梁強升

(廣州地鐵集團有限公司，510330，廣州∥高級工程師)

大型活動舉辦期間，地鐵客流急劇增長，客流的非線性及非平穩(wěn)特征尤為顯著，給運營管理工作帶來較大挑戰(zhàn)。為支撐地鐵運營管理部門合理安排行車和客運組織工作，保障大型活動順利舉辦，準確預測大型活動期間的地鐵車站客流十分必要。

現(xiàn)有研究缺少針對大型活動期間地鐵歷史客流數(shù)據(jù)規(guī)律的深度挖掘與解析，大多結(jié)合活動調(diào)查數(shù)據(jù)，基于趨勢外推法、類比分析法等統(tǒng)計方法構(gòu)建統(tǒng)計模型，且模型適用性有限;多數(shù)方法僅對大型活動期間的總體客流進行了分析，卻忽視了不同客流成分之間的區(qū)別，預測精度難以滿足要求;此外，雖有方法嘗試對大型活動期間的客流成分進行分析并預測，但該類方法需要詳細的土地利用、活動場館容量及上座率等數(shù)據(jù)，其實用性和時效性等難以滿足地鐵運營管理需求［1-6］。

本文以中國進出口商品交易會(又稱“廣交會”)為例，依托地鐵歷史進出站客流、OD(起訖點)客流等AFC(自動售檢票)數(shù)據(jù)，分析大型活動期間地鐵車站客流構(gòu)成;結(jié)合背景客流與活動客流各自的特征，基于灰色預測理論構(gòu)建了廣交會期間地鐵車站客流預測模型;分別提出進出站客流量與OD客流量的預測方法，實現(xiàn)對廣交會期間廣州地鐵線網(wǎng)客流量的預測，并通過實際客流數(shù)據(jù)對預測方法的有效性進行了驗證。

1 廣交會期間地鐵車站客流量分析

廣交會是我國承辦規(guī)模最大的綜合性國際貿(mào)易盛會，每年分春、秋兩季在廣州舉行。每屆廣交會持續(xù)21 d，由3個持續(xù)5 d的展期和2個持續(xù)3 d的換展期構(gòu)成。自2004年4月(第94屆)起，廣交會啟用位于廣州地鐵8號線(以下簡為“8號線”)琶洲站—新港東站區(qū)間的琶洲展館，其中，1號展館鄰近新港東站，2、3號展館鄰近琶洲站。

本文將廣交會期間的地鐵車站客流需求分解為背景客流需求與活動客流需求。其中，背景客流需求指展會期間的常規(guī)客流需求，非因廣交會舉辦而產(chǎn)生，其分布規(guī)律與日常客流分布規(guī)律相同;而活動客流需求則指因廣交會舉辦才產(chǎn)生的客流需求。考慮到廣交會歷史悠久、舉辦頻率高、持續(xù)時間長、地點固定等特點，可認為在廣交會期間，背景客流不會或極少受到展會活動影響，可將工作日以及周六、周日的客流視作廣交會期間的背景客流，在廣交會期間將地鐵車站總客流量減去背景客流量，進而獲得由展會活動引起的活動客流量。

圖1為2018年春季廣交會期間鄰近廣交會展館的琶洲站和新港東站等2個車站的總進站客流量、進站背景客流量和進站活動客流量的變化情況。總體上，3個展期活動客流量按時間呈下降趨勢，換展期活動客流量大大低于展期活動客流量，由此可見，廣交會期間活動客流量有明顯規(guī)律，具有可預測性。另外，從第2個換展期最后一天較大的客流量來看，廣交會的舉辦對進出站客流量影響亦存在不可知因素，具有一定的不確定性。

圖1 2018年春季廣交會期間8號線鄰近琶洲展館車站的進站客流量Fig.1 Passenger flow of Line 8 stations near Pazhou Exhibition Hall during 2018 Spring CICF

