曹文超，干宏程

上海理工大學(xué) 超網(wǎng)絡(luò)研究中心，上海200093

隨著社會(huì)經(jīng)濟(jì)高速發(fā)展，地鐵作為城市公共交通重要組成，由于其高效、準(zhǔn)時(shí)、環(huán)保等特點(diǎn)吸引了大量的客流，而客流增加帶來(lái)社會(huì)經(jīng)濟(jì)效益的同時(shí)，也產(chǎn)生了一定的安全隱患，尤其是在地鐵車(chē)站內(nèi)。2012年，上海地鐵1號(hào)線和2號(hào)線由于設(shè)備故障，導(dǎo)致大量乘客滯留，進(jìn)而產(chǎn)生踩踏事故；2015年，深圳地鐵站發(fā)生連續(xù)踩踏事故，造成12人傷亡。因此，如何及時(shí)準(zhǔn)確獲取地鐵站內(nèi)客流量變化，建立完善的客流預(yù)警和應(yīng)對(duì)機(jī)制，成為提高車(chē)站的運(yùn)營(yíng)和管理水平的關(guān)鍵。

地鐵車(chē)站客流預(yù)警[1]：通過(guò)對(duì)地鐵車(chē)站客流狀態(tài)進(jìn)行判斷，采用定量定性相結(jié)合的方法，對(duì)車(chē)站客流量及相關(guān)參數(shù)進(jìn)行預(yù)測(cè)，根據(jù)預(yù)測(cè)結(jié)果對(duì)車(chē)站客流整體安全狀態(tài)進(jìn)行評(píng)估，進(jìn)而對(duì)外發(fā)布安全預(yù)警，以期對(duì)車(chē)站決策管理人員進(jìn)行提醒和警告，確定行車(chē)和客運(yùn)組織配套方案。地鐵車(chē)站客流預(yù)警模型依賴(lài)如何準(zhǔn)確有效獲取站內(nèi)客流數(shù)據(jù)，在客流獲取方面現(xiàn)有研究主要針對(duì)周期性客流[2-5]，缺乏對(duì)非周期性客流或突發(fā)性客流的關(guān)注。文獻(xiàn)[6]基于乘客出行軌跡，對(duì)斷面客流進(jìn)行了估算；文獻(xiàn)[7]基于客流的時(shí)空特性提出了一種基于SVM的地鐵短期斷面客流預(yù)測(cè)模型；文獻(xiàn)[8]通過(guò)利用多源數(shù)據(jù)構(gòu)建數(shù)據(jù)特征，采用長(zhǎng)短期記憶網(wǎng)絡(luò)實(shí)現(xiàn)地鐵進(jìn)站客流預(yù)測(cè)。

在地鐵車(chē)站客流預(yù)警方面，現(xiàn)有研究主要集中在對(duì)預(yù)警等級(jí)和系統(tǒng)機(jī)制的探索，缺少對(duì)實(shí)時(shí)客流預(yù)警模型的研究。文獻(xiàn)[9]運(yùn)用計(jì)算機(jī)仿真研究了城市軌道交通站臺(tái)客流滯留分級(jí)預(yù)警方法；文獻(xiàn)[10]通過(guò)擁堵實(shí)現(xiàn)對(duì)地鐵網(wǎng)絡(luò)脆弱性的評(píng)估；文獻(xiàn)[11]針對(duì)大客流和車(chē)站有限空間的矛盾，研究了城市軌道交通車(chē)站大客流預(yù)警及其疏解方法；文獻(xiàn)[12]結(jié)合限流閾值研究，利用小波神經(jīng)網(wǎng)絡(luò)構(gòu)建了地鐵站點(diǎn)限流預(yù)警模型。

