随着城市人口的不断增加，城市交通也在迅速扩张，这对城市的可持续发展提出了新的挑战。与私家车相比，城市轨道交通可以减少与交通相关的能源消耗、出行成本、交通拥堵和环境污染。同时，研究表明，在城市轨道交通强度较高的城市，汽车保有量的增长相对较慢。因此，地铁、公交等公共交通设施在实现城市可持续发展中发挥着更加重要的作用。其中，由于交通流量大、运营速度快、占地面积小，地铁交通系统是消除城市交通束缚、缓解城市交通拥堵、构建城市立体交通系统的重要措施。此外，地铁排放的污染物更少，节约能源。因此，一个及时有效的地铁交通系统至关重要。
为了避免地铁资源不足导致的交通拥堵或交通瘫痪，可以利用客流预测来实现交通资源的有效分配。机器学习方法可以通过足够的历史观测获得交通数据的非线性特征和统计规律，可以处理统计方法的问题，但在节点众多的复杂网络中很难取得良好的结果。它们主要依赖于复杂的手动特征工程，这导致对海量数据建模缺乏鲁棒性，并且无法处理原始时空数据。因此，机器学习方法很难在丰富的时空数据的基础上获得最佳的预测结果。
深度学习方法可以自动建立特征工程并改进特征表达。此外，深度学习模型在捕捉非线性和复杂模式方面具有优势，这可以帮助它们获得更准确的结果。交通流预测本质上依赖于历史观测。因此，时间依赖是不可或缺的一部分。然而，一些深度学习模型只考虑了客流的时间依赖性，而忽略了空间依赖性。这样，交通预测就脱离了道路和车站等空间因素。通过整合空间相关性，可以进一步提高模型的准确性。因此，针对单一模型在客流预测中的不足，一些研究引入CNN对空间依赖性进行建模，并将其与RNN 模型及其变体模型。
由于地铁网络的非欧氏和时变特性，CNN很难描述复杂的空间拓扑关系。因此，一些深度学习模型引入了图卷积神经网络（GCN