地鐵換乘客流實時監測模型研究

丁 蕾 徐永能 姜 毅

(南京理工大學交通工程系 南京 210094)

隨著我國城市軌道交通的高速發展，城市軌道交通正步入網絡化時代。地鐵換乘站是城市軌道交通線網中的重要節點，軌道交通不同線路間的內部換乘是換乘站的重要功能之一，其內部換乘效率的高低直接影響整個軌道交通的運能，而換乘客流信息又是影響乘客內部換乘效率的重要因素之一。

目前，在客流量較大的早晚高峰時段、節假日及有特殊活動舉辦的時段，換乘站客流擁堵的現象時有發生。當換乘客流不能及時得到疏散時，乘客的安全隱患將會大大增加，乘客滿意度也隨之降低。換乘客流的到達并非連續均衡，而是隨列車的到達呈現脈沖式的分布規律。因此，在網絡化運營條件下，對換乘客流進行實時的監測，有助于了解換乘站大客流的突發狀況，做好應對方案，從而提高城市軌道交通客流輸送能力，提高運營服務質量。

由于地鐵換乘客流的影響因素復雜、形成機理模糊，在換乘客流模型構建和方法選取的過程中，需要考慮模型和算法能否應對隨機因素強的系統結構。目前，軌道交通還沒有針對換乘客流的短時客流預測方法，而常見的短時客流預測方法，難以應對影響因素復雜、隨機性強的系統。故筆者結合神經網絡識別復雜非線性系統的特性，采用BP(back propagation反向傳播)神經網絡算法，構建一種基于時序倒推的換乘客流實時監測模型。

1 換乘客流實時監測模型的構建

1.1 基于時序倒推的實時監測模型

地鐵換乘站換乘客流的突發性并非沒有規律可循，它和各站點的進、出站客流具有密不可分的聯系，可以依據各站點到達換乘站的時間規律監測各站點相應時段的客流數據，并將各站點的需求數據導出，結合歷史數據及其他因素數據進行預測，最終達到實時監測的目的，構建一種基于時序倒推及站點實時監測的換乘客流預測模型。

圖1 網絡結構

如果需要預測tk到tk+1時段Tk，k+1的換乘站(點O)的換乘客流，依據時間倒推原理，相應地需要得知站點在(到tk'+1()時段間的進站客流數據。其中

式中，t0為各站乘客進站到候車區的平均時間，ε為該站點所在線路的列車發車間隔。

1.2 監測模型的神經網絡結構設計

在對地鐵換乘客流進行實時預測時，換乘客流與各站點進站客流及換乘站出站客流、各站點到換乘站換乘的時間有著必然的聯系，因此在站點客流預測的結構設計中，通過1.1節提到的思路，選取與換乘站待預測時段相對應時段的各站點進站客流作為輸入層，選取換乘站待預測時段各方向的換乘客流作為輸出層。

假設待預測的換乘站為某兩條線的換乘站，現在需要預測兩條線相互換乘的客流量，那么輸入層選取對應時段所有可能在該換乘站換乘的各站點進站客流，神經元的個數為選取站點的個數，而輸出層則采用2個神經元。

地鐵換乘客流監測模型的神經網絡結構如圖2所示。

圖2 客流監測網絡結構設計

2 算例應用

2.1 南京地鐵線路情況簡介

南京地鐵1號線全長為21.72 km，共16個站。地鐵2號線是一條連接主城中心和城市副中心的東西向骨干線，全長37.545 km，共設26座站點。地鐵1號線南延線全長24.47 km，全線將設15個站，其中高鐵南京南站正在規劃中，地鐵南京南站未開通。目前，南京地鐵已開通3條線路，54個站點(不含南京南站)，其中新街口站為1號線主線和2號線主線的相互換乘站，元通站為1號線西延線和2號線主線的相互換乘站。

2.2 基礎數據準備

訓練數據的準備工作是網絡設計和訓練的基礎，數據選擇的科學合理性以及數據表示的合理性對于網絡設計具有極為重要的影響。考慮到換乘客流的短時沖擊性，選取15 min作為一個預測時段。輸入樣本的時間段選取參見1.1節中提到的思路，其中輸入樣本取各站點進站客流的統計數據值;輸出樣本的時間段對應預測的時段。以南京地鐵典型換乘站新街口2010年6月30日(星期三)的換乘客流預測為例進行分析。