雖然相關(guān)理論和模型研究較成熟，但是缺乏實(shí)際場(chǎng)景中的應(yīng)用。目前地鐵公司主要使用自動(dòng)售檢票系統(tǒng)（AFC）數(shù)據(jù)對(duì)客流進(jìn)行統(tǒng)計(jì)，AFC 數(shù)據(jù)存在滯后性，且無(wú)法獲得實(shí)時(shí)客流數(shù)據(jù)。其他如視頻、紅外和手機(jī)信令等目前還存在一定的技術(shù)瓶頸，且難以大范圍實(shí)現(xiàn)客流跟蹤。隨著智慧城市和地鐵信息化建設(shè)，地鐵網(wǎng)絡(luò)逐漸實(shí)現(xiàn)了無(wú)線WiFi 信號(hào)覆蓋，基于網(wǎng)絡(luò)和信息技術(shù)在地鐵客流方面研究和應(yīng)用也受到越來(lái)越多的關(guān)注，文獻(xiàn)[13]基于事件的產(chǎn)生，利用社交媒體數(shù)據(jù)實(shí)現(xiàn)了對(duì)紐約Mets-Willets Point 地鐵站實(shí)時(shí)客流預(yù)測(cè)；文獻(xiàn)[14]對(duì)WiFi嗅探數(shù)據(jù)的原始數(shù)據(jù)采集、數(shù)據(jù)質(zhì)量分析和分析方法進(jìn)行了詳細(xì)介紹；文獻(xiàn)[15]基于WiFi數(shù)據(jù)實(shí)現(xiàn)了對(duì)虹橋樞紐客流檢測(cè)系統(tǒng)的實(shí)現(xiàn)，同時(shí)在商業(yè)領(lǐng)域和公交WiFi客流監(jiān)測(cè)方面也有一定的研究[16-21]。然而現(xiàn)有的研究多是集中在客流監(jiān)測(cè)系統(tǒng)設(shè)計(jì)、數(shù)據(jù)處理和分析算法實(shí)現(xiàn)，或是研究室內(nèi)定位技術(shù)，缺少對(duì)地鐵車(chē)站等公共場(chǎng)所客流的研究和應(yīng)用，同時(shí)基于WiFi 客流數(shù)據(jù)預(yù)處理基礎(chǔ)上的擴(kuò)展應(yīng)用和研究尚有不足。

本文基于地鐵站內(nèi)WiFi 探針檢測(cè)到的客流數(shù)據(jù)，通過(guò)數(shù)據(jù)預(yù)處理、乘客流向鏈和客流特征的分析，建立了基于時(shí)間序列和線性回歸模型的短時(shí)客流預(yù)測(cè)模型。通過(guò)對(duì)車(chē)站承載能力的計(jì)算，建立了地鐵車(chē)站客流分級(jí)預(yù)警模型，并以上海地鐵江蘇路地鐵站為例對(duì)模型進(jìn)行了驗(yàn)證。

1 WiFi探針客流數(shù)據(jù)采集與處理

1.1 客流數(shù)據(jù)采集原理

WiFi 探針客流采集指基于IEEE802.11 協(xié)議集，WLAN（無(wú)線局域網(wǎng)）對(duì)信號(hào)范圍內(nèi)開(kāi)啟WiFi的無(wú)線設(shè)備信息采集的技術(shù)，其原理為：AP和無(wú)線設(shè)備會(huì)分別周期性的向周?chē)l(fā)射BEACON幀和PROBE幀，當(dāng)無(wú)線設(shè)備進(jìn)入探針探測(cè)范圍且WiFi 處于開(kāi)啟狀態(tài)，即可獲取該設(shè)備PROBE幀中包含的MAC地址等信息，具體如圖1所示。WiFi探針客流采集主要有以下幾個(gè)特點(diǎn)：乘客不需要安裝任何APP；設(shè)備只要打開(kāi)WiFi開(kāi)關(guān)，不論是否連接都能進(jìn)行采集；能夠?qū)崟r(shí)采集范圍內(nèi)移動(dòng)設(shè)備的MAC地址，并自帶時(shí)間戳；具有良好的系統(tǒng)兼容性。

