城市軌道交通實時客流監控方法與實現技術

趙曉麗

（天津軌道交通運營集團有限公司，天津 300392）

1 背景

近年來，我國城市軌道交通迎來了蓬勃發展的黃金時期。截至2021年12月31日，中國內地累計有50 個城市投運城市軌道交通線路9 192.62 km，年客運量超過200 億人次[1]。日趨完善的城市軌道交通網絡對運營管理水平提出了更高的要求，客流監控、實時流量統計以及短時客流預測的重要性逐漸突顯。

城市軌道交通的客流分布具有時間和空間上的巨大不均勻性。在時間維度上，平日上下班高峰時段、節假日及特殊慶典活動時段以及極端天氣發生時段的客流量會在短時間內急劇增大，造成個別站點的乘客排隊擁堵，此時需要調整運行地鐵列車的數量和開行頻率，緩解擁堵壓力，提升乘客出行效率和乘車體驗。在空間維度上，上下班高峰的乘車擁堵會集中發生于居民集中片區、學校、工業開發區、商業中心等工作生活區域，節假日的擁堵站點則集中于繁華商業街、公園、體育館附近。因此，需要提高這些區域城市軌道交通線路的開行頻次，疏解擁堵壓力。此外，城市軌道交通的客流擁堵狀況也存在偶發性和非線性的特點。因此，利用多種技術手段從多角度監控站點的客流情況并進行實時數據分析與預測成為動態調整城市軌道交通運行的重要參考依據[2-5]。

2 實時客流監控的數據指標與分析手段

客流監控旨在為城市軌道交通運營提供各個站點的分時段乘客流動數據，實現短期客流預測與客流預警響應，進而實時調整車輛開行班次、疏解站點擁堵壓力、方便乘客高效出行。城市軌道交通的客流監控一般是指在一定時間顆粒度下（如5 min、10 min、20 min 間隔等），進行客流數據采集與匯總。圖1為某城市軌道交通站點在不同時間顆粒度下的客流數據，可以發現大時間顆粒度下的客流曲線相當于對短時間顆粒度下客流數據的平滑處理，其優勢在于更易于擬合預測，缺點在于失去了短時長下客流變化細節，降低了輸出信息量。實時客流監控是指在規定的短時間顆粒度（如10 min）條件下對交通站點進行的客流數據收集。實現客流實時監控能夠應對由非周期性因素（如節日慶典、體育賽事、群眾活動等）導致的偶發客流狀況劇烈變化，快速做出短期客流預測、預警并高效合理的規劃解決方案[6-8]。

圖1 不同時間顆粒度下的某城市軌道交通站點的進站客流量

實時客流監控需要收集的數據主要包括進站客流量、出站客流量、交通起止點（OD）客流量、換乘客流量和區間斷面客流量等，可以分成車站、線路和線網3 個層級進行監測與統計。圖2為某車站在5 天內以10 min 時間顆粒度采集得到的進站客流量、出站客流量和斷面客流量。通過對比可以明顯看出早晚客流的峰值變化以及該站點的客流流向。

圖2 某城市軌道交通站點在10 min 時間顆粒度下的進站、出站和斷面客流量

客流監控數據的時序相關性是準確預測短時客流變化的前提。相關性檢驗通常采用皮爾遜（Pearson）相關系數法實現。以一定間隔的時間步長（如5 min、10 min、15 min），統計某一時間節點之后的多個等間隔時序的客流數據，通過式（1）計算皮爾遜相關系數r進而判別客流監控數據的相關性。

式（1）中，Xi、Yi分別為不同時序的客流數據；和分別為不同時序客流數據的平均值。皮爾遜相關系數r本質上是不同時序客流數據的協方差與標準差的比值，取值范圍為[-1，1]。r越接近于1 或-1，說明時序客流數據的正或負相關性越顯著。圖3對5 天內的實時進站客流量與短期歷史客流（20～60 min）的相關性進行了分析，其中20 min 內的客流相關性超過0.99。顯然，實時進站客流量與歷史客流的時間距離越近，其相關性越強，說明短期歷史客流量能夠作為實時客流預測的可靠數據來源[9-10]。

