基于Wi-Fi探針的地鐵車站擁堵點客流量估計方法

勞超勇 胡 華 劉志鋼

(上海工程技術(shù)大學(xué)城市軌道交通學(xué)院 上海 201600)

0 引 言

地鐵網(wǎng)絡(luò)化運(yùn)營面臨早晚高峰常態(tài)化或突發(fā)事件下的大客流壓力下，在擁堵位置如何有效采集客流數(shù)據(jù)、實時監(jiān)控客流狀態(tài)是防止突發(fā)事件引起交通癱瘓乃至演變成社會危機(jī)的關(guān)鍵。

站內(nèi)擁堵位置是指站內(nèi)通行措施的輸出客流和輸入客流之間的客流量超過其通行能力，形成客流擁擠的瓶頸區(qū)域，包括安檢機(jī)處、閘機(jī)處、樓扶梯處、站臺處等。在早晚高峰或突發(fā)性情況下，站內(nèi)擁堵點處客流常表現(xiàn)出高密度、不確定性、波動性等特征，增加客流采集的難度且影響采集的精度。地鐵車站采用的AFC(自動售檢票)系統(tǒng)只得到乘客進(jìn)出站的刷卡數(shù)據(jù)且無法準(zhǔn)確獲取站內(nèi)出行路徑，而依賴于人工經(jīng)驗和應(yīng)急預(yù)案開展車站的大客流管控，已經(jīng)難以確保其效率和運(yùn)營的安全。因此，需利用模型清分的方式對站內(nèi)客流數(shù)據(jù)進(jìn)行估計或預(yù)測。

為實現(xiàn)站內(nèi)客流流量的采集，視頻監(jiān)控的圖像識別、紅外客流檢測等客流檢測技術(shù)[1-3]已經(jīng)在軌道交通地鐵車站進(jìn)行探索與應(yīng)用。這些采集技術(shù)在特定的區(qū)域內(nèi)具有一定的應(yīng)用價值，但由于技術(shù)的瓶頸尚不能精確地進(jìn)行客流流量的采集，且成本較高，無法有效地在站內(nèi)推廣。Wi-Fi探針采集技術(shù)是AP(無線接入點)與Wi-Fi設(shè)備(如手機(jī)、電子閱讀器)的信息交互，實現(xiàn)對攜帶Wi-Fi設(shè)備對象進(jìn)行采集，解決紅外檢測、視頻采集等技術(shù)精度不高的問題，且具有實時性強(qiáng)、布設(shè)靈活及設(shè)備成本低等特點。目前，關(guān)于客流估計方法相關(guān)研究[4-6]側(cè)重對歷史數(shù)據(jù)或短期時間客流數(shù)據(jù)進(jìn)行模型估計，但針對站內(nèi)客流流量的實時采集及分析則處于起步階段。

本文對Wi-Fi探針采集的原理、數(shù)據(jù)結(jié)構(gòu)、數(shù)據(jù)的預(yù)處理進(jìn)行詳細(xì)分析，然后對采集數(shù)據(jù)的分析模型進(jìn)行詳細(xì)闡述，最后以上海徐涇東地鐵站為例進(jìn)行客流數(shù)據(jù)的獲取及客流量估計模型的有效性進(jìn)行驗證。

1 Wi-Fi探針客流數(shù)據(jù)采集與過濾

1.1 Wi-Fi探針采集原理

基于IEEE 802.11協(xié)議的Wi-Fi探針是采用WLAN(無線局域網(wǎng))技術(shù)實現(xiàn)對于開啟或連接Wi-Fi的設(shè)備進(jìn)行采集，采集原理為：AP會周期性地向四周發(fā)送BEACON(信標(biāo))幀，通知周圍的Wi-Fi設(shè)備(如手機(jī)、筆記本電腦等)AP的存在；Wi-Fi設(shè)備也會周期第發(fā)送PROBE(探測)幀，其中包含Wi-Fi設(shè)備的MAC地址(Medium Access Control)、信號強(qiáng)度(RSSI)等信息。當(dāng)AP檢測到Wi-Fi設(shè)備傳送的PROBE幀，即記錄Wi-Fi設(shè)備傳送的信息。因此，在Wi-Fi探針區(qū)域內(nèi)打開或連接Wi-Fi則可收集Wi-Fi設(shè)備信息。

