楊其芝 張海波 李 健 徐艷玲

（西南交通大學希望學院，四川 成都 610400）

1 緒論

城市軌道交通是城市居民的重要出行方式之一，具有運量大、安全、舒適等特點[1]。城市軌道交通的客流預測對于線網的規(guī)劃有長遠意義，城市軌道交通的建設也需要客流數據的支撐。從長期客流預測來看，對于線網規(guī)劃途徑的區(qū)域、車站的建設提供了關鍵的數據支撐；從短期的客流預測來看，能夠合理地安排車站的客運組織方案滿足乘客的出行需求[2]。

許多國內外學者進行了客流預測方面的研究，1962年芝加哥區(qū)域交通研究中提出了經典預測理論——交通規(guī)劃四階段法，將預測分為四個階段預測[3]，至今為止，仍然有學者選擇四階段法進行研究和改進。1984 年，IwaoOkutanif[4]將卡爾曼濾波理論運用到動態(tài)短期客流的預測中。1997 年，BartVanArem[5]結合了當時已有的短時交通流預測理論，提出預測技術的精度亟待提高，明確了短時交通流預測的必要性。羅小強[6]基于“四階段”預測法，提出情景分析的城市軌道交通客流預測思路，2014 年，卜新春[7]和吳艷平[8]分別通過引入廣義出行費用函數和通過分析軌道交通預測與其之外的地面交通預測之間的關系建立客流預測模型。城市軌道交通的客流預測對于線網的規(guī)劃有長遠意義，城市軌道交通的建設也需要客流數據的支撐。從長期客流預測來看，對于線網規(guī)劃途徑的區(qū)域、車站的建設提供了關鍵的數據支撐；從短期的客流預測來看，能夠合理地安排車站的客運組織方案滿足乘客的出行需求基于此，本文通過循環(huán)神經網絡進行客流預測。

2 循環(huán)神經網絡模型

循環(huán)神經網絡是一種用于處理序列數據的神經網絡。RNN 稱為遞歸神經網絡，其特點是存儲先前的數據并將其用于當前輸出。

在圖1 中，RNN 作為一個序列模型，這里的xt-1、xt、xt+1則作為這個簡單的RNN 模型的輸入層。x 表示t 時刻的輸入，Ot表示t 時刻的輸出，St表示樣本在時間t 處的記憶。輸出層是由在時間t 處的記憶和t 時刻的輸出所決定的。

圖1 RNN 網絡結構

當預測下一個時刻的數據時，在這里運用softmax 需要用一個權重矩陣V，用公式表示為：

3 基于循環(huán)神經網絡的客流預測

韋家碾站的工作日客流呈現明顯的雙向型特征。其中部分實際客流量如表1 所示。

表1 某年2.20 日-2.28 日韋家碾站客流量

循環(huán)神經網絡的客流預測是在在anaconda3 中進行編程，在做客流預測時，在輸入X 時需要重新對X 和Y進行整理后重新定義。這里的X 為i 至i+3 的數據集，而Y 則是第i+3 個數據。n_steps=3 則是輸入的X 考慮3 個步長，n_features=1 為當前的時間序列數為1。在1.4 日-3.7 日的客流數據中，總共有63 個數據。而這里的index=53 為在63 個數據中的前53 個數據作為樣本進行訓練。epoch_num=11000 則是代表著訓練11000 次。

在整個編程完成后進行試運行，可以發(fā)現每次運算得出的客流預測在每次的訓練中模擬得出的結果不盡相同，具有隨機性。因此，在運行LSTM 模型時需要不止一次地運行該模型。通過多次訓練與實際的客流進行對比，在得出的所有最優(yōu)模型結果中選擇誤差較小的一組數據作為最后的客流預測結果，如圖2。predict 為預測值，true 為實際值，從上往下依次為3 月1 日至3 月7 日的客流數據。

圖2 RNN 客流預測結果

從圖3 中看到兩條曲線在3.4 日時誤差較大，是由于韋家碾的單日客流量較小，工作日的客流量在15000人次而周末大約在10000 人次。并且由于進行訓練數據有53 個，數量并不是很多，因此在anaconda3 中的數據較少在圖中顯示誤差較為明顯。