圖1 WiFi探針客流采集原理

1.2 數(shù)據(jù)基本屬性和特征

采集數(shù)據(jù)以字符流的方式發(fā)送，由于探針的型號(hào)不同所獲取的客流數(shù)據(jù)格式和內(nèi)容也略有不同，以中科愛(ài)訊TZ003 型探針為例，其數(shù)據(jù)接收格式和內(nèi)容如表1所示。

表1 探針數(shù)據(jù)采集格式內(nèi)容

根據(jù)探針檢測(cè)到的設(shè)備數(shù)據(jù)格式內(nèi)容、時(shí)間戳和信號(hào)強(qiáng)度的變化，可以把檢測(cè)到的客流數(shù)據(jù)信息分類(lèi)并對(duì)應(yīng)地鐵站內(nèi)不同特征的客流類(lèi)型，分類(lèi)如表2所示。其中正?？土骷丛诘罔F站內(nèi)由于出行需求正常流動(dòng)的客流；把由于等人、意外事件等在地鐵站內(nèi)一定范圍內(nèi)短期逗留的客流分類(lèi)為停滯客流；為了進(jìn)一步提高客流檢測(cè)精度，把站內(nèi)一定時(shí)期反復(fù)出現(xiàn)在較為固定位置的檢測(cè)客流分類(lèi)為站內(nèi)工作人員。

表2 基于探針數(shù)據(jù)的站內(nèi)客流分類(lèi)

基于數(shù)據(jù)特征對(duì)客流的分類(lèi)，有效降低了其他數(shù)據(jù)的干擾，提高了客流數(shù)據(jù)的有效性，為數(shù)據(jù)預(yù)處理和車(chē)站客流預(yù)警提供保證。

1.3 數(shù)據(jù)處理

在實(shí)際應(yīng)用中檢測(cè)到的客流數(shù)據(jù)精度受到背景噪聲、軌跡不完整、未攜帶設(shè)備、蘋(píng)果設(shè)備隨機(jī)碼等問(wèn)題干擾，可能導(dǎo)致數(shù)據(jù)重復(fù)、缺失等問(wèn)題。為了滿(mǎn)足預(yù)測(cè)模型對(duì)數(shù)據(jù)有效性和準(zhǔn)確性的要求，需要對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理。數(shù)據(jù)處理算法方法如下：（1）首先針對(duì)固定設(shè)備產(chǎn)生的重復(fù)數(shù)據(jù)，選擇消除5 min 時(shí)間間隔內(nèi)同一探針檢測(cè)到的相同MAC 地址；（2）由于WiFi 探針的RSSI值會(huì)隨著無(wú)線設(shè)備到探針的距離的變化而變化，參考文獻(xiàn)[20]得信號(hào)強(qiáng)度與距離關(guān)系如表3 所示，根據(jù)有效距離實(shí)現(xiàn)探針網(wǎng)格化布局基礎(chǔ)上，提出RSSI 有效范圍外的數(shù)據(jù)；（3）為了解決站內(nèi)工作人員來(lái)回走動(dòng)產(chǎn)生的重復(fù)數(shù)據(jù)，通過(guò)設(shè)置5 min時(shí)間間隔循環(huán)結(jié)構(gòu)，當(dāng)臨近循環(huán)結(jié)構(gòu)出現(xiàn)相同MAC地址，則提出該MAC數(shù)據(jù)；（4）最后通過(guò)擴(kuò)樣系數(shù)對(duì)數(shù)據(jù)進(jìn)行平滑處理。

表3 信號(hào)強(qiáng)度隨距離的變化

為了滿(mǎn)足地鐵車(chē)站場(chǎng)景下的實(shí)際應(yīng)用需要提前設(shè)定有效信號(hào)強(qiáng)度閾值，最低RSSI 值的實(shí)現(xiàn)可以在獲得數(shù)據(jù)后手動(dòng)刪除，也可以在串口調(diào)試中輸入串口命令，如設(shè)置最低RSSI 值為?60，則輸入Serial Port.Write（“AT+RSSI+-60” ）即可。

