數據驅動的城市軌道交通前瞻性乘客路徑誘導方法及應用

盧錦生，糜子越，王雪琴，許心越

（1.廣州地鐵集團有限公司 運營事業總部，廣東 廣州 510220；2.北京交通大學 軌道交通控制與安全國家重點實驗室，北京 100044)

0 引言

目前，部分城市的軌道交通線路出現了一定程度的擁擠，運營企業需要采取客流誘導措施，緩解擁擠現象，以滿足乘客日益增長的出行需要。其中，前瞻性的客流誘導通過推送路網狀態信息給即將出行和已在旅途中的乘客，影響這些乘客的出行選擇，而乘客可以根據客流誘導信息了解線網擁堵狀況，及時更改出行路徑或調整出行時間；管理者可以依據誘導信息提前疏導客流，促使路網供需平衡，有效緩解困難區間或高峰小時的乘客運輸壓力，改善線網供需不均衡的狀況。

近年來，國內外學者在城市軌道交通乘客出行誘導方法和系統方面已有許多研究成果，宋紅穎[1]基于實時斷面客流，采用改進Dijkstra 算法規劃乘客當前時刻的最優路徑。顏開[2]采用列車滿載率飽和有效路徑生成模型，基于當前區間滿載率和乘客查詢信息，分配各路徑客流，為來客規劃出行路徑。趙若愚[3]基于歷史運營數據識別路網擁堵時段，并基于實時客流數據發布誘導信息。陳嵩楠[4]提出添加換乘延遲阻抗的綜合客流分配模型。綜上，當前乘客路徑推薦研究及系統多偏重于基于實時客流數據的誘導和歷史數據分析識別，而對于前瞻性路網狀態識別和路徑規劃研究較少[5]。

在路網狀態預測方面，房麗俠等[6]分析影響交通擁擠的因素，采用決策樹模型預測交通流擁擠狀態。賀國光等[7]通過小波分解理論與重構方法預測短時交通流量。張文[8]基于地鐵擁擠分析結果構建云模型，識別換乘站的擁擠情況。但是，地鐵擁擠的形成機理復雜，難以準確掌握，因而以上研究結果的可靠性和精確性不高，而深度學習模型不需要提前掌握作用機理，在交通流領域已被廣泛研究和應用，如長短期記憶模型、門控循環單元(Gated Recurrent Unit，GRU)模型常用于交通量的預測[9]。因此，基于歷史滿載率數據，利用GRU 進行未來路網狀態預測，然后利用Logit 模型計算乘客推薦路徑。

1 前瞻性乘客路徑誘導模型

首先，通過GRU 模型預測區間滿載率，然后根據區間滿載率和在車時間、換乘時間、等待時間，確定各路徑的乘客廣義出行費用效用值，再利用Logit 模型計算乘客對路徑的選擇概率。根據基本路徑數據集中的路徑選擇概率，對這些路徑進行排序并提供給乘客，以實現乘客出行誘導。因此，前瞻性路徑誘導模型分為2 個部分：①基于歷史滿載率數據，利用GRU 模型預測城市軌道交通路網未來15 min 的區間滿載率；②基于預測的滿載率數據和基本路徑數據集(即每個OD 對的可行路徑集合)，利用Logit 模型計算每個OD 對基本路徑集中各路徑的選擇概率，得到相應的路徑排序結果。

1.1 基于門控循環單元(GRU)的區間滿載率預測模型

基于GRU 的區間滿載率預測模型在已知歷史區間滿載率的情況下，利用一種具有特殊結構的深度神經網絡，求未來的區間滿載率。GRU 具有2 個門控單元，分別為更新門和重置門。這2 個門控單元主要用于選擇保留或遺忘多少過去的信息，從而解決循環神經網絡的梯度消失和梯度爆炸的問題。GRU 的計算圖如圖1 所示。

圖1 GRU 的計算圖Fig.1 Computational graph of GRU

GRU 的輸入用矩陣X= [xt-p+1，xt-p+2，…，xt]表示。其中，xt是一個向量，表示t時刻各區間的滿載率；p為歷史時間步的數量。由圖1 可知，GRU 包括更新門zt、重置門rt2 個門控單元。

