張文哲

（北京市地鐵運(yùn)營(yíng)有限公司運(yùn)營(yíng)三分公司，北京 100082）

0 引言

隨著人口的增長(zhǎng)和社會(huì)經(jīng)濟(jì)的發(fā)展，北京市軌道交通在城市交通運(yùn)行體系當(dāng)中發(fā)揮著無可替代的功能，常規(guī)的地面公交已經(jīng)不能更好地滿足人們?nèi)找嬖鲩L(zhǎng)的交通需求，發(fā)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(xiàn)的地位越來越重要，逐步從單一的線路向網(wǎng)絡(luò)化線網(wǎng)發(fā)展，隨之帶來的挑戰(zhàn)也不斷增加。截至2019年12月北京地鐵總站數(shù)已達(dá)到405 座，工作日日均客流量已達(dá)到1000 萬人次左右，客運(yùn)量增加到一定程度時(shí)，對(duì)軌道交通的乘客滿意度和運(yùn)營(yíng)安全均會(huì)帶來一定的影響。作為軌道交通網(wǎng)絡(luò)重要節(jié)點(diǎn)的換乘車站所形成的換乘客流在軌道交通全網(wǎng)客流中占有較大比重，因此換乘客流的預(yù)測(cè)精度將會(huì)直接影響客流的預(yù)測(cè)精度。依據(jù)預(yù)測(cè)的客流量，分析換乘站客流量閾值，適時(shí)啟動(dòng)分級(jí)分層的預(yù)案，優(yōu)化大客流狀態(tài)下的客流組織方案，改善乘客的乘車環(huán)境，提高運(yùn)營(yíng)服務(wù)質(zhì)量。

近年來，一些學(xué)者對(duì)“客流量預(yù)測(cè)”這一問題做了相關(guān)研究。王天羿（2019）[1]針對(duì)客流量分布狀態(tài)難以準(zhǔn)確把握的情況，提出了一種結(jié)合LSTM（Long Short-Term Memory）網(wǎng)絡(luò)和層次聚類算法（Hierarchical Clustering）的城市軌道交通客流量預(yù)測(cè)模型，并應(yīng)用上海市軌道交通特征及客流量數(shù)據(jù)對(duì)模型進(jìn)行了驗(yàn)證和仿真。周慶梅、何希平（2020）[2]綜述了地鐵短時(shí)客流量的預(yù)測(cè)方法，并從近年來研究地鐵短時(shí)客流量的方法出發(fā)，回顧和整理了國(guó)內(nèi)外關(guān)于地鐵乘客流量短時(shí)預(yù)測(cè)的相關(guān)文獻(xiàn)，歸納了相關(guān)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(duì)重慶地鐵全網(wǎng)客流量進(jìn)行預(yù)測(cè)，采用平均相對(duì)誤差、均方差比值和關(guān)聯(lián)度三個(gè)指標(biāo)對(duì)模型進(jìn)行檢驗(yàn)。杜洋（2019）[4]從地鐵車站客流、車站自身情況和擁擠程度三個(gè)角度對(duì)地鐵車站大客流進(jìn)行了分析，探討了大客流的發(fā)生原因、時(shí)空特性，分析了地鐵擁擠指數(shù)，得出了擁擠程度分級(jí)，最終提出了一種大客流應(yīng)急預(yù)案。以上研究應(yīng)用了不同方法對(duì)地鐵車站客流進(jìn)行了預(yù)測(cè)，而本文是應(yīng)用神經(jīng)網(wǎng)絡(luò)時(shí)間序列模型（Neural network time series，NNTS）針對(duì)北京地鐵換乘站進(jìn)行短時(shí)流量預(yù)測(cè)，以達(dá)到客流尖峰預(yù)警的目的。

1 問題描述

1.1 基本問題描述

北京地鐵全網(wǎng)客流量預(yù)測(cè)對(duì)站臺(tái)、通道、車載大客流預(yù)警有著至關(guān)重要的作用，在北京市現(xiàn)有的405座車站中，又屬換乘車站最為復(fù)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(jìn)站客流、出站客流，還應(yīng)考慮通過站臺(tái)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(jìn)客流、外線下行換進(jìn)客流。而對(duì)于多線路換乘車站，情況就更為復(fù)雜。本文應(yīng)用神經(jīng)網(wǎng)絡(luò)時(shí)間序列模型（Neural network time series，NNTS），以同一換乘站、同一時(shí)間節(jié)點(diǎn)的歷史數(shù)據(jù)，對(duì)工作日早高峰短時(shí)客流進(jìn)行預(yù)測(cè)。

1.2 站點(diǎn)選擇

由于換乘站點(diǎn)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(shí)驗(yàn)數(shù)據(jù)來源。所選主要換乘站基本情況如下：

1.2.1 國(guó)貿(mào)站

國(guó)貿(mào)站地處東三環(huán)南路，位于京通快速路西側(cè)，與1 號(hào)線換乘。國(guó)貿(mào)車站為雙層分離島式車站，主體總長(zhǎng)131.2m，寬13.2×2m，建筑面積20611m2，設(shè)4 個(gè)地面出入口，3 條出入口通道，1 條與1 號(hào)線國(guó)貿(mào)站換乘通道。國(guó)貿(mào)站為10 號(hào)線與1 號(hào)線的換乘站，主要換乘客流為主，車站周邊臨近大型商務(wù)寫字樓，大多為通勤商務(wù)辦公客流。

