通短期客流预测方法[J]．都市快轨交通，205,28(2):21-25.
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