（1）更新門。更新門zt能夠保留并決定保留多少過去的信息，從而提取時間序列里的長期相關性，計算公式為

式中：zt是一個向量，表示更新門的計算結果；σ(·)是sigmoid 函數；xt為t時刻的輸入向量；ht-1為t- 1時刻的隱藏狀態向量；Wzh，Wzx分別為更新門中ht-1和xt對應的權重矩陣；bz為更新門的偏置向量。

（2）重置門。重置門rt能夠選擇遺忘多少過去的信息，進而確定保留當前時刻輸入信息的比例，因而重置門可以提取序列里的短期相關性，計算公式為

公式 ⑵ 和 ⑶ 中，權重矩陣Wrh，Wzh，Wh～h下角標中的h即為隱藏單元數(即隱藏節點數)。

1.2 乘客路徑選擇Logit 模型

乘客路徑選擇Logit 模型根據GRU 模型計算得到的未來區間滿載率，結合在車時間、換乘時間、等待時間，確定各條路徑的乘客廣義出行費用效用值，據此計算各路徑的選擇概率。其中，乘客選擇的路徑集從既有的地鐵運營系統中獲取，也可以按照既有文獻的方法獲取[10]。

乘客廣義出行費用包括固定乘客廣義出行效用和隨機效用2 部分，計算公式為

固定乘客出行路徑廣義費用包括在車費用、換乘費用，以及擁擠感知費用，計算公式為

擁擠感知費用C(p,q)是衡量出行舒適度的重要指標，即乘客群體在有位置可坐、列車無位置可坐但還未滿載和列車超載3 種情況下的擁擠敏感性。設m0為有位置可坐和列車無位置可坐但還未滿載的滿載率臨界值，m1為列車無位置可坐但還未滿載和列車超載的滿載率臨界值。基于區間滿載率[3]，構建擁擠感知費用計算公式為

式中：φ1，φ2分別為列車無位置可坐但還未滿載和列車超載感知系數；m(p,q)表示區間(p，q)的斷面滿載率。

根據Logit 模型的計算原理，推導得出選擇第k條路徑出行的概率為定乘客廣義出行費用。為了減少誤差，使用相對效用差代替效用絕對差。

2 實例驗證

為了驗證模型的有效性，以廣州地鐵客流量較大的1 號線的3 個車站(坑口、西塱、公園前)為研究對象，選取客流量較大和有效路徑比較復雜的3 個OD 對(公園前—何棠下、西塱—長湴、坑口—清)進行研究。3 個OD 對的基本路徑示意圖如圖2 所示。

2.1 滿載率預測

2.1.1 數據輸入

采用GRU 預測這3 個OD 對全部有效路徑涉及區間的未來15 min 滿載率。基于從廣州地鐵清分系統獲取的相關區間滿載率數據(2020 年4 月13日至4 月27 日，每日5 : 00—24 : 00)進行訓練和驗證，滿載率數據格式如表1 所示。選取2020 年4 月13 日至26 日的數據輸入GRU 模型中進行訓練，基于訓練得到的GRU 模型，預測4 月27 日9 : 00—9 : 15，9 : 15—9 : 30 和9 : 30—9 : 45 的相關區間滿載率。

表1 滿載率數據格式Tab.1 Data format of full load rate

2.1.2 GRU預測結果分析

選取2020 年4 月26 日公園前—紀念堂、西塱—坑口、坑口—花地灣(如圖2 中虛線橢圓形標注的區間)3 個區間的滿載率預測結果進行分析，滿載率預測擬合圖如圖3 所示。

圖2 3 個OD 對的基本路徑示意圖Fig.2 Basic paths of the three OD pairs

圖3 滿載率預測擬合圖Fig.3 Fitting of full load rate prediction

2.1.3 對比分析

選取前饋神經網絡(BP)模型、支持向量機(SVR)模型和整合移動平均自回歸(ARIMA)，與GRU 模型進行對比。通過計算模型預測性能的評價指標，包括均方根誤差(RMSE)、平均絕對誤差(MAE)和相關系數(R2)，滿載率預測模型預測性能對比結果如表2 所示。GRU 模型的RMSE，MAE和R2指標均優于其他模型，預測性能最好。

表2 滿載率預測模型預測性能對比結果Tab.2 Performance comparison of full load rate prediction models