1.2 Wi-Fi探針采集數(shù)據(jù)的基本屬性

在工作狀態(tài)下，對于開啟Wi-Fi功能或連接上Wi-Fi的電子設(shè)備，Wi-Fi探針能檢測其發(fā)送的信號且記錄生成數(shù)據(jù)文本，包括Wi-Fi設(shè)備MAC地址、RSSI和數(shù)據(jù)抓取的日期和時間等基礎(chǔ)信息，如表1所示。Wi-Fi設(shè)備的MAC地址為乘客唯一的標(biāo)識符；RSSI表示捕獲具有Wi-Fi功能設(shè)備的信號強(qiáng)度，表示設(shè)備與Wi-Fi探針間的遠(yuǎn)近。

表1 Wi-Fi探針設(shè)備記錄的數(shù)據(jù)

1.3 源數(shù)據(jù)預(yù)處理

在地鐵車站內(nèi)，非地鐵乘客的干擾或乘客個人行為等會影響Wi-Fi探針捕獲的數(shù)據(jù)總體樣本量，導(dǎo)致輸出不可靠的結(jié)果，包括以下情況：(1) 在地面或高架車站可能采集非站內(nèi)乘客的Wi-Fi設(shè)備；(2) 站內(nèi)存在具有Wi-Fi功能的固定設(shè)施設(shè)備；(3) 車站工作人員自身攜帶的電子設(shè)備；(4) 乘客在站內(nèi)長時間停留。為篩除上述數(shù)據(jù)識別有效的MAC地址，設(shè)計數(shù)據(jù)過濾算法如下：

(1) 消除數(shù)據(jù)中10 min時間間隔內(nèi)重復(fù)出現(xiàn)的MAC地址，據(jù)此可篩除探針捕獲的非移動設(shè)備，如員工攜帶具有Wi-Fi功能的設(shè)備以及測試期間未移動的任何其他智能設(shè)備；

(2) 依據(jù)設(shè)備供應(yīng)商提供的RSSI與距離的關(guān)系表，如表2所示。RSSI低于-80 dBi的設(shè)備，RSSI為-80 dBi的Wi-Fi設(shè)備大約對應(yīng)于距離Wi-Fi探針的40 m，據(jù)此可篩除非站內(nèi)或距離擁堵點較遠(yuǎn)的Wi-Fi設(shè)備。

表2 RSSI與距離間的關(guān)系表

(3) 為了解決由于工作人員或乘客在站內(nèi)來回走動而產(chǎn)生的重復(fù)計數(shù)問題，步驟如下：

第一步以第1 min到第5 min的MAC地址創(chuàng)建第一個循環(huán)塊。

第二步檢測第6 min與第一個循環(huán)塊中是否出現(xiàn)相同的MAC地址，若重復(fù)則剔除。

第三步以第2 min到第6 min的MAC地址創(chuàng)建第二個循環(huán)塊，并檢測第7 min與第二個循環(huán)塊，若重復(fù)則剔除。重復(fù)以上步驟對5 min時間間隔的MAC地址進(jìn)行檢測去重。

2 基于Apriori算法建立關(guān)聯(lián)探針組

在地鐵站內(nèi)，各擁堵點間的客流量存在相關(guān)性，臨近探針的檢測范圍也可能存在重疊性。因此，應(yīng)對探針數(shù)據(jù)間與擁堵點區(qū)域?qū)嶋H客流數(shù)據(jù)間進(jìn)行相關(guān)性分析，從而獲得能用于估計擁堵點實際客流量的獨(dú)立關(guān)聯(lián)探針組。為了探究擁堵點間的Wi-Fi探針是否存在相關(guān)性，以擁堵點間布設(shè)探針采集的MAC地址建立關(guān)聯(lián)數(shù)據(jù)庫，采用Apriori算法進(jìn)行關(guān)聯(lián)探針規(guī)則挖掘。