2 客流預(yù)警模型

2.1 短時(shí)客流預(yù)測(cè)模型

考慮到時(shí)間序列模型在處理歷史數(shù)據(jù)時(shí)良好適應(yīng)性，以及地鐵客流的明顯歷史規(guī)律性，為了實(shí)現(xiàn)在WiFi探針客流數(shù)據(jù)預(yù)處理基礎(chǔ)上對(duì)地鐵站內(nèi)客流短時(shí)預(yù)測(cè)，文中使用了時(shí)間序列模型（TS）對(duì)客流進(jìn)行了短時(shí)預(yù)測(cè)，并和線性回（LR）模型進(jìn)行了預(yù)測(cè)精度對(duì)比。

在SPSS 時(shí)間序列預(yù)測(cè)建模器中的方法包括自回歸移動(dòng)加權(quán)平均（ARIMA）和指數(shù)平滑法。ARIMA（Autoregressive Integrated Moving Average model）模型指將非平穩(wěn)時(shí)間序列轉(zhuǎn)換為平穩(wěn)時(shí)間序列，將因變量?jī)H對(duì)其之后的值及隨機(jī)誤差項(xiàng)的現(xiàn)值和滯后值進(jìn)行回歸所建立的模型。將自回歸模型AR、移動(dòng)平均模型MA 和差分法結(jié)合就可以得到查分自回歸移動(dòng)平均模型ARIMA(b,d,p)，其中p代表預(yù)測(cè)模型中采用的時(shí)序數(shù)據(jù)本身的滯后數(shù)（lags），也叫AR（Auto-Regressive）項(xiàng)；d代表時(shí)序數(shù)據(jù)需要差分的階數(shù)，即Integrated 項(xiàng)，一般只需對(duì)時(shí)間序列進(jìn)行一階差分就可以實(shí)現(xiàn)序列平穩(wěn)性；q代表預(yù)測(cè)模型中采用的預(yù)測(cè)誤差的滯后數(shù)（lags），也叫做MA（Moving Average）項(xiàng)。建立ARIMA模型一般包括三個(gè)階段，即模型識(shí)別和定階、參數(shù)估計(jì)和模型檢驗(yàn)。指數(shù)平滑法是一種特殊的加權(quán)移動(dòng)平均，對(duì)于觀測(cè)值所賦予的權(quán)數(shù)具有伸縮性，可以取不同的平滑常數(shù)a改變權(quán)數(shù)的變化速率，故加強(qiáng)了觀測(cè)期近期對(duì)預(yù)測(cè)值的作用。

線性回歸（Linear Regression）是一種通過(guò)屬性的線性組合來(lái)進(jìn)行預(yù)測(cè)的線性模型，其目的是找到一條直線或者一個(gè)平面或者更高維的超平面，使得預(yù)測(cè)值與真實(shí)值之間的誤差最小化。

2.2 地鐵車(chē)站承載能力

地鐵車(chē)站客流預(yù)警的實(shí)現(xiàn)需要在車(chē)站內(nèi)客流承載能力的基礎(chǔ)上實(shí)現(xiàn)，對(duì)于地鐵車(chē)站承載能力的定義，國(guó)內(nèi)外還沒(méi)有統(tǒng)一的規(guī)范，美國(guó)交通研究委員會(huì)（TRB）定義是：正常情況下占用或通過(guò)某設(shè)施設(shè)備最大行人數(shù)的最小值作為地鐵車(chē)站能力；我國(guó)則采用車(chē)站設(shè)施設(shè)備最大通過(guò)能力為依據(jù)，即運(yùn)營(yíng)階段，節(jié)點(diǎn)客流達(dá)到6 人/m2時(shí)采取限流措施。董瀚萱[22]提出了計(jì)算車(chē)站承載能力的兩種方法：數(shù)學(xué)解析法和仿真法。本文研究的車(chē)站承載能力建立在站內(nèi)客流流向鏈的基礎(chǔ)上的設(shè)施設(shè)備最大通過(guò)能力，乘客在地鐵站內(nèi)的流向行為主要分三種：進(jìn)站、出站和換乘，具體如表4所示。

