曾 誠，吳佳媛，羅 霞

（西南交通大學(xué) 交通運(yùn)輸與物流學(xué)院，四川 成都 611756)

0 引言

隨著城市軌道交通網(wǎng)絡(luò)的健全，客流強(qiáng)度逐漸攀升，掌握未來短期內(nèi)客流動態(tài)變化趨勢尤為重要。一方面能給出行者提供實時有效的信息，有利于交通方式與路徑的選擇，實現(xiàn)客流誘導(dǎo)；另一方面有助于指導(dǎo)運(yùn)營單位及時調(diào)整運(yùn)輸方案，精準(zhǔn)匹配運(yùn)能，做好大客流預(yù)警應(yīng)急工作，提高出行體驗與安全性。

城市軌道交通短時客流預(yù)測相關(guān)研究從2010年起步[1-2]，10年內(nèi)國內(nèi)外相關(guān)文獻(xiàn)100余篇，且超過60%為近3年發(fā)表，呈現(xiàn)出爆炸式增長的趨勢。

考慮到城市軌道交通短時客流預(yù)測的研究對象、指標(biāo)選取、模型算法及預(yù)測效果的多樣性，一直以來沒有經(jīng)過較為系統(tǒng)的梳理與總結(jié)，導(dǎo)致許多概念不明晰，研究方法缺乏橫向比較，不利于新進(jìn)學(xué)者的研究和該領(lǐng)域的發(fā)展。因此，研究針對城市軌道交通短時客流，從研究對象分類、影響因素、組合預(yù)測模型等角度展開文獻(xiàn)綜述研究。

1 相關(guān)概念界定

1.1 城市軌道交通

城市軌道交通是以電能為動力、采取輪軌運(yùn)轉(zhuǎn)方式的快速大運(yùn)量公共交通的總稱，包括地鐵、輕軌、有軌電車、跨座式單軌、磁浮列車和城際列車等。

2019年我國城市軌道交通全年累計完成客運(yùn)量約237.1億人次，相比2018年增長26.4億人次[3]。截至2020年末，我國大陸地區(qū)擁有地鐵城市45座，城市軌道交通運(yùn)營線路244條，線路總長7 969.7 km。2020年全國重點(diǎn)城市城市軌道交通數(shù)據(jù)如表1所示。

表1 2020年全國重點(diǎn)城市城市軌道交通數(shù)據(jù)Tab.1 Urban rail transit data of key cities in China in 2020

1.2 城市軌道交通短時客流預(yù)測

城市軌道交通短時客流預(yù)測即未來5 ～ 15 min的客流量預(yù)測，多以歷史AFC數(shù)據(jù)為基礎(chǔ)，以地鐵為研究對象。

短時客流也常被稱為“實時客流”[4-6]，兩者雖然都沒有明確的定義，但前者一般指粒度為5 ～ 15 min的客流，后者專指粒度為5 min的客流。研究認(rèn)為“短時客流”相比“實時客流”表述更為準(zhǔn)確，建議采用前者。考慮到AFC數(shù)據(jù)的采集、傳輸和預(yù)測模型運(yùn)算過程，想要真正達(dá)到“實時”，預(yù)測粒度的提升空間與必要性都很小?！皩崟r客流”與“短時客流”文獻(xiàn)比較如圖1所示。

圖1 “實時客流”與“短時客流”文獻(xiàn)比較Fig.1 Comparison between papers on “real-time” and “short-term”passenger flow

2 城市軌道交通短時客流預(yù)測分類

從客流屬性分析，城市軌道交通短時客流預(yù)測可以分為4類，包括短時進(jìn)站客流預(yù)測、短時出站客流預(yù)測、短時OD客流預(yù)測和短時客流分布預(yù)測。短時換乘客流、站內(nèi)客流、斷面客流等都可以歸納為短時客流分布研究的范疇。城市軌道交通短時客流預(yù)測分類如圖2所示。

圖2 城市軌道交通短時客流預(yù)測分類Fig.2 Classification of short-term passenger flow forecast of urban rail transit

城市軌道交通可以看作一個部分信息確定、部分信息不確定的灰色系統(tǒng)，城市軌道交通灰色系統(tǒng)示意圖如圖3所示。該系統(tǒng)具備確定的網(wǎng)絡(luò)節(jié)點(diǎn)與路徑，但未來的輸入和輸出未知，客流在網(wǎng)絡(luò)上的路徑未知。

