基于神經網絡時間序列模型的換乘站早高峰客流預測研究

張文哲

（北京市地鐵運營有限公司運營三分公司，北京 100082）

0 引言

隨著人口的增長和社會經濟的發展，北京市軌道交通在城市交通運行體系當中發揮著無可替代的功能，常規的地面公交已經不能更好地滿足人們日益增長的交通需求，發展綠色交通之稱的軌道交通已成為城市交通的必然選擇。軌道交通在城市交通中體現的地位越來越重要，逐步從單一的線路向網絡化線網發展，隨之帶來的挑戰也不斷增加。截至2019年12月北京地鐵總站數已達到405 座，工作日日均客流量已達到1000 萬人次左右，客運量增加到一定程度時，對軌道交通的乘客滿意度和運營安全均會帶來一定的影響。作為軌道交通網絡重要節點的換乘車站所形成的換乘客流在軌道交通全網客流中占有較大比重，因此換乘客流的預測精度將會直接影響客流的預測精度。依據預測的客流量，分析換乘站客流量閾值，適時啟動分級分層的預案，優化大客流狀態下的客流組織方案，改善乘客的乘車環境，提高運營服務質量。

近年來，一些學者對“客流量預測”這一問題做了相關研究。王天羿（2019）[1]針對客流量分布狀態難以準確把握的情況，提出了一種結合LSTM（Long Short-Term Memory）網絡和層次聚類算法（Hierarchical Clustering）的城市軌道交通客流量預測模型，并應用上海市軌道交通特征及客流量數據對模型進行了驗證和仿真。周慶梅、何希平（2020）[2]綜述了地鐵短時客流量的預測方法，并從近年來研究地鐵短時客流量的方法出發，回顧和整理了國內外關于地鐵乘客流量短時預測的相關文獻，歸納了相關的研究方法。陳小健、唐秋生（2019）[3]選取了GM（1，1）均值模型、GM（1，1）差分模型和灰色Verhulst 模型對重慶地鐵全網客流量進行預測，采用平均相對誤差、均方差比值和關聯度三個指標對模型進行檢驗。杜洋（2019）[4]從地鐵車站客流、車站自身情況和擁擠程度三個角度對地鐵車站大客流進行了分析，探討了大客流的發生原因、時空特性，分析了地鐵擁擠指數，得出了擁擠程度分級，最終提出了一種大客流應急預案。以上研究應用了不同方法對地鐵車站客流進行了預測，而本文是應用神經網絡時間序列模型（Neural network time series，NNTS）針對北京地鐵換乘站進行短時流量預測，以達到客流尖峰預警的目的。

1 問題描述

1.1 基本問題描述

北京地鐵全網客流量預測對站臺、通道、車載大客流預警有著至關重要的作用，在北京市現有的405座車站中，又屬換乘車站最為復雜。不同于普通非換乘車站，換乘車站客流影響因素較多，除了要考慮進站客流、出站客流，還應考慮通過站臺的換乘客流。作為單一換乘車站來說，換乘客流又基本包括換出上行客流、換出下行客流、外線上行換進客流、外線下行換進客流。而對于多線路換乘車站，情況就更為復雜。本文應用神經網絡時間序列模型（Neural network time series，NNTS），以同一換乘站、同一時間節點的歷史數據，對工作日早高峰短時客流進行預測。

1.2 站點選擇

由于換乘站點眾多，且一些換乘站早高峰客流并不大，故本文只選取了4 座主要換乘站作為實驗數據來源。所選主要換乘站基本情況如下：

1.2.1 國貿站

國貿站地處東三環南路，位于京通快速路西側，與1 號線換乘。國貿車站為雙層分離島式車站，主體總長131.2m，寬13.2×2m，建筑面積20611m2，設4 個地面出入口，3 條出入口通道，1 條與1 號線國貿站換乘通道。國貿站為10 號線與1 號線的換乘站，主要換乘客流為主，車站周邊臨近大型商務寫字樓，大多為通勤商務辦公客流。

1.2.2 西直門站

西直門站位于北京市西城區二環路西北角，北京地鐵2 號線、13 號線和4 號線匯聚于此。2 號線車站于1984年9月20日北京地鐵二期工程開通時啟用，13號線車站于2002年9月28日13 號線西段開通時啟用，4 號線車站于2009年9月28日4 號線開通時啟用。西直門站也是北京地鐵中比較繁忙的一個車站。西直門站的西北邊便是北京北站，乘客可在此進行鐵路與軌道交通的換乘。西南方向有國家衛生計生委、人民醫院、地鐵運營公司等企事業單位，西北方向為13號線西直門站、北京北站、凱德MALL 等大客流聚集場所，周邊分布各公交線路30 余條。客流來源住宅區、北京北站、公共場所和商業場所。客流以通勤、旅游和商業客流為主。客流以外埠、通勤、旅游和商業客流為主。

1.2.3 海淀黃莊站

海淀黃莊站處于中關村的核心部位，是4 號線與10 號線的換乘站，為出入中關村的主要途徑，并有通道直接與周邊商業連接。海淀黃莊站為地下雙層車站，有站廳、站臺層，為端頭型站廳，并且是側式站臺結構，車站共有3 個出入口，分別為A1 口、A2 口、C口，其中A2 口與新中關商廈連接，在站臺設有4 條換乘通道實現與4 號線的換乘。海淀黃莊站客流組成為通勤客流和換乘客流，存在早、晚高峰進出站及換乘客流大的特點。周一到周五工作日期間，主要為通勤通學客流；雙休日、節假日客流主要為購物客流。