表4 地鐵站內(nèi)乘客流向鏈

流向鏈的客流統(tǒng)計(jì)依賴(lài)于對(duì)探針數(shù)據(jù)一系列乘客行為判別、拆分、軌跡還原和統(tǒng)計(jì)?；诹飨蜴溕细鱾€(gè)節(jié)點(diǎn)布設(shè)的WiFi 探針得到的短時(shí)客流數(shù)據(jù)，以車(chē)站設(shè)施設(shè)備最大通行能力作為相應(yīng)的承載能力瓶頸，通過(guò)對(duì)站內(nèi)不同節(jié)點(diǎn)的分析，得到不同位置的客流情況，并可通過(guò)對(duì)不同節(jié)點(diǎn)的關(guān)聯(lián)，形成地鐵車(chē)站設(shè)備的關(guān)聯(lián)網(wǎng)絡(luò)，實(shí)現(xiàn)車(chē)站整體客流分析[23]。參考《地鐵設(shè)計(jì)規(guī)范》，地鐵車(chē)站部分設(shè)施設(shè)備最大通過(guò)能力如表5所示。

表5 車(chē)站部分設(shè)施設(shè)備最大通過(guò)能力

站臺(tái)承載能力：

其中，Splatform為站臺(tái)承載能力；s為站臺(tái)可利用面積（單位：m2），ρ為客流密度（單位：人/m2）。

2.3 客流預(yù)警指標(biāo)和等級(jí)劃分

客流預(yù)警指標(biāo)的選取要求滿(mǎn)足以下幾個(gè)標(biāo)準(zhǔn)：科學(xué)性、可度量性、全面性、有效性?，F(xiàn)有研究對(duì)于預(yù)警指標(biāo)的選取主要依據(jù)相關(guān)設(shè)計(jì)規(guī)范將站內(nèi)客流密度、走行速度、人均面積和人均間距等作為量化指標(biāo)，或?qū)Υ罅靠赡艿闹笜?biāo)通過(guò)降維、聚類(lèi)選取關(guān)聯(lián)度高的量值作為預(yù)警指標(biāo)。文獻(xiàn)[24]利用粗糙集理論對(duì)20 個(gè)客流風(fēng)險(xiǎn)預(yù)警指標(biāo)進(jìn)行約簡(jiǎn)，從中提取核心預(yù)警指標(biāo)，并通過(guò)專(zhuān)家打分法對(duì)風(fēng)險(xiǎn)預(yù)警指標(biāo)進(jìn)行了相關(guān)性分析。本文考慮模型獲取數(shù)據(jù)特征，針對(duì)車(chē)站內(nèi)站臺(tái)、站廳和樓扶梯（通道），通過(guò)每個(gè)探針有效檢測(cè)范圍內(nèi)實(shí)時(shí)客流量和該范圍客流承載能力之比作為主要預(yù)警指標(biāo)η，并輔以檢測(cè)與短時(shí)預(yù)測(cè)客流量，將預(yù)警等級(jí)劃分為四級(jí)[25]，其中一級(jí)預(yù)警等級(jí)最高，四級(jí)最低，如表6所示。