圖3 城市軌道交通灰色系統(tǒng)示意圖Fig.3 Diagram of urban rail transit as a gray system

（1）短時進(jìn)站客流預(yù)測。進(jìn)站客流應(yīng)交通需求而生，短時進(jìn)站客流預(yù)測的目的在于掌握乘客數(shù)量的變化情況，協(xié)助運(yùn)營部門制定調(diào)度方案、優(yōu)化車輛發(fā)車間隔、保持運(yùn)輸供需平衡。短時出站客流、OD客流、客流分布的預(yù)測效果也很大程度上依賴于進(jìn)站客流的預(yù)測精度。短時進(jìn)站客流的特點(diǎn)是易受外界干擾、波動性大、時空特征明顯、難預(yù)測、應(yīng)用價值高，受到軌道交通運(yùn)營部門的廣泛關(guān)注，因而其研究頻率也最高。

（2）短時出站客流預(yù)測。出站客流是城市軌道交通對外輸出的人流量，其特征是波動性大，未來到站乘客人數(shù)難預(yù)測，具體數(shù)值取決于全網(wǎng)進(jìn)站人數(shù)、OD分布、列車到站時刻等。出站客流未得到地鐵等運(yùn)營部門的重視，但從更高層面來看，短時出站客流預(yù)測具有以下重要意義。①有助于在突發(fā)大客流的情況下做好客流預(yù)警、客流控制和應(yīng)急疏散等舉措，特別是在大型活動舉辦期間。該研究也能提高城市軌道交通常態(tài)化管理下的安全保障力度。②有助于合理調(diào)度周圍其他交通方式與交通設(shè)施，提高交通接駁效率。③有利于深入分析該車站的客流來源，研究客流的OD結(jié)構(gòu)。

（3）短時OD客流預(yù)測。城市軌道交通網(wǎng)絡(luò)中存在許多由2個車站構(gòu)成的OD對，短時OD客流即為2個特定站點(diǎn)之間的單向客流，其研究意義在于：①是城市軌道交通系統(tǒng)線網(wǎng)客流動態(tài)分配的基礎(chǔ)；②是城市軌道交通系統(tǒng)動態(tài)運(yùn)輸組織策略制定的重要依據(jù)；③為乘客出行提供實時的參考信息；④是客流管控的數(shù)據(jù)基礎(chǔ)。短時OD客流一定層面上反映的是D點(diǎn)周圍興趣點(diǎn)(Point of Interest，POI)的吸引度變化，特別是在軌道交通站點(diǎn)的商業(yè)性質(zhì)、住宅性質(zhì)、娛樂性質(zhì)較為明顯時。短時OD客流的預(yù)測思路有2種：一是基于歷史OD量進(jìn)行預(yù)測，這種方法采用的模型與短時進(jìn)站客流預(yù)測無異；二是考慮進(jìn)站客流量的大小和客流分配比例，這種方法需要以短時進(jìn)站客流預(yù)測為基礎(chǔ)，容易因為誤差的傳遞導(dǎo)致預(yù)測精度不佳。

（4）短時客流分布預(yù)測。如圖3中黑色部分所示，由于換乘站的存在，OD對之間可能存在多條路徑。短時客流分布的預(yù)測可以分為2步。①在短時OD客流預(yù)測的基礎(chǔ)上，將OD客流量分配到不同路徑上。分配比例的確定通常采用優(yōu)化后的Logit模型，這一步稱為“客流分配”或“路徑分配”，其研究結(jié)果對于城市軌道交通清分系統(tǒng)設(shè)計也具有重要意義(清分是指根據(jù)客流量將運(yùn)營收益合理分配給各條線路)。②精細(xì)化客流分配，進(jìn)一步將客流分配到車站、站臺與列車上。這項研究難度較大，目前還處于起步階段。其難點(diǎn)在于對乘客“行為模式”的學(xué)習(xí)：一是由于客觀擁擠程度和主觀習(xí)慣的不同引起的步行時間不同；二是由于面臨擁擠車輛的上車選擇不同，乘客存在一定的滯留概率。短時客流分布預(yù)測屬于城市軌道交通的前沿課題，但也有一些學(xué)者取得了研究成果，如徐瑞華、胡志賽、周瑋騰等[5-7]。

3 短時客流預(yù)測影響因素

研究將影響因素分為“縱向因素”和“橫向因素”2類：縱向因素是從時間序列的角度來看，軌道交通短時客流預(yù)測會受自身歷史值的影響；橫向因素是從回歸分析的角度來看，信令數(shù)據(jù)和天氣等外部因素會影響未來客流的變化。

3.1 客流歷史數(shù)據(jù)

