基于概率神經網絡的軌道交通車站客流安全狀態評價

李俊輝 黎新華 謝小星

(1. 廣東交通職業技術學院軌道交通學院 廣州 501650； 2. 廣州市地下鐵道總公司運營事業總部安全技術部 廣州 510030)

基于概率神經網絡的軌道交通車站客流安全狀態評價

李俊輝1黎新華1謝小星2

(1. 廣東交通職業技術學院軌道交通學院 廣州 501650； 2. 廣州市地下鐵道總公司運營事業總部安全技術部 廣州 510030)

以城市軌道交通車站安全為研究對象，建立基于概率神經網絡的車站客流安全狀態評價模型。模型將提煉出的城市軌道交通車站客流安全狀態評價指標作為輸入參數，將評價等級結果作為輸出參數，以各指標不同等級的評價標準作為模型訓練數據來源。為驗證方法的有效性，設計不同的客流場景，利用微觀仿真軟件VISSIM對車站客流運行狀態進行仿真實驗，以獲得各指標的數據。仿真應用結果表明，該方法能夠對城市軌道交通車站客流安全狀態進行評價。

城市軌道交通；客流；安全狀態評價；概率神經網絡中

1 城市軌道交通車站客流安全狀態概述

影響城市軌道交通車站運營安全的主要因素是設施設備和客流。車站規模和布局在設計時參考的主要依據是預測的客流量，車站一旦建成后，就很難改變或調整，設施設備的穩定性會在一定程度上影響車站的安全，但設備故障的隨機性很難被單獨量化。實際上設施設備的狀態會在某種程度上影響客流在車站的規律和特征，例如當扶梯發生故障時，將導致乘客被迫選擇走樓梯，從而改變了客流在車站的運行規律。因此客流的安全狀態在很大程度上體現了車站的運營安全狀態。

城市軌道交通車站客流安全狀態評價，是指通過對車站客流信息進行動態采集與分析，進而評價車站在不同客流特征下的安全程度。田健等[1]提出采用基于層次分析法的模糊綜合評價法對大客流的安全狀態進行評價，但該方法需要專家打分確定各指標權重，評價結果受人為因素的干擾大，容易失真；張霖等[2]提出以行人特征為指標的評估體系，然而對各指標如何有效融合進行綜合評價卻缺乏深入研究；楊超等[3]提出客流安全檢測與應急管理系統的框架，但對客流安全狀態的識別只考慮了步行空間服務水平與客流安全的對應關系；其他學者則主要研究了城市軌道交通車站設備安全、乘客行為特征規律、車站設施設備服務水平、客流預測模型等[4-7]。綜上所述，目前系統研究城市軌道交通車站客流安全狀態的文獻較少，且現有的研究方法仍然有待完善。

概率神經網絡是基于貝葉斯分類規則與Parson窗口函數概率密度估計方法發展而來的一種并行算法，已經在模式識別和模式分類領域得到廣泛的應用。它的優勢在于用線性學習算法完成以往非線性學習算法所做的工作，同時又能保持非線性算法的高精度等特性，而且其網絡對應的權值就是模式樣本的分布，可避免人工賦予權值存在的主觀性。因此，筆者利用概率神經網絡的分類優勢，以城市軌道交通客流的特征參數為輸入，以不同的評價級別為輸出，以不同參數的安全評價標準為數據集，隨機產生大量符合要求的訓練樣本對模型進行訓練，進而提出了基于概率神經網絡的城市軌道交通車站客流安全狀態評價方法，并運用仿真實驗獲得的各項參數對該方法的有效性進行了驗證。

2 概率神經網絡

概率神經網絡(probabilistic neural networks，PNN)[8]的主要思想是用貝葉斯決策規則，即錯誤分類的期望風險最小，在多維輸入空間內分離決策空間。它是一種基于統計原理的人工神經網絡，以Parzen窗口函數為激活函數的一種前饋網絡模型。PNN吸收了徑向基神經網絡與經典的概率密度估計原理的優點，與傳統的前饋神經網絡相比，在模式分類方面具有較為顯著的優勢。

2.1 分類器的理論推導由貝葉斯決策理論：

(1)

(2)

去掉共有元素，判別函數可簡化為

(3)

2.2 PNN的結構與工作原理

PNN由4層網絡構成: 輸入層、樣本層、求和層和輸出層，其網絡結構如圖1所示。

圖1 概率神經網絡的結構

3 車站客流安全評價的神經網絡結構

3.1 輸入指標的確定

站臺擁擠度即站臺客流密度，是反映站臺人員密集程度的指標，也是引發大客流的最直接因素，擁擠度越高越容易引發踩踏和沖突事故，其計算方法為：某時刻站臺客流量與站臺有效使用面積比，人/m2。

