李俊輝 黎新華 謝小星

(1. 廣東交通職業(yè)技術(shù)學(xué)院軌道交通學(xué)院 廣州 501650； 2. 廣州市地下鐵道總公司運(yùn)營(yíng)事業(yè)總部安全技術(shù)部 廣州 510030)

基于概率神經(jīng)網(wǎng)絡(luò)的軌道交通車站客流安全狀態(tài)評(píng)價(jià)

李俊輝1黎新華1謝小星2

(1. 廣東交通職業(yè)技術(shù)學(xué)院軌道交通學(xué)院 廣州 501650； 2. 廣州市地下鐵道總公司運(yùn)營(yíng)事業(yè)總部安全技術(shù)部 廣州 510030)

以城市軌道交通車站安全為研究對(duì)象，建立基于概率神經(jīng)網(wǎng)絡(luò)的車站客流安全狀態(tài)評(píng)價(jià)模型。模型將提煉出的城市軌道交通車站客流安全狀態(tài)評(píng)價(jià)指標(biāo)作為輸入?yún)?shù)，將評(píng)價(jià)等級(jí)結(jié)果作為輸出參數(shù)，以各指標(biāo)不同等級(jí)的評(píng)價(jià)標(biāo)準(zhǔn)作為模型訓(xùn)練數(shù)據(jù)來(lái)源。為驗(yàn)證方法的有效性，設(shè)計(jì)不同的客流場(chǎng)景，利用微觀仿真軟件VISSIM對(duì)車站客流運(yùn)行狀態(tài)進(jìn)行仿真實(shí)驗(yàn)，以獲得各指標(biāo)的數(shù)據(jù)。仿真應(yīng)用結(jié)果表明，該方法能夠?qū)Τ鞘熊壍澜煌ㄜ囌究土靼踩珷顟B(tài)進(jìn)行評(píng)價(jià)。

城市軌道交通；客流；安全狀態(tài)評(píng)價(jià)；概率神經(jīng)網(wǎng)絡(luò)中

1 城市軌道交通車站客流安全狀態(tài)概述

影響城市軌道交通車站運(yùn)營(yíng)安全的主要因素是設(shè)施設(shè)備和客流。車站規(guī)模和布局在設(shè)計(jì)時(shí)參考的主要依據(jù)是預(yù)測(cè)的客流量，車站一旦建成后，就很難改變或調(diào)整，設(shè)施設(shè)備的穩(wěn)定性會(huì)在一定程度上影響車站的安全，但設(shè)備故障的隨機(jī)性很難被單獨(dú)量化。實(shí)際上設(shè)施設(shè)備的狀態(tài)會(huì)在某種程度上影響客流在車站的規(guī)律和特征，例如當(dāng)扶梯發(fā)生故障時(shí)，將導(dǎo)致乘客被迫選擇走樓梯，從而改變了客流在車站的運(yùn)行規(guī)律。因此客流的安全狀態(tài)在很大程度上體現(xiàn)了車站的運(yùn)營(yíng)安全狀態(tài)。

城市軌道交通車站客流安全狀態(tài)評(píng)價(jià)，是指通過(guò)對(duì)車站客流信息進(jìn)行動(dòng)態(tài)采集與分析，進(jìn)而評(píng)價(jià)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(píng)價(jià)法對(duì)大客流的安全狀態(tài)進(jìn)行評(píng)價(jià)，但該方法需要專家打分確定各指標(biāo)權(quán)重，評(píng)價(jià)結(jié)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(biāo)的評(píng)估體系，然而對(duì)各指標(biāo)如何有效融合進(jìn)行綜合評(píng)價(jià)卻缺乏深入研究；楊超等[3]提出客流安全檢測(cè)與應(yīng)急管理系統(tǒng)的框架，但對(duì)客流安全狀態(tài)的識(shí)別只考慮了步行空間服務(wù)水平與客流安全的對(duì)應(yīng)關(guān)系；其他學(xué)者則主要研究了城市軌道交通車站設(shè)備安全、乘客行為特征規(guī)律、車站設(shè)施設(shè)備服務(wù)水平、客流預(yù)測(cè)模型等[4-7]。綜上所述，目前系統(tǒng)研究城市軌道交通車站客流安全狀態(tài)的文獻(xiàn)較少，且現(xiàn)有的研究方法仍然有待完善。

