譚杉 廈門軌道交通集團有限公司

一、國內(nèi)外研究現(xiàn)狀

（一）短時客流預測研究現(xiàn)狀

在20世紀70年代和20世紀80年代，一些學者將數(shù)學模型應用于交通流預測，大多數(shù)學者專注于道路交通流量的短期預測。詹金斯等人提出了1976年的自回歸整數(shù)移動平均模型，這是一個時間序列預測模型，被廣泛使用。李應用Arima模型到軌道交通的短期客流預測，并發(fā)現(xiàn)與其他時間序列模型相比，Arima模型更穩(wěn)定，準確。城市軌道交通短期客流預測的研究雖然起步較晚，但發(fā)展很快，張立杰、馬維華在對不同城市軌道交通站點進行客流分析后，按照結果分析了不同類型客流時間的相關性，并進入客流序列，用支持向量機模型進行強預測，基于灰色預測模型和馬爾可夫模型，王毅和徐瑞華提出了一種改進的灰色馬爾可夫模型用于城市軌道交通客流預測，才可以有效的提高了短期預測的準確率。Baili在正常和異常情況下研究了客流預測。在傳統(tǒng)算法的基礎上，將時間序列分析和回歸分析組合以預測假期等異常條件，這提高了客流預測的準確性和異常條件下的動態(tài)適應性。林維數(shù)和其他人首先分析了廣州地鐵的日常客運發(fā)展模型，然后提出了一種基于誤差變化率的自適應k最近鄰模型匹配算法。實驗結果表明，該方法的準確性可以保持在大約90%，這是十分實用的。當前科技的不斷進步，計算機的計算能力呈指數(shù)級增長。現(xiàn)有的計算機性能已經(jīng)能夠支持大規(guī)模運算，這使得神經(jīng)網(wǎng)絡預測方法得以實現(xiàn)，并在許多領域得到廣泛應用。按照信息傳遞的方向，神經(jīng)網(wǎng)絡可分為前饋神經(jīng)網(wǎng)絡和反饋神經(jīng)網(wǎng)絡。在前向神經(jīng)網(wǎng)絡中，每個神經(jīng)元接收前一級的數(shù)據(jù)并輸出到下一級。當它到達輸出層時，整個網(wǎng)絡沒有反饋。反饋神經(jīng)網(wǎng)絡是一個動態(tài)反饋系統(tǒng)，它將數(shù)據(jù)作為輸入信號傳遞給其他神經(jīng)元。LSTM網(wǎng)絡在交通領域有著廣泛的應用，特別是交通流預測和客流預測，高夢琦等人提出了小波分解與LSTM網(wǎng)絡相結合的預測模型，并以北京西直門站為例驗證了模型的預測效果，李昌滿等人使用LSTM網(wǎng)絡模型，對乘客的長期數(shù)據(jù)進行處理，訓練公交站點和封閉公交站點的預測模型，然后利用該模型對多站點研究公交的客流進行預測。

（二）列車運行圖節(jié)能優(yōu)化研究

列車運行控制策略按照地面的運行條件確定列車的運行條件，使列車能按不同的速度曲線在站間運行，計算不同的牽引能耗運行，并在同一時間條件下進行站間同一操作，得到運行速度曲線，達到節(jié)能的目的。1970年Figuera研究了列車的運行策略，線路中平緩運行的列車運行策略經(jīng)常被停止，并說明在這種情況下，牽引、滑行和制動條件應出現(xiàn)在列車的最佳運行策略中。與之前的火車不同，Ke等人基于2009年蟻群算法MAX MIN研究的能耗組合優(yōu)化模型。在文獻中建立了火車在線駕駛策略的優(yōu)化模型。示例性分析表明，本文提出的優(yōu)化模型在列車節(jié)能方面具有卓越的性能；考慮到線坡，平均運行速度，間隔速度，加速度等因素，采用了組合模糊PID和MAX MIN蟻群算法的列車駕駛策略，證明了優(yōu)化方法有利于火車的能量消耗。優(yōu)化是指通過調(diào)整某些優(yōu)化目標，停止時間，間隔運行時間等進行列車圖的優(yōu)化，以及國內(nèi)外員工的因素，以減少火車操作。研究了列車節(jié)能運行優(yōu)化的收斂優(yōu)化目標。優(yōu)化是通過調(diào)整船舶出發(fā)區(qū)間和培訓運行時間來優(yōu)化在某些優(yōu)化目標下進行列車運行。國內(nèi)外學者將減少火車維護業(yè)務，實現(xiàn)列車節(jié)能運營優(yōu)化的一定研究成果。

二、短時客流預測概述

（一）客流概述

在單位時間，軌道交通中乘客的數(shù)量和方向的總和稱為乘客流量。按照其時間分布特性，可分為全天客流，整天小時客流和高峰時段客流；按照其空間分布特性，可分為站客流和間隔客流。車站客流由可變客運，站客運流和偏離車站客運流組成。車站客運是地鐵短期客流預測的主要研究對象。穿過單位時間的一定部分的軌道交通線的乘客被稱為截面乘客。段客流分配可分為日常客流分布，每周客流分布，段客流分布，每月客流分配和年度客流分布。在短期客流預測和后續(xù)旅客流量預測中，每月和年度客運量的年度影響相對較小，并且沒有討論時間。按照乘客流量曲線，在大型客流的分配中，廣播通常有高峰客流分布?；貧w分析方法按照因素之間的關系，使用統(tǒng)計推理方法構建擬合功能。其中，線性回歸分析是最基本和簡單的。其優(yōu)勢簡單且易于使用，但其缺點是難以表達非線性數(shù)據(jù)和高度復雜的數(shù)據(jù)。時間序列預測模型基于系統(tǒng)觀察到的連續(xù)時間歷史乘客流量數(shù)據(jù)。通過曲線擬合和參數(shù)估計，建立了一種數(shù)學模型，以預測未來短期內(nèi)乘客流動的發(fā)展趨勢。

（二）神經(jīng)網(wǎng)絡預測模型

模擬人腦中的神經(jīng)網(wǎng)絡模型。它包括大量處理單元（稱為神經(jīng)元）來形成復雜的網(wǎng)絡系統(tǒng)。它是一個高度非線性動態(tài)系統(tǒng)。它具有以下優(yōu)點：并行分布式處理具有強烈的檢測能力，可以處理相關的非線性關系，不需要從輸入數(shù)據(jù)到特定數(shù)學公式的輸出數(shù)據(jù)，通過簡單的線性操作和神經(jīng)元激活，可以預測未來。缺點是在模型訓練過程中，需要足夠的數(shù)據(jù)來確保更好的預測效果，并且易于收斂或局部點融合。

（三）組合預測模型

由兩個或兩個以上模型組合而成的預測模型為組合預測模型，其目的是彌補單一預測模型的不足，研究表明，大多數(shù)組合預測模型比單一預測模型更有效、更準確，在城市軌道交通的研究中，組合模型的應用更為頻繁。

三、結束語

由上可知，節(jié)能減排是未來交通行業(yè)中的發(fā)展重點，對城市軌道交通節(jié)能問題展開研究對城市交通行業(yè)的發(fā)展有著十分重要的意義。列車運行圖是城市軌道交通運營單位中重要的組成部分，其的編制情況會直接影響到乘客對出行的滿意度和列車運行耗能的情況。