基于向量自回归和动态模式分解的城市轨道交通短时OD预测

针对城市轨道交通OD客流量短时预测问题，提出基于向量自回归（Vector Auto Regression, VAR）和动态模式分解（Dynamic Mode Decomposition, DMD）的VAR-DMD组合预测模型.首先，以北京市范围内的地铁站点为例，基于自动售检票系统数据（Auto Fare Collection, AFC），对地铁OD客流进行时空特征分析；其次，构建高阶加权向量自回归模型捕获OD客流数据的时空关联性，利用动态模式分解算法估算模型的参数，提取OD客流数据动态特征，实现数据的降维和降噪，利用实时更新算法更新模型的参数，实现长期连续预测；最后，以北京地铁AFC数据为算例，对模型进行验证.研究结果表明：相较于基准模型，VAR-DMD模型的运行时间减少96.67%，预测误差减少2.6%，具有较高的预测速度和预测精度，为城市轨道交通运营管理部门提供了可靠又及时的决策依据.