平均客流速度指行人群體在站內的平均移動速度，一般取車站各關鍵區域客流速度的平均值(m/s或m/min)。速度越慢說明乘客之間的干擾越大，客流越不穩定。

車站客流承載度指車站實際客流量與設計客流量之比，反映車站設備對客流量的承受能力，數值越大，說明車站設備越不適應。例如，北京市軌道交通規定當車站客流量達到設計客流量的70%時開始采取限流措施，因此可將其作為一個指標評價車站客流的安全狀態。

關鍵節點等待時間反映了客流在車站不同區域接口處的通過情況。它是乘客從進入車站到離開車站所經過的關鍵節點，即站臺與站廳垂直上下通道等待時間、閘機出入口等待時間、出入口通道等待時間這3個關鍵節點的等待時間之和。該指標越高，說明車站客流擁堵現象越嚴重，乘客集散的速度越低，越容易引發安全事故。

垂直上下通道利用度指電梯和樓梯的利用度，為實際通過客流量與設計通過客流量的比值，數值越高，說明垂直通道的瓶頸現象越明顯，車站的客流安全程度就越低。

在上述5個指標中，前3個指標體現客流的密度、速度、流量特征，后2個指標則可間接體現車站設備對客流的適應情況，因此能全面反映車站客流安全狀態。

3.2 輸出層的類型設置

根據已有的城市軌道交通安全狀態分級標準，將PNN的輸出層設為5種類型，分別是安全、較安全、基本安全、危險、非常危險(記為1、2、3、4、5級)。各級的評價標準如表1所示。站臺擁擠度和平均客流速度的取值范圍以文獻[1]中提出的客流密度和客流速度安全控制閾值為基礎，根據地鐵運營安全專家的調查意見進行修正；車站客流承載度以文獻[10]中提出的對北京市地鐵的車站客流承載能力調查仿真結果為依據，選取仿真結果中客流特征波動較大的點作為劃分不同安全狀態等級的臨界值；關鍵節點等待時間以文獻[9]中提出的車站等待時間服務水平分級標準為依據，結合專家意見將服務水平與安全狀態等級進行對應修正；垂直上下通道利用度以文獻[7]中建立的乘客樓梯與自動扶梯選擇模型為基礎，根據不同客流下乘客對垂直通道的選擇規律，并結合實測數據進行確定。

表1 城市軌道交通車站客流安全狀態評價標準

3.3 模型實現的步驟

該網絡輸入層的節點數為5，包括站臺擁擠度、平均客流速度、車站客流承載度、關鍵節點等待時間和垂直上下通道利用度；輸出層的節點數為5，包括安全、較安全、基本安全、危險、非常危險(記為1、2、3、4、5級)5種安全狀態。筆者采用Matlab7.0實現評價模型的創建、訓練、檢驗和仿真，分4步實施:生成學習樣本；對學習樣本進行預處理；概率神經網絡的建立、學習和檢驗；安全狀態的評價。

根據表1中各指標安全等級的取值區間，隨機產生1 000、250、50和25個樣本數據，對概率神經網絡進行訓練，然后用100個隨機樣本進行檢驗[11]。為驗證概率神經網絡在運算速度和準確性方面的優勢，同時用BP神經網絡、RBF神經網絡進行對比實驗。經過多次實驗，準確率隨訓練樣本數發生變化的情況如圖 2 所示，表明該模型已經可以用來評價軌道交通安全狀態。

圖2 概率神經網絡與BP、RBF神經網絡的比較

4 模型應用的仿真實驗

4.1 模型應用的思路

首先選定需要進行評價的城市軌道交通車站類型，然后通過在車站關鍵位置安裝客流信息采集設備(常用的方法為安裝視頻攝像頭)獲得客流相關的參數指標，再利用訓練好的概率神經網絡模型計算輸入的客流特征指標，最后概率神經網絡模型會計算輸入向量屬于安全等級的概率大小，并得出概率最大的那一種等級，這種安全等級就是輸入向量通過概率神經網絡計算后得出的，從而完成車站客流的安全狀態評價。

4.2 仿真實驗設計

仿真車站的參數設定如下：車站站臺長度為118 m，島式站臺寬度為12 m，從 站 廳 到 站臺共 有 樓 梯2個，自動扶梯2個，均布置在站臺的中間，扶梯設置為上下行各1個，樓梯寬度為2.5 m，乘客選擇電梯和樓梯的比例為5∶1[11]，站廳有A、B、C共3個出入口，距離最近的出入口閘機分別為60 m、75 m和80 m，寬度設計都為4 m，靠近每個出入口有4臺閘機，初始設定為進出各一半，都為門扉式閘機。車站設計客流量為7 500人/h,高峰小時列車運行間隔為2 min。為便于根據仿真結果比較分析，設定如表2所示的6種客流情景。