由于客流歷史數(shù)據(jù)能反映未來客流趨勢，時間序列模型被廣泛應(yīng)用于客流預(yù)測。嚴(yán)格來講，“客流歷史數(shù)據(jù)”又分為2類：一是預(yù)測點(diǎn)前若干時段的客流數(shù)據(jù)；二是以往同一時間段的客流數(shù)據(jù)。由于城市軌道交通短時客流的隨機(jī)性高、波動大，因而一般采用第1種“客流歷史數(shù)據(jù)”作為影響因素。而歷史數(shù)據(jù)對未來數(shù)據(jù)的影響也并非完全穩(wěn)定，其相關(guān)性強(qiáng)弱受到時間粒度和客流強(qiáng)度的影響。通常情況下，時間粒度越小、客流強(qiáng)度越大、客流越平穩(wěn)，則短時客流與前一段時間客流的正相關(guān)性越強(qiáng)。李若怡[8]在研究短時OD客流預(yù)測的過程中，對OD客流量與預(yù)測點(diǎn)前若干時段客流量的Pearson相關(guān)系數(shù)進(jìn)行計算，當(dāng)前OD量與歷史OD量的Pearson相關(guān)系數(shù)如表2所示。

表2 當(dāng)前OD量與歷史OD量的Pearson相關(guān)系數(shù)Tab.2 Pearson correlation coefficient between current and historical OD passenger flow

研究對“前5 min客流量”的Pearson相關(guān)性進(jìn)行補(bǔ)充，發(fā)現(xiàn)不同OD對所計算出的相關(guān)系數(shù)在0.48至0.75之間，而進(jìn)站客流預(yù)測與歷史數(shù)據(jù)的相關(guān)性分析如圖4所示。

圖4 進(jìn)站客流預(yù)測與歷史數(shù)據(jù)的相關(guān)性分析Fig.4 Correlation analysis of inbound passenger flow and historical data

綜上所述，歷史數(shù)據(jù)對城市軌道交通客流預(yù)測有顯著影響。這種效應(yīng)在短時客流預(yù)測中更加明顯(時間粒度為5 min或15 min)，并且客流越是保持高強(qiáng)度輸入，預(yù)測客流與歷史客流的相關(guān)性越強(qiáng)，如春熙路站和天府廣場站等。

3.2 手機(jī)信令數(shù)據(jù)與定位數(shù)據(jù)

手機(jī)信令數(shù)據(jù)或定位數(shù)據(jù)可以反映站點(diǎn)周圍的人口流動情況，進(jìn)而研判出進(jìn)站客流的變化或站點(diǎn)的吸引度。目前手機(jī)數(shù)據(jù)在短時客流預(yù)測領(lǐng)域的應(yīng)用較少，現(xiàn)有研究成果總結(jié)如下。

倪嘉琦[9]利用AFC數(shù)據(jù)和電信用戶信令數(shù)據(jù)設(shè)計實現(xiàn)了一套短時客流預(yù)測系統(tǒng)，但沒有介紹信令數(shù)據(jù)的應(yīng)用過程。隨著信令數(shù)據(jù)的初步開放，對信令數(shù)據(jù)的理解、處理與應(yīng)用成為前沿問題。胡永愷[10]將信令數(shù)據(jù)應(yīng)用于乘客出行行為研究，詳細(xì)闡述信令數(shù)據(jù)的產(chǎn)生機(jī)理與處理步驟，最終計算出短時進(jìn)出站客流、換乘客流和斷面客流，驗證了信令數(shù)據(jù)在客流預(yù)警和客流誘導(dǎo)中的輔助決策作用，受到廣泛參考與引用，同時該研究也是目前少有的不考慮AFC數(shù)據(jù)的短時客流預(yù)測研究。此外，李若怡[8]、丁敬安[11]等分別將信令數(shù)據(jù)用于城市軌道交通短時OD客流預(yù)測和路徑分配研究，但效果都不十分理想。

信令數(shù)據(jù)應(yīng)用研究不足，基于定位數(shù)據(jù)的客流預(yù)測更是零基礎(chǔ)，究其原因如下。①作為運(yùn)營商的寶貴數(shù)據(jù)資源，手機(jī)信令數(shù)據(jù)或定位數(shù)據(jù)一般需要通過機(jī)構(gòu)購買獲得。通過爬蟲獲取的定位數(shù)據(jù)受到時空和精度的限制，也無法應(yīng)用于短時客流預(yù)測。②手機(jī)信令數(shù)據(jù)或定位數(shù)據(jù)均處于“被瓜分”格局，前者由電信、移動、聯(lián)通3大運(yùn)營商所有，后者由騰訊科技有限公司、高德軟件公司、百度在線網(wǎng)絡(luò)技術(shù)有限公司持有，因而幾乎不可能獲得所有用戶的數(shù)據(jù)。③即便運(yùn)營商愿意提供部分?jǐn)?shù)據(jù)，也不能滿足短時客流預(yù)測的時效性要求。