圖3 實時進站客流與短時歷史客流量的相關性

3 客流監控設備與布置方案

3.1 客流監控設備

城市軌道交通的客流監控是針對各乘車站點不同區域圖像和傳感器數據的判別、提取、歸類和統計。客流監控設備可以依據監控統計方式劃分為存量式客流監控設備和通量式客流監控設備兩類[2-3]。

（1）存量式客流監控設備是以準靜態方式統計城市軌道交通站點區域內的乘客數據，不存在客流誤差累積問題。目前，存量式統計主要采用進出站閘機、安檢儀和站內視頻監控等設備實現。通過進出站閘機可以直接獲取自動售檢票（AFC）數據，具有較高的準確度且無需為客流監控增加額外成本。但是，AFC 數據的獲取存在時延，不利于短期進站客流預測。車站安檢儀的紅外傳感器也可以實現客流統計功能。與AFC 數據類似，獲取基于紅外計數的客流數據準確度較高，但同樣存在時延問題。盡管如此，結合安檢儀和AFC 數據可以獲得閘機外滯留乘客的數據，能夠評估交通樞紐、大型商業區附近站點乘客排隊進站的擁堵狀況。站內的視頻監控設備能夠規避客流監控時延問題，為短期客流預測提供可靠的數據支持。但通過視頻監控獲取客流數據需加裝人臉識別軟硬件設備，存在一定的附加成本。在大客流和極端擁堵的情況下，數據采集精度會有所下降。此外，手機信令與移動通信數據感知技術也已經應用于大客流下的實時客流統計，結合WiFi 探測技術能夠實現站內站臺以及車廂內部的多區域客流動態分析。手機信令和WiFi 探測設備成本相對較低，但數據采集的精度不高，因此可以作為存量式客流統計的補充手段。

（2）通量式客流監控設備主要設置于城市軌道交通站點的連接通道處、自動扶梯等客流方向相對固定的區域，彌補站點內固有設備數據采集在抗時延能力上的不足，實現對客流劇烈變化的快速響應。通量式設備可以通過紅外客流計數器、飛行時間（TOF）相機、三維視覺探測技術實現，具備更高的客流監控精度，但設備成本相對較高。此外，通量式客流監控設備均存在客流誤差累積現象，需要周期性的對客流計數的初值進行修正，例如每隔30～60 min 將測量數據與存量式客流統計數據進行校核，修正客流累計誤差。

存量式與通量式設備在客流統計中各具優勢，將統計結果進行交叉驗證并加權處理可以獲得更為可靠的客流數據。若某站點在時間間隔Δi內由存量式監控設備采集的乘客存量為GRi，則GRi可以表示為：

式（2）中，GJi為第J臺設備的客流數據；SPiJK為第J臺和第K臺設備的客流數據中重疊的客流人數。

類似地，通量式監控設備采集的客流數據GFi可以表示為：

式（3）中，GFi-1為上一個時間間隔的乘客存量；和分別為入站通道設備和出站通道設備的客流監測結果。

對站內乘客存量的估計可由該時間段內的存量式客流統計結果GiR和通量式客流統計結果加權平均得到：

式（4）中，fRi和fFi分別為存量式和通量式客流統計的統計權重。統計權重由不同客流監控設備的誤差率決定。若第i時段的存量式和通量式客流統計誤差率分別表示為ERi和EFi，統計權重則可表達為誤差率的調和平均：