圖3 不同客流情景下的車站客流安全狀態評價結果

表2 仿真客流情景設置(高峰小時) 人/h

將表2中的各類客流情景分別輸入已設定好參數的VISSIM軟件中，通過仿真運行結果獲得每種情景下的客流指標特征參數，結合基礎數據進行計算，各單項指標對應的6種情景數值見表3。

表3 6種仿真客流情景的單項指標數值

4.3 結果分析

以各單項指標作為計算輸入，通過Malab7.0軟件對概率神經網絡進行評價，6種客流情景下的評價結果分別為等級2(較安全)、等級3(基本安全)、等級3(基本安全)、等級4(危險)、等級5(非常危險)、等級5(非常危險)，各單項評價指標的結果和概率神經網絡綜合評價結果如圖3所示。

根據以上仿真結果可得出如下結論。

1) 在表2中，以情景1為例，各單項指標對應的安全狀態分別為2、1、4、2、3級(見圖3)，通過概率神經網絡進行評價，綜合評價結果為2級，對應的描述為較安全，其他情景類似。分析得出，應用概率神經網絡評價模型能夠全面考慮車站客流特征指標，不需要專家或相關技術人員根據主觀經驗人為設計評價指標的權重，能較全面反映評估路段的安全狀態優劣程度。

2) 情景1、情景2、情景3的總客流量一定，但是客流的方向特征有了變化，通過表3的仿真結果可知，由于車站設備是按照進出站均衡的條件設置的，所以當客流均衡的時候(情景1)，車站的安全評價結果為2級，即較安全，而另外兩個為客流方向不均勻的情景，正常情況下必然會導致車站設備的利用失衡，所以情景2和情景3對應的評價結果為3級，即降為基本安全。情景4、5、6的總客流量相同，但相比前3個情景，客流總量增加了很多，概率神經網絡的評價結果分別為4級、5級、5級，即危險、非常危險、非常危險。由此可見，概率神經網絡模型能夠體現因客流量變化帶來的安全狀態改變，也能體現客流方向不均衡造成的安全狀態改變，說明了該方法的合理性。

3) 本仿真實驗的客流特征參數獲取和計算是通過設定的客流情景，運用仿真軟件獲得相關指標的數值。在實際應用中，可通過視頻處理計算、圖像處理技術等客流信息實時采集和計算設備獲取車站客流實時參數，再運用概率神經網絡進行實時評價，進而可得到車站實時客流安全狀態等級，該方法可為完善城市軌道交通車站客流安全監控和預警系統的功能提供借鑒。

5 結語

基于概率神經網絡的城市軌道交通車站客流安全狀態評價方法可以最大限度地利用先驗知識,在貝葉斯最小風險準則下對客流安全狀態進行定性評價。概率神經網絡訓練速度快,在工程上容易實現,且可以達到較高的診斷準確率。筆者在對城市軌道交通車站客流特征進行分析的前提下，提煉出城市軌道交通車站客流安全狀態評價的 5 個指標以及對應的評價標準作為模型的輸入數據來源庫，最后通過設計仿真實驗獲得需要的數據對該方法進行驗證。結果表明，該方法可以實現對車站客流安全狀態的評價，且過程無需專家確定權重，表明了該方法的合理性。同時仿真結果還表明，筆者提出的概率神經網絡綜合考慮全部指標的影響，評價精度較高，運算速度快，能適用于小樣本判別和計算機實時處理的要求，可以作為城市軌道交通車站運營安全智能監控系統的功能補充。

[7] 曹守華.城市軌道交通乘客交通特性分析及建模[D].北京:北京交通大學,2009.

[8] 姜紹飛.基于神經網絡的結構優化與損傷檢測[M].北京: 科學出版社，2002.

[9] 李洪旭.城市軌道交通車站設施設備與整體服務水平分級研究[D].北京：北京交通大學,2013.

[10] 胡清梅.軌道交通車站客流承載能力的評估與仿真研究[D].北京:北京交通大學，2011.

(編輯：王艷菊)

Evaluation of Safety Status of Station Passengers in Urban Rail Transit Based on Probabilistic Neural Network

Li Junhui1Li Xinhua1Xie Xiaoxing2

(1. Institute of Rail Transit, Guangdong Communication Polytechnic, Guangzhou 501650; 2. Security Technology Department, Guangzhou Metro Corporation Operation Division, Guangzhou 510030)

This paper presents a model for evaluating station passenger safety status in urban rail transit by using probabilistic neural network. The indexes extracted from the model are taken as input parameters while the results of the evaluation level as output ones. Different levels of evaluation criteria for each indicator are regarded as the model training data sources. To verify the effectiveness of the method, different passenger scenarios are designed, and data for each indicator are obtained by conducting simulation experiments for station passenger status using microscopic simulation software VISSIM. The simulation results show that this method can evaluate urban rail transit station passenger safety status.

urban rail transit; passenger flow; safety status evaluation; probabilistic neural network

李俊輝,男,碩士,講師,從事城市軌道交通運營管理研究，272147750@qq.com