圖3 RNN 客流預測真實值與預測值對比圖

4 基于Anylogic 的客運組織優(yōu)化

運用Anylogic 進行地鐵站模型仿真時，主要有以下幾個步驟：

4.1 建立Anylogic 模型。首先利用行人庫中的矩形墻繪制出站臺層，由于韋家碾站是側式站臺，矩形墻中間預留出軌行區(qū)的空間。

4.2 設置車站設備的數量。對閘機數量，自動售票機數量，自動扶梯的長度、寬度，樓層的高度等進行設置。

4.3 設置參數。根據車站客流量的實際情況，對每個出入口的進站乘客數量進行設置。

4.4 運行建立好的模型。對建立好的仿真模型進行試運行，根據下方的報錯進行修改直至調整好。

4.5 建立行人流程模型。將行人庫中建立的模塊用一定的邏輯順序進行連接，可以根據實際情況賦予邏輯流程的參數，使模型按照設定的方式運行。

據韋家碾地鐵站的實際情況，繪制出地鐵站的基本模型，包括了站臺層、站廳層、自動扶梯、閘機、出口等。在進行地鐵模型的建立時，對于應急疏散沒有影響的設備或區(qū)域進行簡化。韋家碾地鐵站分為站廳層和站臺層，站臺層長120m，寬21m，兩邊的站臺分別寬約8m，軌行區(qū)寬5m。站臺與站廳間隔約5m，站廳與地面間隔15m，A、B 端各有五個TVM、一個客服中心和一個安檢機。韋家碾的上下行站臺各有三部自動扶梯、一部直升梯和兩個步梯。通過Anylogic 進行仿真，如圖4。在Anylogic 進行仿真時，需要建造新的墻去約束行人在付費區(qū)與進、出站閘機形成封閉的圖形。在建立好地鐵站的基本框架后，需要建立目標線和線服務。在各個出入口建立目標線，在自動售票機和進出站閘機建立線服務。對應的自動售票機和進出站閘機數量有多少個，服務數和隊列數就設置成多少。在站廳層乘車的一方建立目標線，代表著屏蔽門也意味著乘客在這里乘車，如圖5 所示。

圖4 韋家碾站立體圖

圖5 韋家碾站平面圖

根據韋家碾地鐵站的平面圖，繪制出地鐵站的基本模型，包括了站臺層、站廳層、自動扶梯、閘機、出口等，并根據實際情況設定模塊的參數，得到的行人流程圖如圖6。行人從列車到達時產生，根據“就近原則”選擇最近的扶梯從站臺層到站廳層，再通過出站閘機出站，優(yōu)先選擇最近的出口出站[30]。具體的出站流程圖如圖7。韋家碾的進站客運組織中根據實際各個出入口產生行人的數量，在仿真過程中對A、B、C、D、E 口行人的產生進行設置，其中行人產生主要集中在A 口和E。因此，在進行參數設置時，A、E 口的到達速率比C、D、E 高。出站客運組織由每列車到站，行人從到站列車中產生。高峰時間列車間隔大約為120s，平峰期間列車間隔大約為180s-240s。根據預測得出的3.1-3.7 日客流結果里，選擇預測值最大的一天進行仿真。

圖6 行人進站路徑圖

圖7 行人出站路徑圖

如圖8 所示，可以明顯看出運行10 分鐘后在安檢處、A 端的進站閘機的密度增加。隨著站廳層行人的密度增加，一直到高峰結束安檢處的擁堵不會消失。由于A、B 端的出站閘機都要比進站閘機多，而出站客流卻要比進站客流少，從圖中也可看出出站客流是在可控的范圍內。因此，在保留原有的基礎設施的情況下對韋家碾地鐵站進行優(yōu)化。

圖8 仿真運行10min 時站廳行人密度圖

主要采取的措施有兩個：

a.在安檢處增加一個安檢機，安檢處的擁堵主要是由于安檢機的過包速度有限。由于早高峰行人較多而安檢機的過包數量及速度導致了行人的等待，因此增加安檢機有助于加快行人過包速度，緩解安檢處的擁堵。

b.A 口安檢機前用伸縮立柱擺放排隊繞行。由工作人員引導排隊的乘客繞行到B 端進行安檢。

如圖9 所示，在對客運組織進行優(yōu)化后，隨著時間的增加安檢處的密度大部分始終維持在黃色。隨著時間的流逝，安檢處的行人會呈現持續(xù)增加的趨勢，即使行人密度圖出現少部分出現紅色區(qū)域也在可控范圍內。通過兩種方案客流密度的對比，在安檢處增加一個安檢機并設置繞行是可行且有用的

圖9 優(yōu)化后仿真10min 時站廳行人密度圖

5 結論

本文首先通過循環(huán)神經網絡對韋家碾日?？土鬟M行預測，在進行客流預測后，對韋家碾日?？土鞯目瓦\組織進行分析，選擇客流預測得出結果中預測值最大的一天作為仿真的參數。通過Anylogic 進行仿真發(fā)現在工作日的A 端安檢處存在擁堵。在保留原有的設備設施下，對韋家碾客運組織進行優(yōu)化。在增加安檢機和采取繞行措施后，通過前后兩個方案的行人密度圖對比可以看出，經過優(yōu)化后的方案安檢處的擁堵現象得到緩解，因此這個方案是可行的。