Apriori算法是關(guān)聯(lián)規(guī)則常用、經(jīng)典的數(shù)據(jù)挖掘頻繁集的算法，其核心思想是通過連接產(chǎn)生候選項及其支持度，然后通過剪枝生成頻繁項集[7]。關(guān)聯(lián)規(guī)則的一般形式：

(1) 關(guān)聯(lián)規(guī)則的相對支持度：項集A、B同時發(fā)生的概率：

Support(A→B)=P(A∪B)=

(1)

(2) 關(guān)聯(lián)規(guī)則的置信度：項集A發(fā)生，則B發(fā)生的概率：

Confidence(A→B)=P(A∪B)=

(2)

判斷強(qiáng)規(guī)則的依據(jù)：最小支持度和最小置信度。最小支持度是衡量支持度的閾值，表示項目集在統(tǒng)計意義上的最低重要性；最小置信度是衡量置信度的閾值，表示關(guān)聯(lián)規(guī)則的最低可靠性。同時滿足最小支持度與最小置信度的閾值稱為強(qiáng)規(guī)則。

探針關(guān)聯(lián)規(guī)則建立包括數(shù)據(jù)的采集、數(shù)據(jù)過濾、建立Apriori關(guān)聯(lián)規(guī)則模型、產(chǎn)生強(qiáng)規(guī)則、得到關(guān)聯(lián)探針組，如圖1所示。

圖1 關(guān)聯(lián)規(guī)則建立流程

3 客流量估計模型

神經(jīng)網(wǎng)絡(luò)算法具有較強(qiáng)的非線性處理的能力，能夠很好地解決隨機(jī)性與非線性問題，但BP神經(jīng)網(wǎng)絡(luò)的本質(zhì)為梯度下降法的求最優(yōu)的問題，容易陷入局部無窮小，造成局部收斂或無法收斂的問題[8-9]。因此，本文添加動量因子及自調(diào)整學(xué)習(xí)速率對傳統(tǒng)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)，以過濾學(xué)習(xí)訓(xùn)練過程中高頻振蕩，使得學(xué)習(xí)速率以取得較大的值，加快學(xué)習(xí)速率。

3.1 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

本文利用關(guān)聯(lián)規(guī)則得到的關(guān)聯(lián)探針組作為神經(jīng)網(wǎng)絡(luò)的輸入層，采用三層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行實際客流量估計模型的建立。擁堵點客流量估計神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖如圖2所示。

圖2 擁堵點客流量估計神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

x1，x2，…，xi為關(guān)聯(lián)探針組在工作日早高峰兩小時每5 min檢測的MAC地址數(shù)，其中：i表示關(guān)聯(lián)探針組中探針的個數(shù)；wih為輸入層與隱含層連接權(quán)值；wh0為隱含層與輸出層連接權(quán)值；bh為隱含層各神經(jīng)元的閾值；b0為輸出層各神經(jīng)元的閾值；Y為擁堵位置客流量的估計值。

輸入神經(jīng)元個數(shù)和輸出神經(jīng)元個數(shù)決定隱含層的個數(shù)。已有建議值為：

(3)

式中：K為隱層的神經(jīng)元個數(shù)，n、m分別為輸入神經(jīng)元數(shù)和輸出神經(jīng)元數(shù)，N為樣本容量。本預(yù)測模型的隱層神經(jīng)元個數(shù)在上述建議值的基礎(chǔ)上經(jīng)多次計算試驗得到。

3.2 網(wǎng)絡(luò)學(xué)習(xí)規(guī)則

為了有效解決BP神經(jīng)網(wǎng)絡(luò)易陷入局部極小值與無法收斂等問題，本文添加動量和自動調(diào)整學(xué)習(xí)速率的學(xué)習(xí)規(guī)則，經(jīng)過多次試驗該學(xué)習(xí)規(guī)則預(yù)測精度最高，學(xué)習(xí)規(guī)則修正權(quán)值Δwij的表達(dá)形式如下：