概率神經(jīng)網(wǎng)絡(luò)是基于貝葉斯分類規(guī)則與Parson窗口函數(shù)概率密度估計(jì)方法發(fā)展而來(lái)的一種并行算法，已經(jīng)在模式識(shí)別和模式分類領(lǐng)域得到廣泛的應(yīng)用。它的優(yōu)勢(shì)在于用線性學(xué)習(xí)算法完成以往非線性學(xué)習(xí)算法所做的工作，同時(shí)又能保持非線性算法的高精度等特性，而且其網(wǎng)絡(luò)對(duì)應(yīng)的權(quán)值就是模式樣本的分布，可避免人工賦予權(quán)值存在的主觀性。因此，筆者利用概率神經(jīng)網(wǎng)絡(luò)的分類優(yōu)勢(shì)，以城市軌道交通客流的特征參數(shù)為輸入，以不同的評(píng)價(jià)級(jí)別為輸出，以不同參數(shù)的安全評(píng)價(jià)標(biāo)準(zhǔn)為數(shù)據(jù)集，隨機(jī)產(chǎn)生大量符合要求的訓(xùn)練樣本對(duì)模型進(jìn)行訓(xùn)練，進(jìn)而提出了基于概率神經(jīng)網(wǎng)絡(luò)的城市軌道交通車站客流安全狀態(tài)評(píng)價(jià)方法，并運(yùn)用仿真實(shí)驗(yàn)獲得的各項(xiàng)參數(shù)對(duì)該方法的有效性進(jìn)行了驗(yàn)證。

2 概率神經(jīng)網(wǎng)絡(luò)

概率神經(jīng)網(wǎng)絡(luò)(probabilistic neural networks，PNN)[8]的主要思想是用貝葉斯決策規(guī)則，即錯(cuò)誤分類的期望風(fēng)險(xiǎn)最小，在多維輸入空間內(nèi)分離決策空間。它是一種基于統(tǒng)計(jì)原理的人工神經(jīng)網(wǎng)絡(luò)，以Parzen窗口函數(shù)為激活函數(shù)的一種前饋網(wǎng)絡(luò)模型。PNN吸收了徑向基神經(jīng)網(wǎng)絡(luò)與經(jīng)典的概率密度估計(jì)原理的優(yōu)點(diǎn)，與傳統(tǒng)的前饋神經(jīng)網(wǎng)絡(luò)相比，在模式分類方面具有較為顯著的優(yōu)勢(shì)。

2.1 分類器的理論推導(dǎo)由貝葉斯決策理論：

(1)

(2)

去掉共有元素，判別函數(shù)可簡(jiǎn)化為

(3)

2.2 PNN的結(jié)構(gòu)與工作原理

PNN由4層網(wǎng)絡(luò)構(gòu)成: 輸入層、樣本層、求和層和輸出層，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 概率神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

3 車站客流安全評(píng)價(jià)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

3.1 輸入指標(biāo)的確定

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

平均客流速度指行人群體在站內(nèi)的平均移動(dòng)速度，一般取車站各關(guān)鍵區(qū)域客流速度的平均值(m/s或m/min)。速度越慢說(shuō)明乘客之間的干擾越大，客流越不穩(wěn)定。

車站客流承載度指車站實(shí)際客流量與設(shè)計(jì)客流量之比，反映車站設(shè)備對(duì)客流量的承受能力，數(shù)值越大，說(shuō)明車站設(shè)備越不適應(yīng)。例如，北京市軌道交通規(guī)定當(dāng)車站客流量達(dá)到設(shè)計(jì)客流量的70%時(shí)開始采取限流措施，因此可將其作為一個(gè)指標(biāo)評(píng)價(jià)車站客流的安全狀態(tài)。

關(guān)鍵節(jié)點(diǎn)等待時(shí)間反映了客流在車站不同區(qū)域接口處的通過(guò)情況。它是乘客從進(jìn)入車站到離開車站所經(jīng)過(guò)的關(guān)鍵節(jié)點(diǎn)，即站臺(tái)與站廳垂直上下通道等待時(shí)間、閘機(jī)出入口等待時(shí)間、出入口通道等待時(shí)間這3個(gè)關(guān)鍵節(jié)點(diǎn)的等待時(shí)間之和。該指標(biāo)越高，說(shuō)明車站客流擁堵現(xiàn)象越嚴(yán)重，乘客集散的速度越低，越容易引發(fā)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(shí)際通過(guò)客流量與設(shè)計(jì)通過(guò)客流量的比值，數(shù)值越高，說(shuō)明垂直通道的瓶頸現(xiàn)象越明顯，車站的客流安全程度就越低。