2.2 路徑推薦

2.2.1 數據輸入

計算路徑效用需要輸入的數據包括：①靜態的在車時間和換乘時間數據；②動態的等待時間數據(以1 h 為粒度，基于列車時刻表數據計算平均等待時間，路徑效用計算數據輸入格式如表3 所示)；③由GRU 預測得到的未來區間滿載率數據。

表3 路徑效用計算數據輸入格式 sTab.3 Input data format of path utility calculation

2.2.2 路徑推薦結果

利用上述滿載率預測結果，結合3 個OD 對中各路徑的靜態和動態數據及換乘信息，計算各條路徑的效用及路徑選擇概率Pk。3 個OD 對各時段的路徑效用如表4 所示。其中，Logit 模型的參數采用房麗俠等[6]研究中的數據：τ= 1.535，β= 0.073，m0= 0.8，m1= 1，φ1= 0.15，φ2= 0.2。

由表4 可知，西塱—長湴的7 條路徑受滿載率預測結果的影響，路徑5，6，7 在9 : 00—9 : 15 時段的效用與9 : 15—9 : 45 的效用不同，其他路徑的效用在各時段不發生變化。公園前—何棠下、坑口—清在3 個時段的效用未發生變化。

表4 3 個OD 對各時段的路徑效用Tab.4 Path utility of the three OD pairs in each period

基于從廣州地鐵清分系統獲取到的4 月27 日9 : 00—9 : 15，9 : 15—9 : 30，9 : 30—9 : 45 的 實 際 滿載率數據，利用Logit 模型計算得到實際的路徑推薦結果。基于GRU 模型預測的相同時間段滿載率數據，同樣利用Logit 模型可以計算得到預測的路徑推薦結果。路徑推薦排序預測結果與實際結果對比如表5 所示。

由表5 可知，在3 個OD 對中，基于預測數據推薦的路徑排序與基于實際數據推薦的路徑排序一致，說明采用GRU 預測滿載率的結果可靠，能為乘客未來出行路徑推薦提供支撐。

由表4 和表5 可知，雖然西塱—長湴的路徑5，6，7 的效用在3 個時間段發生變化，但其路徑推薦排序并未發生變化，這是由于路徑效用中擁擠感知費用可能會受到滿載率變化的影響，其他費用采用靜態數據計算，因而在各時間段不發生改變。在9 : 00—9 : 15 時間段，沙涌—沙園、客村—廣州塔、廣州塔—珠江新城3 個區間滿載率均超過0.80%，而在9 : 15—9 : 30 及9 : 30—9 : 45 時間段內，這3 個區間滿載率均低于0.80%，因而前時間段區間所包含路徑的擁擠感知費用高于后時間段。西塱—長湴各條路徑效用明細如表6 所示。由圖1可知，以上3 個區間均存在于路徑5，6，7 中，因而這3 條路徑的擁擠費用同時降低，其推薦排序結果不發生改變。

表5 路徑推薦排序預測結果與實際結果對比Tab.5 Comparison between the predicted path recommendation rankings and the actual situation

表6 西塱—長湴各條路徑效用明細 sTab.6 Utility of each path from Xilang to Changban

以上前瞻性的誘導方法已經應用在廣州地鐵官方APP 中應用。西塱—長湴路徑推薦結果如圖4所示，其路徑排序結果在9 : 00—9 : 15，9 : 15—9 : 30和9 : 30—9 : 45 與表5 中預測的推薦結果一致。

圖4 西塱—長湴路徑推薦結果Fig.4 Path recommendation from Xilang to Changban

3 結束語

利用基于數據驅動的前瞻性誘導理論，可以為乘客提前優化出行路徑，也可以為運營管理者有針對性地發布客流誘導信息提供理論基礎。實例分析結果表明，利用GRU 模型預測滿載率的預測效果優于BP，SVR 和ARIMA 模型，從而使得Logit 模型計算得到的路徑選擇概率更加準確。以上2 種方法結合，能夠實現精準的前瞻性分析和客流組織。基于數據驅動的前瞻性乘客誘導方法已在廣州地鐵官方APP 上應用，提高了乘客出行服務水平以及運營管理者的客流組織效率，將來還應對路徑的推薦效果作進一步驗證，還應嘗試采用問卷調查或仿真方法評估推薦結果的可靠性。