3.3 天氣數(shù)據(jù)

多指標(biāo)、高采樣率的天氣數(shù)據(jù)可以通過爬蟲或申請獲取，因而一些學(xué)者將天氣作為影響因素進(jìn)行短時客流預(yù)測研究[12-13]。但是，天氣對客流的影響并不穩(wěn)定：極端惡劣天氣對地鐵客流的影響較大，如雨雪天氣、霧霾天氣、極寒極熱天氣等，而其他天氣狀況對乘客出行或交通方式的影響幾乎可以忽略不計。其次，天氣突變需對短時客流影響較大，否則很難引起客流明顯波動，且天氣對于不同出行目的的城市軌道交通乘客影響效果也不同，如通勤旅客對天氣不敏感，旅游性質(zhì)的乘客對天氣較為敏感，因而周末和節(jié)假日的天氣數(shù)據(jù)參考性更強(qiáng)。

研究建議在天氣變量前引入一個0-1變量kt

式中：t表示時刻。

3.4 大型活動

以文藝活動、商業(yè)演出、體育賽事、展覽展銷為代表的短時性大型活動，無疑會對城市軌道交通短時客流產(chǎn)生顯著影響。但目前沒有將大型活動作為影響因素的短時客流預(yù)測研究，原因在于面對大型活動產(chǎn)生的突發(fā)大客流，人工獲取活動信息(時間與規(guī)模)并制定應(yīng)對方案是目前最可行有效的手段。

學(xué)者們更加傾向于將大型活動作為研究場景來預(yù)測短時進(jìn)出站客流[14-16]或制定運(yùn)輸組織方案[17-18]。

4 短時客流組合預(yù)測模型

從預(yù)測模型的分類來看，城市軌道交通短時客流預(yù)測分為以時間序列為主的線性模型和以神經(jīng)網(wǎng)絡(luò)為主的非線性模型，而目前廣泛采用的是“組合預(yù)測”的建模理念。組合預(yù)測模型由Bates和Granger在1969年提出[19]，其將不同模型的預(yù)測結(jié)果進(jìn)行組合，產(chǎn)生殘差互補(bǔ)效果以提高預(yù)測精度。其中，最常用的組合方式是求平均值，常見模型有ARIMA-BP模型等，研究將其稱為“傳統(tǒng)”組合預(yù)測模型。傳統(tǒng)組合預(yù)測模型在道路交通流的短時預(yù)測中應(yīng)用較多，誤差水平在5%左右[20-21]。傳統(tǒng)組合預(yù)測模型的殘差互補(bǔ)效應(yīng)難以在理論上給予證明，導(dǎo)致最佳組合權(quán)重沒有確定依據(jù)，進(jìn)而使得“廣義”組合預(yù)測模型逐漸得到運(yùn)用。研究將廣義組合預(yù)測模型分為3類，分別為模型優(yōu)化類、分解重組類、誤差修正類。組合預(yù)測模型的分類如圖5所示。

圖5 組合預(yù)測模型的分類Fig.5 Classification of combined forecast models

（1）模型優(yōu)化類：通過模型A對模型B的參數(shù)、結(jié)構(gòu)進(jìn)行優(yōu)化設(shè)計。這一類的組合模型應(yīng)用最為廣泛，其中模型A一般為啟發(fā)式優(yōu)化算法，模型B為神經(jīng)網(wǎng)絡(luò)類預(yù)測模型。常見組合有PSOBP模 型、GA-BP模 型、PSOWNN模型等。采用這種組合形式的初衷一般是經(jīng)典神經(jīng)網(wǎng)絡(luò)預(yù)測模型存在一些缺陷，如在求解過程中遇到求解時間過長、學(xué)習(xí)能力不足、易陷入局部最優(yōu)等問題時。此類模型的優(yōu)點(diǎn)在于自適應(yīng)能力較強(qiáng)，往往是根據(jù)樣本特征生成合適的初始解或初始參數(shù)，讓機(jī)器學(xué)習(xí)過程中的迭代次數(shù)更少、尋優(yōu)能力更佳。此外，優(yōu)化算法也可以替代梯度下降算法作為模型A的新優(yōu)化器。