在上述5個(gè)指標(biāo)中，前3個(gè)指標(biāo)體現(xiàn)客流的密度、速度、流量特征，后2個(gè)指標(biāo)則可間接體現(xiàn)車站設(shè)備對(duì)客流的適應(yīng)情況，因此能全面反映車站客流安全狀態(tài)。

3.2 輸出層的類型設(shè)置

根據(jù)已有的城市軌道交通安全狀態(tài)分級(jí)標(biāo)準(zhǔn)，將PNN的輸出層設(shè)為5種類型，分別是安全、較安全、基本安全、危險(xiǎn)、非常危險(xiǎn)(記為1、2、3、4、5級(jí))。各級(jí)的評(píng)價(jià)標(biāo)準(zhǔn)如表1所示。站臺(tái)擁擠度和平均客流速度的取值范圍以文獻(xiàn)[1]中提出的客流密度和客流速度安全控制閾值為基礎(chǔ)，根據(jù)地鐵運(yùn)營(yíng)安全專家的調(diào)查意見進(jìn)行修正；車站客流承載度以文獻(xiàn)[10]中提出的對(duì)北京市地鐵的車站客流承載能力調(diào)查仿真結(jié)果為依據(jù)，選取仿真結(jié)果中客流特征波動(dòng)較大的點(diǎn)作為劃分不同安全狀態(tài)等級(jí)的臨界值；關(guān)鍵節(jié)點(diǎn)等待時(shí)間以文獻(xiàn)[9]中提出的車站等待時(shí)間服務(wù)水平分級(jí)標(biāo)準(zhǔn)為依據(jù)，結(jié)合專家意見將服務(wù)水平與安全狀態(tài)等級(jí)進(jìn)行對(duì)應(yīng)修正；垂直上下通道利用度以文獻(xiàn)[7]中建立的乘客樓梯與自動(dòng)扶梯選擇模型為基礎(chǔ)，根據(jù)不同客流下乘客對(duì)垂直通道的選擇規(guī)律，并結(jié)合實(shí)測(cè)數(shù)據(jù)進(jìn)行確定。

表1 城市軌道交通車站客流安全狀態(tài)評(píng)價(jià)標(biāo)準(zhǔn)

3.3 模型實(shí)現(xiàn)的步驟

該網(wǎng)絡(luò)輸入層的節(jié)點(diǎn)數(shù)為5，包括站臺(tái)擁擠度、平均客流速度、車站客流承載度、關(guān)鍵節(jié)點(diǎn)等待時(shí)間和垂直上下通道利用度；輸出層的節(jié)點(diǎn)數(shù)為5，包括安全、較安全、基本安全、危險(xiǎn)、非常危險(xiǎn)(記為1、2、3、4、5級(jí))5種安全狀態(tài)。筆者采用Matlab7.0實(shí)現(xiàn)評(píng)價(jià)模型的創(chuàng)建、訓(xùn)練、檢驗(yàn)和仿真，分4步實(shí)施:生成學(xué)習(xí)樣本；對(duì)學(xué)習(xí)樣本進(jìn)行預(yù)處理；概率神經(jīng)網(wǎng)絡(luò)的建立、學(xué)習(xí)和檢驗(yàn)；安全狀態(tài)的評(píng)價(jià)。

根據(jù)表1中各指標(biāo)安全等級(jí)的取值區(qū)間，隨機(jī)產(chǎn)生1 000、250、50和25個(gè)樣本數(shù)據(jù)，對(duì)概率神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后用100個(gè)隨機(jī)樣本進(jìn)行檢驗(yàn)[11]。為驗(yàn)證概率神經(jīng)網(wǎng)絡(luò)在運(yùn)算速度和準(zhǔn)確性方面的優(yōu)勢(shì)，同時(shí)用BP神經(jīng)網(wǎng)絡(luò)、RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行對(duì)比實(shí)驗(yàn)。經(jīng)過(guò)多次實(shí)驗(yàn)，準(zhǔn)確率隨訓(xùn)練樣本數(shù)發(fā)生變化的情況如圖 2 所示，表明該模型已經(jīng)可以用來(lái)評(píng)價(jià)軌道交通安全狀態(tài)。