(4)

式中：e為期望輸出與實際輸出的誤差；η為網(wǎng)絡(luò)的學(xué)習(xí)速率(η>0)，當(dāng)η取值過小時，網(wǎng)絡(luò)收斂慢；當(dāng)η取值過大時，學(xué)習(xí)過程變得不穩(wěn)定導(dǎo)致誤差過大；γ是動量因子(0<γ<1)，通過引入γ可避免學(xué)習(xí)的不穩(wěn)定和局部收斂。

學(xué)習(xí)率η和動量因子γ的恰當(dāng)選取通常憑經(jīng)驗和實驗選取。本文中γ的值將結(jié)合具體算例經(jīng)過計算實驗選取得出，而η是自適應(yīng)調(diào)整的。經(jīng)驗表明，學(xué)習(xí)率的增加量最好是常數(shù)，但它的減小應(yīng)按幾何律減小，本文采取的自適應(yīng)函數(shù)如下：

(5)

式中：Δe為每次迭代誤差函數(shù)的變化；a、b為適當(dāng)?shù)某?shù)。

3.3 網(wǎng)絡(luò)訓(xùn)練停止規(guī)則

本預(yù)測模型以N個樣本的方差小于收斂閾值作為訓(xùn)練的收斂條件，公式如下：

(6)

4 算例驗證

以上海徐涇東地鐵站作為數(shù)據(jù)采集的實驗車站，采集站廳層安檢至進(jìn)站閘機(jī)區(qū)域內(nèi)的客流數(shù)據(jù)。該區(qū)域內(nèi)包括安檢、進(jìn)站通道、售票區(qū)、出入口和進(jìn)站閘機(jī)五個易發(fā)生擁堵的位置，共布設(shè)5臺AP設(shè)備，布設(shè)方案如圖3所示。基于2017年5月某工作日連續(xù)五天早高峰兩小時的客流數(shù)據(jù)約800萬條作為樣本數(shù)據(jù)，并通過站內(nèi)監(jiān)控錄像人工計數(shù)獲取實際客流量。

圖3 站廳層Wi-Fi探針布局圖及探針布設(shè)方案

4.1 算法設(shè)計

步驟1采集源數(shù)據(jù)，本算例以站廳層進(jìn)站安檢至進(jìn)站閘機(jī)區(qū)域的五個探針(A、B、C、D、E)作為分析對象，獲取五個探針在工作日早高峰兩小時的MAC地址，并統(tǒng)計每5 min的MAC地址數(shù)。

步驟2源數(shù)據(jù)預(yù)處理。利用過濾算法剔除Wi-Fi探針在采集環(huán)境中捕獲的干擾數(shù)據(jù)，包括非站內(nèi)、頻率過低、來回走動的設(shè)備。圖4為Wi-Fi探針A數(shù)據(jù)在高峰一小時內(nèi)過濾前后的對比圖，可見經(jīng)過預(yù)處理后，探針A的數(shù)據(jù)在0～200范圍內(nèi)波動且波動較為平緩。

圖4 Wi-Fi探針A采集數(shù)據(jù)過濾前后對比圖

步驟3利用Apriori算法對擁堵點間五個探針進(jìn)行關(guān)聯(lián)挖掘：

將采集五天早高峰兩小時的MAC地址建立關(guān)聯(lián)規(guī)則挖掘的數(shù)據(jù)庫，作5 min間隔統(tǒng)計并記錄間隔內(nèi)出現(xiàn)相同MAC地址的探針。若5 min間隔內(nèi)出現(xiàn)共同MAC地址則記錄相應(yīng)的代表字母。

根據(jù)關(guān)聯(lián)數(shù)據(jù)庫產(chǎn)生頻繁項集，首先產(chǎn)生候選集Ck，即可能成為頻繁項集的項目集合，集合{A，B，C，D，E}為初始頻繁項集。然后利用候選集Ck計算支持度確定最大頻繁項集Lk。設(shè)定最小支持度為0.2，最小置信度為0.5，運(yùn)用Python實現(xiàn)結(jié)果如表3所示。從表可見，B、D→A的置信度為0.714 8>0.5，A、D→B的置信度為0.833 3>0.5，說明探針A、B、D為強(qiáng)關(guān)聯(lián)，則探針A、B、D為該擁堵點的關(guān)聯(lián)探針組。