1.2.2 西直門站

西直門站位于北京市西城區(qū)二環(huán)路西北角，北京地鐵2 號(hào)線、13 號(hào)線和4 號(hào)線匯聚于此。2 號(hào)線車站于1984年9月20日北京地鐵二期工程開通時(shí)啟用，13號(hào)線車站于2002年9月28日13 號(hào)線西段開通時(shí)啟用，4 號(hào)線車站于2009年9月28日4 號(hào)線開通時(shí)啟用。西直門站也是北京地鐵中比較繁忙的一個(gè)車站。西直門站的西北邊便是北京北站，乘客可在此進(jìn)行鐵路與軌道交通的換乘。西南方向有國(guó)家衛(wèi)生計(jì)生委、人民醫(yī)院、地鐵運(yùn)營(yíng)公司等企事業(yè)單位，西北方向?yàn)?3號(hào)線西直門站、北京北站、凱德MALL 等大客流聚集場(chǎng)所，周邊分布各公交線路30 余條?？土鱽碓醋≌瑓^(qū)、北京北站、公共場(chǎng)所和商業(yè)場(chǎng)所?？土饕酝ㄇ凇⒙糜魏蜕虡I(yè)客流為主?？土饕酝獠骸⑼ㄇ?、旅游和商業(yè)客流為主。

1.2.3 海淀黃莊站

海淀黃莊站處于中關(guān)村的核心部位，是4 號(hào)線與10 號(hào)線的換乘站，為出入中關(guān)村的主要途徑，并有通道直接與周邊商業(yè)連接。海淀黃莊站為地下雙層車站，有站廳、站臺(tái)層，為端頭型站廳，并且是側(cè)式站臺(tái)結(jié)構(gòu)，車站共有3 個(gè)出入口，分別為A1 口、A2 口、C口，其中A2 口與新中關(guān)商廈連接，在站臺(tái)設(shè)有4 條換乘通道實(shí)現(xiàn)與4 號(hào)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(jìn)出站及換乘客流大的特點(diǎn)。周一到周五工作日期間，主要為通勤通學(xué)客流；雙休日、節(jié)假日客流主要為購(gòu)物客流。

1.2.4 宋家莊站

宋家莊站位于北京市豐臺(tái)區(qū)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(hào) 線、亦莊 線、10 號(hào)線三條線路，5 號(hào) 線、10號(hào)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(yùn)營(yíng)。北京地鐵宋家莊站為地下二層車站，5 號(hào)線部分采用側(cè)式站臺(tái)設(shè)計(jì)。

2 模型分析

2.1 神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)算法參考人的神經(jīng)元原理，在很多神經(jīng)元基礎(chǔ)上構(gòu)建神經(jīng)網(wǎng)絡(luò)模型，每個(gè)神經(jīng)元可看作一個(gè)個(gè)學(xué)習(xí)單元[5]。這些神經(jīng)元采納一定的特征作為輸入，根據(jù)自身的模型得到輸出。傳統(tǒng)機(jī)器學(xué)習(xí)算法，在處理特征值過多的問題時(shí)會(huì)顯得力不從心，這時(shí)就可以使用神經(jīng)網(wǎng)絡(luò)。對(duì)于普通特征難以滿足預(yù)測(cè)的需要，需要通過復(fù)雜的組合得到一系列更為強(qiáng)大的新特征，從而完成回歸預(yù)測(cè)或分類問題。在此，可以利用xi（t）代表于t 時(shí)刻的總數(shù)神經(jīng)元j 獲得的，從第i個(gè)神經(jīng)元輸送來的信號(hào)，可以利用oj（t）代表第j個(gè)神經(jīng)元的輸出值，由此可以寫出基本計(jì)算式，如式（1）所示：

式（1）中：f函數(shù)表示一個(gè)神經(jīng)元的更新函數(shù)；而式中的wij則表示比重；τij表示系統(tǒng)的輸入輸出之間的時(shí)間滯后；Tj表示神經(jīng)元j的具體閾值。這樣，一個(gè)基本的神經(jīng)網(wǎng)絡(luò)原理就可以由圖1 表示。

圖1 神經(jīng)元基本模型

2.2 時(shí)間序列模型

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

NAR 網(wǎng)絡(luò)，即自回歸函數(shù)表征下的非線性神經(jīng)網(wǎng)絡(luò)，是在一個(gè)動(dòng)態(tài)條件下，將輸出與目標(biāo)之間的差值反饋回來，自動(dòng)更新網(wǎng)絡(luò)。這個(gè)網(wǎng)絡(luò)可以把以往的計(jì)算結(jié)果保存，并逐步反饋回系統(tǒng)，作為歷史數(shù)據(jù)和歷史信息，更好的輔助后續(xù)的預(yù)測(cè)[4]。同時(shí)，這種NAR網(wǎng)絡(luò)，可以依靠電腦的無限循環(huán)的反復(fù)計(jì)算能力，獲取更有力的學(xué)習(xí)能力，理論上可以最終達(dá)到與各種非線性函數(shù)近似的效果，更加適合做時(shí)間序列的預(yù)測(cè)。