圖2 概率神經(jīng)網(wǎng)絡(luò)與BP、RBF神經(jīng)網(wǎng)絡(luò)的比較

4 模型應(yīng)用的仿真實(shí)驗(yàn)

4.1 模型應(yīng)用的思路

首先選定需要進(jìn)行評(píng)價(jià)的城市軌道交通車站類型，然后通過(guò)在車站關(guān)鍵位置安裝客流信息采集設(shè)備(常用的方法為安裝視頻攝像頭)獲得客流相關(guān)的參數(shù)指標(biāo)，再利用訓(xùn)練好的概率神經(jīng)網(wǎng)絡(luò)模型計(jì)算輸入的客流特征指標(biāo)，最后概率神經(jīng)網(wǎng)絡(luò)模型會(huì)計(jì)算輸入向量屬于安全等級(jí)的概率大小，并得出概率最大的那一種等級(jí)，這種安全等級(jí)就是輸入向量通過(guò)概率神經(jīng)網(wǎng)絡(luò)計(jì)算后得出的，從而完成車站客流的安全狀態(tài)評(píng)價(jià)。

4.2 仿真實(shí)驗(yàn)設(shè)計(jì)

仿真車站的參數(shù)設(shè)定如下：車站站臺(tái)長(zhǎng)度為118 m，島式站臺(tái)寬度為12 m，從 站 廳 到 站臺(tái)共 有 樓 梯2個(gè)，自動(dòng)扶梯2個(gè)，均布置在站臺(tái)的中間，扶梯設(shè)置為上下行各1個(gè)，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(gè)出入口，距離最近的出入口閘機(jī)分別為60 m、75 m和80 m，寬度設(shè)計(jì)都為4 m，靠近每個(gè)出入口有4臺(tái)閘機(jī)，初始設(shè)定為進(jìn)出各一半，都為門扉式閘機(jī)。車站設(shè)計(jì)客流量為7 500人/h,高峰小時(shí)列車運(yùn)行間隔為2 min。為便于根據(jù)仿真結(jié)果比較分析，設(shè)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(tài)評(píng)價(jià)結(jié)果

表2 仿真客流情景設(shè)置(高峰小時(shí)) 人/h

將表2中的各類客流情景分別輸入已設(shè)定好參數(shù)的VISSIM軟件中，通過(guò)仿真運(yùn)行結(jié)果獲得每種情景下的客流指標(biāo)特征參數(shù)，結(jié)合基礎(chǔ)數(shù)據(jù)進(jìn)行計(jì)算，各單項(xiàng)指標(biāo)對(duì)應(yīng)的6種情景數(shù)值見表3。

表3 6種仿真客流情景的單項(xiàng)指標(biāo)數(shù)值

4.3 結(jié)果分析

以各單項(xiàng)指標(biāo)作為計(jì)算輸入，通過(guò)Malab7.0軟件對(duì)概率神經(jīng)網(wǎng)絡(luò)進(jìn)行評(píng)價(jià)，6種客流情景下的評(píng)價(jià)結(jié)果分別為等級(jí)2(較安全)、等級(jí)3(基本安全)、等級(jí)3(基本安全)、等級(jí)4(危險(xiǎn))、等級(jí)5(非常危險(xiǎn))、等級(jí)5(非常危險(xiǎn))，各單項(xiàng)評(píng)價(jià)指標(biāo)的結(jié)果和概率神經(jīng)網(wǎng)絡(luò)綜合評(píng)價(jià)結(jié)果如圖3所示。