表6 地鐵車(chē)站客流預(yù)警等級(jí)劃分

其中，為車(chē)站實(shí)時(shí)客流密度，q為探針探測(cè)實(shí)時(shí)客流量，c為車(chē)站承載能力。

3 案例分析

3.1 案例與參數(shù)設(shè)定

客流預(yù)測(cè)不僅對(duì)于公共換乘系統(tǒng)的規(guī)劃、運(yùn)營(yíng)和管理十分重要，對(duì)于換乘網(wǎng)絡(luò)的設(shè)計(jì)，線路規(guī)劃和車(chē)站擁擠管理也十分重要[26-27]。本文以上海地鐵江蘇路站換乘通道為例進(jìn)行實(shí)驗(yàn)驗(yàn)證，該通道寬14.4 m，總長(zhǎng)約60 m，因此最小有效信號(hào)強(qiáng)度值定為?60，測(cè)試時(shí)間為2019年1 月17 日下午15：00 到下午18：00，有效實(shí)驗(yàn)時(shí)間為15：00—17：16。選取中科愛(ài)訊某型號(hào)WiFi 探針，在江蘇路站2號(hào)線和11號(hào)線換乘通道共布設(shè)A、B、C、D共4個(gè)WiFi 探針，實(shí)際有效探針為B、C 和D。探針布設(shè)方案如圖2所示。

圖2 探針布設(shè)方案

3.2 結(jié)果與分析

A、B、C、D這4個(gè)探針總共收集到原始數(shù)據(jù)229 192條，以1 min為時(shí)間間隔，對(duì)B、C、D這3個(gè)位置16：00—17：16的原始數(shù)據(jù)進(jìn)行預(yù)處理，結(jié)果如圖3所示。

圖3 原始客流數(shù)據(jù)與預(yù)處理后客流數(shù)據(jù)的比較

為了解數(shù)據(jù)預(yù)處理前后的相關(guān)性，計(jì)算變量之間的spearman相關(guān)系數(shù)，結(jié)果如表7所示。從圖3中，看出客流數(shù)據(jù)在預(yù)處理前后數(shù)據(jù)大量減少，但整體變化趨勢(shì)一致，且B、C、D位置的前后數(shù)據(jù)保持在同一區(qū)間變化，恰好對(duì)應(yīng)實(shí)際空間位置關(guān)系，也說(shuō)明了數(shù)據(jù)預(yù)處理的必要性。從表7中看出，B、C、D處理前后數(shù)據(jù)相關(guān)性分別為0.838、0.697和0.896，相關(guān)性顯著，說(shuō)明數(shù)據(jù)預(yù)處理結(jié)果較為理想。

表7 原始數(shù)據(jù)與處理數(shù)據(jù)spearman相關(guān)性分析

接著對(duì)B、C、D從16：00到17：16的77個(gè)數(shù)據(jù)，分別進(jìn)行時(shí)間序列預(yù)測(cè)和線性回歸預(yù)測(cè)，其中70%作為訓(xùn)練集，30%作為測(cè)試集，使用SPSS把16：00—16：54的數(shù)據(jù)進(jìn)行訓(xùn)練，預(yù)測(cè)16：55—17：16的測(cè)試數(shù)據(jù)，其中B、C使用自回歸移動(dòng)平均（ARIMA）模型，D 使用指數(shù)平滑（Exponential Smoothing）模型，結(jié)果如圖4所示。

圖4 B、C、D時(shí)間序列法模型預(yù)測(cè)結(jié)果

同時(shí)使用線性回歸模型（LR）對(duì)B、C、D位置的客流進(jìn)行預(yù)測(cè)，并以平均絕對(duì)百分比誤差MAPE和均方誤差MSE 為評(píng)價(jià)指標(biāo)，分別對(duì)時(shí)間序列模型和回歸模型的預(yù)測(cè)結(jié)果進(jìn)行評(píng)估，結(jié)果如圖5所示。

圖5 模型誤差性能比較

可知時(shí)間序列預(yù)測(cè)和線性回歸方法總體誤差水平接近，D 位置時(shí)間序列的MAPE 比線性回歸大，說(shuō)明時(shí)間序列法預(yù)測(cè)效果不如線性回歸模型，這可能由于D處受通道外干擾影響較大。而MSE時(shí)間序列模型的預(yù)測(cè)效果要略?xún)?yōu)于線性回歸模型。