表3 Apriori算法關(guān)聯(lián)結(jié)果統(tǒng)計表

步驟4構(gòu)建神經(jīng)網(wǎng)絡(luò)模型。選取關(guān)聯(lián)探針組作為神經(jīng)網(wǎng)絡(luò)的輸入，實際客流量作為實際輸出，根據(jù)訓(xùn)練調(diào)整相關(guān)參數(shù)，建立神經(jīng)網(wǎng)絡(luò)預(yù)測模型。相關(guān)參數(shù)初始設(shè)置如表4所示。

表4 網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置

步驟5預(yù)測結(jié)果誤差分析。

4.2 結(jié)果分析

建立的關(guān)聯(lián)探針組與實際客流量建立BP神經(jīng)網(wǎng)絡(luò)在MATLAB 2015b中實現(xiàn)訓(xùn)練，神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過程如圖5所示。

圖5 神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程

(1) 穩(wěn)定性評價：將120組到站時間預(yù)測值與實際值進(jìn)行對比，如圖6所示。

圖6 網(wǎng)絡(luò)輸出預(yù)測客流量和實際客流量對比圖

從圖中可以看出，預(yù)測值曲線與實際值曲線的重合度較高，根據(jù)預(yù)測客流量與實際客流量得到最大絕對偏差值為28人，在可接受的預(yù)測誤差閾值以內(nèi)，說明該模型的穩(wěn)定性較好。

(2) 精確性評價。預(yù)測結(jié)果的相對誤差箱型圖如圖7所示。

圖7 預(yù)測結(jié)果的相對誤差柱狀圖

由圖7可見：

(1) 在工作日中，相對誤差絕大部分?jǐn)?shù)據(jù)在[-20%，20%]區(qū)間內(nèi)波動。星期三的平均相對誤差較高，而星期四的平均相對誤差較低。

(2) 星期三、星期五的相對誤差分布比較集中且非常對稱，星期一、星期二及與星期二的相對誤差較分散且非常不平衡。

(3) 星期三對應(yīng)的箱形圖出現(xiàn)了3個異常點，分別對應(yīng)8:50～8:55的5 min內(nèi)相對誤差為23%、8:05～8:10的5 min內(nèi)相對誤差為17%、7:00-7:05的5 min內(nèi)相對誤差為-14%；星期五出現(xiàn)1個異常點，對應(yīng)8:45～8:50的5 min內(nèi)相對誤差為5%。

為了對比標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)與改進(jìn)后BP神經(jīng)網(wǎng)絡(luò)算法在客流估計訓(xùn)練過程中優(yōu)異，本文采用不同的精度進(jìn)行訓(xùn)練仿真，結(jié)果如表5所示。顯然，在訓(xùn)練學(xué)習(xí)速率和訓(xùn)練精度上改進(jìn)BP算法要優(yōu)于標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)算法。

表5 改進(jìn)BP神經(jīng)網(wǎng)絡(luò)與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)對比

5 結(jié) 語

基于上海軌道交通地鐵車站，本文對Wi-Fi探針獲取擁堵點的Wi-Fi設(shè)備數(shù)據(jù)進(jìn)行了初步的分析及客流量估計模型的初探。從分析結(jié)果看，Wi-Fi探針采集客流的技術(shù)條件已經(jīng)具備且采集的客流數(shù)據(jù)質(zhì)量基本滿足客流模型分析的要求。但由于部分乘客不攜帶Wi-Fi設(shè)備或不開啟Wi-Fi模塊功能等因素造成數(shù)據(jù)缺失的問題，再加上針對數(shù)據(jù)的加工處理、數(shù)據(jù)還原、估計模型精度的提高依然面臨極大挑戰(zhàn)，這也是未來研究的重點方向。