根據(jù)以上仿真結(jié)果可得出如下結(jié)論。

1) 在表2中，以情景1為例，各單項(xiàng)指標(biāo)對(duì)應(yīng)的安全狀態(tài)分別為2、1、4、2、3級(jí)(見圖3)，通過(guò)概率神經(jīng)網(wǎng)絡(luò)進(jìn)行評(píng)價(jià)，綜合評(píng)價(jià)結(jié)果為2級(jí)，對(duì)應(yīng)的描述為較安全，其他情景類似。分析得出，應(yīng)用概率神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型能夠全面考慮車站客流特征指標(biāo)，不需要專家或相關(guān)技術(shù)人員根據(jù)主觀經(jīng)驗(yàn)人為設(shè)計(jì)評(píng)價(jià)指標(biāo)的權(quán)重，能較全面反映評(píng)估路段的安全狀態(tài)優(yōu)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(guò)表3的仿真結(jié)果可知，由于車站設(shè)備是按照進(jìn)出站均衡的條件設(shè)置的，所以當(dāng)客流均衡的時(shí)候(情景1)，車站的安全評(píng)價(jià)結(jié)果為2級(jí)，即較安全，而另外兩個(gè)為客流方向不均勻的情景，正常情況下必然會(huì)導(dǎo)致車站設(shè)備的利用失衡，所以情景2和情景3對(duì)應(yīng)的評(píng)價(jià)結(jié)果為3級(jí)，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(gè)情景，客流總量增加了很多，概率神經(jīng)網(wǎng)絡(luò)的評(píng)價(jià)結(jié)果分別為4級(jí)、5級(jí)、5級(jí)，即危險(xiǎn)、非常危險(xiǎn)、非常危險(xiǎn)。由此可見，概率神經(jīng)網(wǎng)絡(luò)模型能夠體現(xiàn)因客流量變化帶來(lái)的安全狀態(tài)改變，也能體現(xiàn)客流方向不均衡造成的安全狀態(tài)改變，說(shuō)明了該方法的合理性。

3) 本仿真實(shí)驗(yàn)的客流特征參數(shù)獲取和計(jì)算是通過(guò)設(shè)定的客流情景，運(yùn)用仿真軟件獲得相關(guān)指標(biāo)的數(shù)值。在實(shí)際應(yīng)用中，可通過(guò)視頻處理計(jì)算、圖像處理技術(shù)等客流信息實(shí)時(shí)采集和計(jì)算設(shè)備獲取車站客流實(shí)時(shí)參數(shù)，再運(yùn)用概率神經(jīng)網(wǎng)絡(luò)進(jìn)行實(shí)時(shí)評(píng)價(jià)，進(jìn)而可得到車站實(shí)時(shí)客流安全狀態(tài)等級(jí)，該方法可為完善城市軌道交通車站客流安全監(jiān)控和預(yù)警系統(tǒng)的功能提供借鑒。

5 結(jié)語(yǔ)

基于概率神經(jīng)網(wǎng)絡(luò)的城市軌道交通車站客流安全狀態(tài)評(píng)價(jià)方法可以最大限度地利用先驗(yàn)知識(shí),在貝葉斯最小風(fēng)險(xiǎn)準(zhǔn)則下對(duì)客流安全狀態(tài)進(jìn)行定性評(píng)價(jià)。概率神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度快,在工程上容易實(shí)現(xiàn),且可以達(dá)到較高的診斷準(zhǔn)確率。筆者在對(duì)城市軌道交通車站客流特征進(jìn)行分析的前提下，提煉出城市軌道交通車站客流安全狀態(tài)評(píng)價(jià)的 5 個(gè)指標(biāo)以及對(duì)應(yīng)的評(píng)價(jià)標(biāo)準(zhǔn)作為模型的輸入數(shù)據(jù)來(lái)源庫(kù)，最后通過(guò)設(shè)計(jì)仿真實(shí)驗(yàn)獲得需要的數(shù)據(jù)對(duì)該方法進(jìn)行驗(yàn)證。結(jié)果表明，該方法可以實(shí)現(xiàn)對(duì)車站客流安全狀態(tài)的評(píng)價(jià)，且過(guò)程無(wú)需專家確定權(quán)重，表明了該方法的合理性。同時(shí)仿真結(jié)果還表明，筆者提出的概率神經(jīng)網(wǎng)絡(luò)綜合考慮全部指標(biāo)的影響，評(píng)價(jià)精度較高，運(yùn)算速度快，能適用于小樣本判別和計(jì)算機(jī)實(shí)時(shí)處理的要求，可以作為城市軌道交通車站運(yùn)營(yíng)安全智能監(jiān)控系統(tǒng)的功能補(bǔ)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(xué),2009.

[8] 姜紹飛.基于神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化與損傷檢測(cè)[M].北京: 科學(xué)出版社，2002.

[9] 李洪旭.城市軌道交通車站設(shè)施設(shè)備與整體服務(wù)水平分級(jí)研究[D].北京：北京交通大學(xué),2013.

[10] 胡清梅.軌道交通車站客流承載能力的評(píng)估與仿真研究[D].北京:北京交通大學(xué)，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(yùn)營(yíng)管理研究，272147750@qq.com