設(shè)置WiFi 探針在通道內(nèi)的信號(hào)有效范圍為7.5 m，則覆蓋面積為176.7 m2，使用某16：55—17：16 的B、C、D 位置實(shí)際客流和基于時(shí)間序列的短時(shí)預(yù)測(cè)模型得到的預(yù)測(cè)客流分別進(jìn)行該地鐵站換乘通道客流預(yù)警，以分鐘為單位，兩者的預(yù)警指標(biāo)值和對(duì)應(yīng)預(yù)警等級(jí)結(jié)果如圖6所示。

圖6 客流預(yù)警

對(duì)圖中22 個(gè)時(shí)間點(diǎn)的客流預(yù)警結(jié)果分析，首先從總體趨勢(shì)看，B、C、D這3個(gè)位置客流預(yù)警指標(biāo)值的整體波動(dòng)性均小于實(shí)際客流的預(yù)警指標(biāo)波動(dòng)性，預(yù)警指標(biāo)波動(dòng)性趨勢(shì)差異可能是由于樣本數(shù)據(jù)較少而產(chǎn)生的預(yù)測(cè)誤差。兩者波動(dòng)趨勢(shì)雖然存在差異，但指標(biāo)值大部分都集中在一級(jí)和二級(jí)預(yù)警等級(jí)，屬于無(wú)風(fēng)險(xiǎn)或低風(fēng)險(xiǎn)范圍，中高風(fēng)險(xiǎn)等級(jí)占比較低，所以由于預(yù)測(cè)誤差產(chǎn)生風(fēng)險(xiǎn)事故誤判的概率一定程度降低。在表8 中給出了B、C、D 這3 個(gè)位置的實(shí)際和預(yù)測(cè)客流預(yù)警等級(jí)統(tǒng)計(jì)。在實(shí)現(xiàn)短時(shí)客流預(yù)警的基礎(chǔ)上，可以參考現(xiàn)有地鐵大客流預(yù)案對(duì)不同預(yù)警等級(jí)提供應(yīng)對(duì)措施，降低客流事故風(fēng)險(xiǎn)，提高地鐵車(chē)站安全性。

表8 B、C、D實(shí)際與預(yù)測(cè)客流預(yù)警等級(jí)統(tǒng)計(jì)

4 結(jié)束語(yǔ)

隨著互聯(lián)網(wǎng)信息技術(shù)的發(fā)展和地鐵信息化建設(shè)，如何將信息技術(shù)與地鐵需求相結(jié)合，服務(wù)地鐵運(yùn)營(yíng)管理，是目前一個(gè)熱點(diǎn)研究方向。本文首先介紹了WiFi探針客流檢測(cè)技術(shù)原理，基于數(shù)據(jù)的基本屬性和客流特征分類(lèi)以及探針有效信號(hào)強(qiáng)度等，實(shí)現(xiàn)對(duì)探針原始客流數(shù)據(jù)的預(yù)處理，構(gòu)建了基于時(shí)間序列的短時(shí)客流預(yù)測(cè)模型。然后考慮乘客站內(nèi)流向鏈和地鐵設(shè)計(jì)規(guī)范，實(shí)現(xiàn)對(duì)車(chē)站客流承載能力計(jì)算，進(jìn)一步建立客流預(yù)警指標(biāo)η和分級(jí)預(yù)警模型。最后以上海地鐵2 號(hào)線和11 號(hào)線江蘇路站換乘通道為例進(jìn)行驗(yàn)證，結(jié)果表明：基于WiFi數(shù)據(jù)的短時(shí)客流預(yù)警模型可以一定程度為地鐵車(chē)站客流預(yù)警提供有效參考，在客流預(yù)測(cè)精度方面，可以進(jìn)一步探索更加準(zhǔn)確的模型方法，在預(yù)警準(zhǔn)確度上，可以研究建立更加完善的預(yù)警指標(biāo)體系。