（2）分解重組類：通過模型A對序列進(jìn)行分解，再通過模型B對各分量分別預(yù)測，最后重構(gòu)形成預(yù)測結(jié)果。該類模型主要基于經(jīng)驗?zāi)B(tài)分解理論，模型很好地提升了小波分析和時間序列分解 (Seasonal and Trend decomposition using Loess，STL)的分解性能與實用性。機(jī)器學(xué)習(xí)算法可以通過依次預(yù)測各分量的方法，增強(qiáng)模型對時間序列的理解能力和預(yù)測精度。序列分解模型演進(jìn)過程如圖6所示。

圖6 序列分解模型演進(jìn)過程Fig.6 Evolution process of the sequence decomposition model

（3）誤差修正類：利用模型A初步預(yù)測，通過模型B對殘差進(jìn)行預(yù)測并校正。該類模型比較小眾，其不直接預(yù)測研究對象的取值，而是學(xué)習(xí)預(yù)測誤差產(chǎn)生的模式。模型A一般為時間序列模型，且模型B常采用極限學(xué)習(xí)機(jī)算法(Extreme Learning Machine，ELM)。

誤差修正類模型很難確定誤差大小的影響因素，因而僅有少數(shù)模型的誤差具備較強(qiáng)的可預(yù)測性，不建議采用。無論是非線性模型還是組合預(yù)測模型，都涉及機(jī)器學(xué)習(xí)領(lǐng)域，其中以神經(jīng)網(wǎng)絡(luò)類的模型居多。城市軌道交通短時客流預(yù)測模型總結(jié)如表3所示。

表3 城市軌道交通短時客流預(yù)測模型總結(jié)Tab.3 Summary of the short-term passenger flow forecast model for urban rail transit

5 研究展望

（1）短時客流預(yù)測的模型應(yīng)緊跟機(jī)器學(xué)習(xí)研究進(jìn)展，尤其是近2年來得到廣泛關(guān)注與應(yīng)用的注意力機(jī)制，具體算法如深度殘差收縮網(wǎng)絡(luò)[32]、Transformer[33]、基于注意力機(jī)制的LSTM改進(jìn)模型[34]等。而目前最常用的傳統(tǒng)LSTM網(wǎng)絡(luò)模型實則存在一定缺陷或局限性[35]。

（2）軌道交通短時客流預(yù)測的平均絕對百分比誤差(MAPE)一般在10%～35%之間，變化幅度較大的原因是研究對象不同，未來希望有權(quán)威機(jī)構(gòu)能夠公開并統(tǒng)一數(shù)據(jù)集，在同一數(shù)據(jù)環(huán)境下更利于模型的比較與提升。

（3）以往研究的對象多為進(jìn)站客流，針對短時OD客流、換乘客流和出站客流的較少。此外，短時客流預(yù)測如何輔助決策也有待深入探討，如運(yùn)輸方案動態(tài)調(diào)整、交通資源調(diào)度、大客流預(yù)警、客流控制與誘導(dǎo)等。

（4）無論是手機(jī)數(shù)據(jù)、天氣數(shù)據(jù)，還是大型活動，都是圍繞著地鐵周圍環(huán)境選取特征，未來短時客流預(yù)測可以借鑒“態(tài)勢感知”理論，建立地鐵站周圍環(huán)境態(tài)勢的評價體系，綜合考量其影響效應(yīng)。例如，考慮軌道交通站點(diǎn)周圍私家車、公交車、網(wǎng)約車、共享單車的運(yùn)轉(zhuǎn)情況等，并作為特征進(jìn)行機(jī)器學(xué)習(xí)。

（5）AFC數(shù)據(jù)是短時客流預(yù)測的核心基礎(chǔ)，但以往只利用了其中的時間和站點(diǎn)信息，缺乏對持卡類型的利用。以火車站附近地鐵為例，單程票和一卡通的持票比例很大程度上能反映外地乘客與本地乘客的占比，可以更好地反映該站的OD結(jié)構(gòu)。

隨著智能交通技術(shù)的發(fā)展，精確的短時客流預(yù)測能力不僅能提升城市軌道交通的安全系數(shù)與智能化管理水平，同時可以改善乘客的旅行體驗和運(yùn)輸效率。研究通過對城市軌道交通短時客流預(yù)測研究的綜述，明確了部分概念與分類標(biāo)準(zhǔn)，對影響因素進(jìn)行了應(yīng)用層面的分析，并橫向?qū)Ρ攘烁黝惤M合預(yù)測模型的特點(diǎn)與應(yīng)用情況，期望有助于軌道交通短時客流預(yù)測研究方向的學(xué)者整理思路，提出更好的預(yù)測方法。