由式（5）可知，客流統計誤差率低的設備獲得了更高的統計權重，從而保證了客流監測結果的可靠性。

存量式與通量式客流監控設備的布置要與站點的建筑結構匹配。在站點設計和建造時，乘客的必經區域通常已經布置了存量式客流監控設備，例如進出站區域的閘機和安檢儀等。需著重布置客流監控設備的區域是車站的出入口、地下通道、自動扶梯和電梯、車輛換乘樓梯、站臺、緊急出入口以及地鐵車輛內部等。

地鐵車站的進出口與連接通道的客流監控設備在獲取進出客流數據上最為迅捷。由于車站進出口在早晚高峰和特殊時段會產生流量峰值的劇烈變化，采用飛行時間成像設備或雙目立體視覺設備結合視頻分析工具可以加速客流數據獲取，為短時客流預測預警提供時間。由于進入車站的人員有可能并非乘客，采用車站進出口獲取的客流數據進行預測存在過高估計客流的問題。在安檢門與進出站閘機獲得的AFC 數據和紅外客流計數結果能夠更為精準的監控乘車人群數量。在交通繁忙地段，進站閘機和安檢門也是客流減速區域，通常是客流流量的限制結點，因此，在一定程度上對沖了由AFC數據存儲傳輸導致的客流監控時延問題。客流通行受限的另一個結點是換乘樓梯與自動扶梯。由于客流通行較為緩慢，可采用通量式監控設備與視頻監控設備相結合，不僅能夠動態監測乘客流量，而且能在通行擁堵的情況下做出預警，避免突發安全狀況。與換乘樓梯、自動扶梯相比較，站臺的客流處于相對靜止狀態，通量式監控設備難以發揮效用，更適于布置視頻監控設備，通過人臉識別抓取客流信息。此外，在站臺上加裝WiFi探測輔助設備，可以擴大客流監控的范圍，進一步修正視頻監控抓取的客流統計數據。

3.2 客流監控設備布置方案

現以如圖4所示的T 市某站點地下一層的客流監控設備布置為例說明客流數據收集、統計以及預測的實現流程。視頻監控設備主要分布于進出口、上下行自動扶梯、電梯、樓梯的出入口以及通道內部。視頻設備的視野范圍存在交疊保證了客流監控無死角與數據冗余。在進行客流預測前，首先通過監控設備捕捉客流影像。利用形狀與顏色特征提取乘客候選圖像，并由預訓練的區域卷積神經網絡（Regions Convolution Neural Network，R-CNN）進行乘客識別。在同一時段內對不同視頻設備進行乘客識別，從而篩除重復統計得到短時乘客流量。在圖4中，16 個進出口閘機同時工作并提供AFC統計數據。將同一時段的AFC 統計數據與視頻監控提取的客流數據進行加權統計，得到更為可靠的短時乘客流量。將短時乘客流量按照工作日、節假日以及突發狀況日進行分類，分別采用長短時記憶網絡模型（Long Short Term Memory，LSTM）進行訓練得到該站點在不同狀況下的客流數據預測模型。在日常客流監控過程中，提取實時監控客流數據與AFC 統計數據并通過LSTM 預測模型進行客流預測，為城市軌道交通運營的動態調整提供實時參考。

圖4 T 市某站點地下一層的客流監控設備布設位置

4 結語

隨著我國城市軌道交通里程的逐年攀升，城市軌道交通網絡逐漸完善，客流監控、實時流量統計以及短時客流預測的重要性逐漸突顯。實時精準的客流監控不僅是實現短期客流預測的基礎，而且對合理調度列車開行班次，解決站點人流擁堵，防范安全風險，提升乘客出行體驗也具有關鍵作用。城市軌道交通站點的日常監控顯示客流流量具有明顯的周期性和方向性，皮爾遜相關性分析也顯示短期客流具有較強的時序相關性，說明利用客流數據進行短期預測具有可靠性。客流監控的實現需要存量式客流監控設備和通量式客流監控設備在站點區間內合理安裝。利用二者在客流監控中的互補性能夠同時提升客流數據統計的精準度和及時性，為短期客流的高效預測提供數據支撐。