從最佳路徑考慮，元通站的進站乘客可直接換乘，無需經過新街口站進行換乘。因此，選取除去元通站和新街口站的另外52個進站客流作為訓練的輸入樣本，選取新街口各線路間的換乘客流為輸出樣本。

由于工作日和非工作日的客流特點存在較大差別，為檢測工作日與非工作日的樣本對預測值的影響，選取3種方案。在方案1中的網絡學習樣本里不考慮工作日與非工作日的區別，選取前27 d的數據為初始網絡學習數據，后2 d的數據為修正網絡的訓練數據。在方案2中的網絡學習樣本里去除8個非工作日的樣本數據，其中前19 d的數據為初始網絡學習數據，后2 d(工作日)的數據為修正網絡的訓練數據。方案3選取與方案2相同的網絡學習樣本個數，選取2010年6月9—29日對應的各站點進站客流數據統計值和換乘客流數據統計值作為訓練樣本，進行模型訓練對比。其中，前19 d的數據為初始網絡學習數據，后2 d的數據為修正網絡的訓練數據。30日當天各站點對應時段的進站客流數據統計值為預測的輸入樣本，最后通過BP神經網絡預測出當天早高峰時段(8:00—8:15)各線路間的換乘客流量，并與實際的換乘客流量進行誤差分析。各方案樣本信息如表1所示。

表1 客流預測樣本準備

2.3 模型檢驗

依據上述訓練步驟，對樣本數據進行歸一化處理，建立一個串聯前向BP網絡，選取帶有附加動量法和自適應的梯度下降法traingdx為網絡訓練函數，設定權值激活函數及相應的訓練參數，輸入樣本進行訓練。各方案的訓練誤差性能曲線如圖3所示。

圖3 訓練誤差性能曲線

建立自適應網絡函數adapt，利用樣本數據自適應前面構建的BP神經網絡，并對誤差進行修正。最后利用已構建的BP神經網絡進行網絡仿真，并對網絡仿真的輸出預測值進行反歸一化處理，得到實際的換乘客流預測值。

將預測的輸出數據與真實的數據進行對比，樣本的預測值與真實值對比如圖4所示。

各方案的樣本預測值及真實值詳見表2。

圖4 樣本預測對比

表2 樣本訓練結果對比 人次

由圖3可知，上述3種方案訓練曲線的均方誤差都達到了目標值。3種方案的換乘客流預測值與實際值的誤差也在誤差允許范圍內，且各方案的換乘客流預測值之間相差不大。當網絡學習樣本量較大時，預測精度相對有所提高，但樣本學習中是否區分工作日與非工作日的數據，對預測結果影響不大。

3 結語

通過模型求解和算例分析，說明了基于時序倒推的地鐵換乘客流實時監測模型，在隨機性較強的系統中，抗干擾性較強，具有一定的可行性。隨著閘機技術的升級、數據采集速度的提高及各系統的升級，可進一步考慮換乘客流預警系統的應用。

［1］王進，史其信.短時交通流預測模型綜述［J］.中國公共安全: 學術卷，2005，6(1):92-98.

［2］童飛.基于 BP神經網絡的水上交通事故預測及MATLAB實現［D］.武漢:武漢理工大學，2005.

［3］飛思科技產品研發中心.神經網絡原理與MATLAB7實現［M］.北京:電子工業出版社，2005:99-104.

［4］毛保華.城市軌道交通系統運營管理［M］.北京:人民交通出版社，2006.

［5］王袆南.突發特大客流城市軌道交通運營組織研究［D］.北京:北京交通大學，2008.

［6］楊永凱，宋瑞，李海榮.地鐵客流預測模型的分析與研究［C］//第四屆中國青年運籌與管理者大會論文集.北京:清華大學，2001:276-281.

［7］康海燕，鄭世枚，吳倩.地鐵換乘站客流組織研究［J］.鐵道運輸與經濟，2009，31(8):89-90.

［8］王波，李曉霞，安栓莊.軌道交通換乘站客流特性分析及車站設計［J］.都市快軌交通，2010，23(2):55-58.