2.3 L-M 訓(xùn)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(jié)合（通過調(diào)節(jié)阻尼μ 切換）。若當(dāng)前解距離最優(yōu)解較遠(yuǎn)時(shí)，算法更接近最速下降法；若當(dāng)前解接近最優(yōu)解，算法接近GN，快速收斂。L-M 是一種常見的循環(huán)訓(xùn)練算法，本文在神經(jīng)網(wǎng)絡(luò)訓(xùn)練時(shí)就是應(yīng)用的L-M 算法。至此，用于北京地鐵換乘站的神經(jīng)網(wǎng)絡(luò)時(shí)間序列模型建立完畢[5]。

3 模型仿真研究

3.1 實(shí)證數(shù)據(jù)

本文應(yīng)用國(guó)貿(mào)、西直門、海淀黃莊、宋家莊四個(gè)典型換乘車站的進(jìn)站人數(shù)、出站人數(shù)、換乘人數(shù)加總作為實(shí)驗(yàn)數(shù)據(jù)。數(shù)據(jù)時(shí)間節(jié)選為2019年5月和2019年6月的工作日（共40 天），數(shù)據(jù)時(shí)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(shí)為一統(tǒng)計(jì)單位。

3.2 模型仿真結(jié)果

針對(duì)國(guó)貿(mào)、西直門、海淀黃莊、宋家莊四個(gè)重點(diǎn)換乘站做神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)分析。每個(gè)車站均有3 個(gè)時(shí)間切片的結(jié)果圖，由于其相似性，故列寫了早7∶30～8∶00的結(jié)果圖。訓(xùn)練參數(shù)設(shè)置為訓(xùn)練集、驗(yàn)證集、測(cè)試集；分別占比為65%、10%、25%；樣本數(shù)分別是26、4、10；隱含層10。實(shí)驗(yàn)對(duì)比結(jié)果如圖2、圖3 所示。

圖2 國(guó)貿(mào)與西直門車站早高峰預(yù)測(cè)結(jié)果圖

圖3 海淀黃莊與宋家莊車站早高峰預(yù)測(cè)結(jié)果圖

實(shí)驗(yàn)結(jié)果表明，用2019年5月和2019年6月的工作日早高峰數(shù)據(jù)訓(xùn)練的時(shí)間序列神經(jīng)網(wǎng)絡(luò)模型，可以有效地預(yù)測(cè)未來一天內(nèi)響應(yīng)早高峰時(shí)間段的人流量，誤差在可接受范圍內(nèi)。本文所設(shè)計(jì)的北京地鐵換乘站時(shí)間序列神經(jīng)網(wǎng)絡(luò)模型，雖然只通過4 座主要換乘站的數(shù)據(jù)驗(yàn)證，但也適用于其他換乘車站，因此，本模型可以為換乘站應(yīng)對(duì)客流高峰提供參考依據(jù)。

4 結(jié)語

地鐵系統(tǒng)猶如一臺(tái)大的聯(lián)動(dòng)機(jī)，如在大客流沖擊之前依據(jù)相關(guān)數(shù)據(jù)分析，做到科學(xué)精準(zhǔn)的預(yù)測(cè)，各重要環(huán)節(jié)便可磨礪以須、嚴(yán)陣以待。如，各換乘車站所屬站區(qū)領(lǐng)導(dǎo)可提前到達(dá)現(xiàn)場(chǎng)，統(tǒng)籌指揮現(xiàn)場(chǎng)客運(yùn)工作，值班站長(zhǎng)及時(shí)調(diào)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(shè)備、限流設(shè)施適時(shí)減緩乘客進(jìn)站速度，與相交換乘車站站長(zhǎng)提前溝通換乘事宜，適時(shí)將換乘通道限流或關(guān)閉。該站綜控人員可預(yù)先將預(yù)測(cè)客流情況向本線行車調(diào)度反饋，申請(qǐng)加開臨時(shí)客車，縮短列車運(yùn)行間隔，降低車廂滿載率，達(dá)到快速疏散站臺(tái)乘客的目的，必要時(shí)還可以提前通知地鐵公安到達(dá)站臺(tái)維持秩序。相交換乘站綜控人員也可以根據(jù)對(duì)方請(qǐng)求，通知本線行車調(diào)度適時(shí)采取在站列車通過不停車等方式緩解對(duì)方換乘站客流壓力，行車調(diào)度接到請(qǐng)求后，可以提前通知乘務(wù)中心準(zhǔn)備好臨時(shí)客車司機(jī)及熱備車，以便快速補(bǔ)充線路運(yùn)力，電力調(diào)度可提前調(diào)配路網(wǎng)用電負(fù)荷，提前安排電力值班員進(jìn)駐牽引、降壓、混合變電所等關(guān)鍵部位進(jìn)行操作，保證運(yùn)營(yíng)線路各環(huán)節(jié)用電安全。