2 地鐵車站客流量預測模型的建立

2.1 車站活動客流量預測

2.1.1 活動進出站客流量預測

灰色預測法是對既含有已知信息、又含有未知信息的灰色過程進行預測的一種方法。GM(1，1)預測模型是應用最廣泛的灰色預測模型，具有樣本需求少、計算簡單等特點。琶洲站與新港東站緊鄰廣交會展館，廣交會舉辦期間這2個車站的進出站客流量與廣交會有著較大聯(lián)系，可認為因廣交會活動而產(chǎn)生的客流均與這2個車站有關(guān)?；顒舆M出站客流量采用GM(1，1)模型進行預測。

GM(1，1)模型要求進出站活動客流量的原始序列級比σ(k)=x(0)(k－1)/x(0)(k)(其中，k=2，3，…，n)應全部在可容覆蓋區(qū)間內(nèi)，才能使用灰色預測模型進行預測。對于不在級比要求范圍內(nèi)的序列，可進行平移處理以滿足要求。對x(0)取平移常數(shù)c:

圖2展示了2011—2018年共8屆春季廣交會第2展期第4天琶洲站進站客流量序列平移前后的級比情況。由圖2可見，平移前數(shù)據(jù)序列存在級比不在可容覆蓋區(qū)間［0.80，1.25］內(nèi)的情況;當c取5 000時，對原始數(shù)據(jù)序列平移后所有級比都處于可容覆蓋區(qū)間內(nèi)，滿足GM(1，1)模型的建模要求。

圖2 琶洲站進站客流量序列平移前后級比對比Fig.2 Comparison of passenger flow sequence levels at Pazhou Station before and after translation

此外，每年春季廣交會第3展期時間為5月1日—5月5日，與勞動節(jié)重疊，放假安排對春季廣交會第3期前若干天的進站客流量具有較為明顯的影響。為了消除勞動節(jié)對春季廣交會期間進站活動客流量的影響，使其與秋季廣交會第3期的進站活動客流量規(guī)律更為接近，取各期廣交會期間部分未受影響日期的進站活動客流量平均值作為勞動節(jié)期間的進站活動客流量。將經(jīng)過處理后滿足級比要求的廣交會期間琶洲站和新港東站進出站活動客流量數(shù)據(jù)序列代入GM(1，1)模型中進行擬合計算，平均擬合誤差如圖3所示。由圖3可見，新港東站、琶洲站活動客流量擬合效果較好。該模型可用于預測未來廣交會期間琶洲站和新港東站每天的進出站活動客流量。

圖3 2011—2018年春季廣交會期間新港東站、琶洲站活動客流量平均擬合誤差Fig.3 Average fitting errors of passenger flow at East Xingang Sation and Pazhou Station during canton CICF

2.1.2 OD活動客流量預測

根據(jù)2011—2017年地鐵車站客流數(shù)據(jù)，發(fā)現(xiàn)廣交會期間進站活動客流量與出站活動客流量的比值較為穩(wěn)定。在得出琶洲站、新港東站進站活動客流量預測值后，利用歷年進站活動客流量與出站活動客流量的平均比值，預測出站活動客流量。

基于已得到的與新港東站和琶洲站相關(guān)的各OD對的歷史OD活動客流量，計算廣交會期間各OD對的活動客流量系數(shù)平均值。以O站為新港東站的這類OD對為例，其活動客流量系數(shù)平均值的具體計算方法為:

式中:

xi，j，k——第i次廣交會第j天，以新港東站為O站、k站為D站的OD對的活動客流量，i=1，2，…，M;j=1，2，…，15;k=1，2，…，N;

φi，j，k——第i次廣交會第j天，以新港東站為O站、k站為D站的OD對的活動客流量系數(shù);

以琶洲站為O站，以新港東站、琶洲站為D站，其廣交會期間各OD對的活動客流量系數(shù)平均值的計算方法與上述一致。采用預測得出的琶洲站、新港東站進出站活動客流量預測值與每天OD活動客流量系數(shù)平均值相乘，即可得出OD活動客流量預測值。針對其他車站的進出站活動客流量，可對新港東站、琶洲站與其他各車站間的活動客流量預測值累計而得到。理論而言，每天的進站活動客流量之和應與出站活動客流量之和相等，但預測值存在一定偏差，故利用廣交會期間每天進出站活動客流量平均值對進出站客流量進行均衡處理，計算公式為:

式中:

XIC，in，j，n、XIC，out，j，n——均衡修正后的第n車站第j天的進出站活動客流量平均值;

Xin，j，n、Xout，j，n——預測得到的第n車站、第j天的進出站活動客流量平均值。

2.2 車站背景客流量預測

通過廣交會期間OD客流量與OD活動客流量的差值得到OD背景客流量，并累計得到進出站背景客流量。由于6月份節(jié)假日和大型活動相對較少，客流量相對較為平穩(wěn)，對比歷年廣交會期間各站進出站背景客流量與當年6月份平常日月均進出站客流量，發(fā)現(xiàn)廣交會期間的與平常日月均進出站客流量呈一定比例關(guān)系，且該比例關(guān)系較為穩(wěn)定，故可利用此關(guān)系預測未來廣交會期間的進出站背景客流量。

將歷年廣交會期間各車站的進出站背景客流量與當年6月份平常日月均進出站客流量進行比較，得出相應的比例系數(shù)，將此比例系數(shù)平均值與未來各年6月份平常日月均進出站客流量相乘，得出未來各年廣交會期間背景進出站進出站背景客流量客流量的預測值。新建車站則可以通過聚類，分析相同類別車站間的關(guān)系，從而對進出站背景客流量進行計算。

未來各年廣交會期間OD背景客流量則采用簡單的增長系數(shù)法進行預測。以2017年廣交會期間實際OD客流量與OD活動客流量的差值，即OD背景客流量作為基年OD客流矩陣，結(jié)合已預測的2018年進出站背景客流量，利用增長系數(shù)法可預測得到2018年OD背景客流量。

3 地鐵車站客流量預測模型精度驗證

以2017年底廣州地鐵9號線一期接入廣州地鐵線網(wǎng)為例，根據(jù)本文所述方法預測2018年秋季廣交會期間該線路OD客流量。將OD客流量的預測值與真實值進行對比，采用平均絕對誤差值檢驗模型的精度，其表達式為:

式中:

FOD，k，real、FOD，k，pred——分別為以k站為D站的OD活動客流量的真實值和預測值;

n——活動OD對總數(shù)。

廣交會前10 d 9號線OD客流量預測平均絕對誤差值，如表1所示。由表1可見，既有的OD活動客流量預測絕對誤差平均值約為43人次，新的OD活動客流量預測絕對誤差平均值約為15人次，說明本文提出的方法對新建地鐵線路接入條件下OD客流量的預測效果較為理想。

表1 2018年秋季廣交會期間OD客流量預測平均絕對誤差Tab.1 Predicted mean absolute errors of event-related OD passenger flow during 2018 Autumn CICF單位:人次/d

2018年秋季廣交會OD活動客流量的實測值與預測值如圖4所示。由圖4可見，大部分散點集中在45°線附近，因此，對廣交會期間OD活動客流量的預測較為精準，預測方法有效。

圖4 2018年秋季廣交會OD活動客流量實測值與預測值關(guān)系曲線Fig.4 Relationship curve of actual and predictive values of event-related OD flow during 2018 Autumn CICF

使用本文提出的預測方法對2019年春季廣交會期間OD客流量進行預測。經(jīng)分析，OD客流量實測平均值為185人次/d，僅比OD客流量預測平均值多41人次/d，說明預測較為精準。

4 結(jié)語

廣交會展館集中在琶洲站和新港東站附近，為此將客流預測分為與琶洲站、新港東站有關(guān)的活動客流量預測和背景客流量預測兩部分。其中，背景客流量是通過分析大型活動期間的背景客流量與平常日較為穩(wěn)定客流量的比例系數(shù)，基于平常日客流量進行預測;而活動客流量則是在分析琶洲站、新港東站等受廣交會直接影響的進出站活動客流量特征的基礎(chǔ)上，基于灰色模型構(gòu)建進出站活動客流量的預測模型，通過分析進出站活動客流量與OD活動客流量的歷史規(guī)律，并基于進出站活動客流量預測值計算得到?；?018年秋季廣交會客流數(shù)據(jù)對模型的精度進行了檢驗，結(jié)果表明，本文提出的廣交會期間OD客流預測模型具有較高的精度，可滿足對運輸組織與客運服務決策支持的要求。