1.2.4 宋家莊站

宋家莊站位于北京市豐臺區石榴莊路與宋莊路的交匯路口，是北京地鐵中三線換乘車站之一，匯聚了地 鐵5 號 線、亦莊 線、10 號線三條線路，5 號 線、10號線、亦莊線分別于2007年10月7日、2012年12月30日、2010年12月30日投入運營。北京地鐵宋家莊站為地下二層車站，5 號線部分采用側式站臺設計。

2 模型分析

2.1 神經網絡模型

神經網絡算法參考人的神經元原理，在很多神經元基礎上構建神經網絡模型，每個神經元可看作一個個學習單元[5]。這些神經元采納一定的特征作為輸入，根據自身的模型得到輸出。傳統機器學習算法，在處理特征值過多的問題時會顯得力不從心，這時就可以使用神經網絡。對于普通特征難以滿足預測的需要，需要通過復雜的組合得到一系列更為強大的新特征，從而完成回歸預測或分類問題。在此，可以利用xi（t）代表于t 時刻的總數神經元j 獲得的，從第i個神經元輸送來的信號，可以利用oj（t）代表第j個神經元的輸出值，由此可以寫出基本計算式，如式（1）所示：

式（1）中：f函數表示一個神經元的更新函數；而式中的wij則表示比重；τij表示系統的輸入輸出之間的時間滯后；Tj表示神經元j的具體閾值。這樣，一個基本的神經網絡原理就可以由圖1 表示。

圖1 神經元基本模型

2.2 時間序列模型

本文應用非線性自回歸模型（NAR）作為時間序列預測模型，在這種類型的時間序列模型中，通過該時間序列的過去值x（t）來預測時間序列y（t）的未來值。這種形式的預測為非線性自回歸預測：

NAR 網絡，即自回歸函數表征下的非線性神經網絡，是在一個動態條件下，將輸出與目標之間的差值反饋回來，自動更新網絡。這個網絡可以把以往的計算結果保存，并逐步反饋回系統，作為歷史數據和歷史信息，更好的輔助后續的預測[4]。同時，這種NAR網絡，可以依靠電腦的無限循環的反復計算能力，獲取更有力的學習能力，理論上可以最終達到與各種非線性函數近似的效果，更加適合做時間序列的預測。

2.3 L-M 訓練算法

Levenberg-Marquardt（L-M）算法是一種可以用于求解最小二乘問題的迭代算法，可以看成是最速下降法和Gauss-Newton 法的結合（通過調節阻尼μ 切換）。若當前解距離最優解較遠時，算法更接近最速下降法；若當前解接近最優解，算法接近GN，快速收斂。L-M 是一種常見的循環訓練算法，本文在神經網絡訓練時就是應用的L-M 算法。至此，用于北京地鐵換乘站的神經網絡時間序列模型建立完畢[5]。

3 模型仿真研究

3.1 實證數據

本文應用國貿、西直門、海淀黃莊、宋家莊四個典型換乘車站的進站人數、出站人數、換乘人數加總作為實驗數據。數據時間節選為2019年5月和2019年6月的工作日（共40 天），數據時間切片定為工作日周一至周五早7∶30～8∶00、8∶00～8∶30、8∶30～9∶00，每半小時為一統計單位。

3.2 模型仿真結果

針對國貿、西直門、海淀黃莊、宋家莊四個重點換乘站做神經網絡預測分析。每個車站均有3 個時間切片的結果圖，由于其相似性，故列寫了早7∶30～8∶00的結果圖。訓練參數設置為訓練集、驗證集、測試集；分別占比為65%、10%、25%；樣本數分別是26、4、10；隱含層10。實驗對比結果如圖2、圖3 所示。

圖2 國貿與西直門車站早高峰預測結果圖

圖3 海淀黃莊與宋家莊車站早高峰預測結果圖

實驗結果表明，用2019年5月和2019年6月的工作日早高峰數據訓練的時間序列神經網絡模型，可以有效地預測未來一天內響應早高峰時間段的人流量，誤差在可接受范圍內。本文所設計的北京地鐵換乘站時間序列神經網絡模型，雖然只通過4 座主要換乘站的數據驗證，但也適用于其他換乘車站，因此，本模型可以為換乘站應對客流高峰提供參考依據。

4 結語

地鐵系統猶如一臺大的聯動機，如在大客流沖擊之前依據相關數據分析，做到科學精準的預測，各重要環節便可磨礪以須、嚴陣以待。如，各換乘車站所屬站區領導可提前到達現場，統籌指揮現場客運工作，值班站長及時調整崗位配置，增加客流集中位置的崗位力量，指揮工作人員利用售檢票設備、限流設施適時減緩乘客進站速度，與相交換乘車站站長提前溝通換乘事宜，適時將換乘通道限流或關閉。該站綜控人員可預先將預測客流情況向本線行車調度反饋，申請加開臨時客車，縮短列車運行間隔，降低車廂滿載率，達到快速疏散站臺乘客的目的，必要時還可以提前通知地鐵公安到達站臺維持秩序。相交換乘站綜控人員也可以根據對方請求，通知本線行車調度適時采取在站列車通過不停車等方式緩解對方換乘站客流壓力，行車調度接到請求后，可以提前通知乘務中心準備好臨時客車司機及熱備車，以便快速補充線路運力，電力調度可提前調配路網用電負荷，提前安排電力值班員進駐牽引、降壓、混合變電所等關鍵部位進行操作，保證運營線路各環節用電安全。