張永陽，張文斌，陳 堃，李士香，周竹萍，李 衛(wèi)

(1.南京忠設智能科技有限公司，南京 210013；2.揚州市交通建設管理有限責任公司，江蘇 揚州 225012；3.中建交通建設集團有限公司，北京 100000；4.南京理工大學 自動化學院，南京 210094)

隨著動車組列車和高速列車的發(fā)展，鐵路出行旅客日益增多。2019年國家鐵路旅客發(fā)送量完成35.79億人，比上年增加2.61億人，增長7.9%；2020年和2021年，在疫情影響下，國家鐵路旅客發(fā)送量仍分別完成21.67億人、25.33億人[1]。出租車作為鐵路樞紐與城市交通銜接的重要方式，其客流集散量約占鐵路客流集散總量的10%～30%[2]，目前,鐵路樞紐難以根據(jù)實際需要進行出租車調(diào)度，常出現(xiàn)“車等人”或“人等車”情況，造成了資源浪費,因此,如何提升出租車調(diào)度的智慧性已成為亟待解決的問題。

為提高樞紐出租車換乘系統(tǒng)的運輸效率和服務水平，國內(nèi)外專家學者展開了較多的理論研究。如林建新等[3]從優(yōu)化上車點數(shù)量出發(fā)，考慮乘客體驗和管理難易度，建立多階段、多目標整數(shù)優(yōu)化模型，并以南京南站為例進行仿真驗證，結(jié)果表明綜合指標優(yōu)化42%；紀杰周等[4]結(jié)合排隊論的思想分析機場乘客數(shù)量的變化規(guī)律和出租車司機的收益，建立收益損益模型，對提高機場出租車的運作效率提供了指導；Wang等[5]基于排隊論、仿真模型以及傳感器和無線通信技術(shù)，在終點站建立帶有模擬方法的出租車-乘客調(diào)度模型，通過模型曲線得到最優(yōu)乘客釋放數(shù)量；Zhong等[6]提出基于大數(shù)據(jù)方法的出租車指標預測模型，構(gòu)建了一套反映機場樞紐集散系統(tǒng)獨特屬性的出租車運營與服務評價指標體系，為其他交通方式和樞紐的整體評價提供參考；Yang等[7]推導了乘客和出租車的相關(guān)排隊指標，提出一種乘客-出租車相匹配的排隊模型，揭示了多點位出租車?？空局谐丝秃统鲎廛嚨呐抨爠討B(tài)，有助于根據(jù)交通狀況改善樞紐的服務水平；田冰等[8]從交通延誤、時間成本、供求關(guān)系出發(fā)，提出一種基于AHP-模糊綜合決策模型，平衡短途和長途司機的收益；Abid等[9]將用戶偏好和乘客、出租車之間的距離作為參數(shù)，建立基于多準則決策問題的出租車調(diào)度模型，結(jié)果表明乘客對該模型滿意度更高；Youngrae等[10]提出基于上下文匹配矩陣的區(qū)域不確定貪婪出租車調(diào)度算法，實現(xiàn)收益和利潤最大化；Rajendran[11]采用混合仿真目標規(guī)劃算法對大城市的空中出租車進行實時調(diào)度，對樞紐出租車調(diào)度具備一定的借鑒意義。

綜上所述，目前國內(nèi)外學者的研究主要集中在宏觀層面的效率、利益最大化，在微觀層面的調(diào)度時間和數(shù)量確定等方面有所欠缺，且較少考慮乘客實際需求。基于此，文中提出了一種考慮實際需求、乘客需求優(yōu)先的鐵路樞紐出租車調(diào)度優(yōu)化模型，并以揚州東站為例進行驗證，結(jié)果表明該模型能顯著提升鐵路樞紐出租車換乘系統(tǒng)服務水平。

1 乘客排隊時間預測方法

1.1 排隊乘客實時檢測與追蹤

近年來，機器視覺技術(shù)在目標檢測方面取得了驚人成就，以其無接觸、自動化、智能化的優(yōu)點成為各種智能交通設施的技術(shù)選擇[12]，且目前鐵路樞紐出租車上客區(qū)域均安裝了攝像頭，攝像頭視角如圖1所示。

圖1 出租車排隊區(qū)域攝像頭視角

該視角下排隊乘客遮擋比較嚴重，無法對乘客整體進行檢測，因此用較為顯眼的乘客頭部來替代乘客整體進行檢測和跟蹤。文中采用目標檢測算法Yolov5系列的s、m、l、x 4個版本中最輕量級且運行速度最快的Yolov5s模型對乘客進行檢測，在檢測速度和檢測精度上均能滿足實際需求[13]。

Yolov5所使用的CSP結(jié)構(gòu)主干網(wǎng)絡內(nèi)存需求大、運算量大，為提高頭部檢測速率，使用MobileNet-v3取代Yolov5s的Backbone主干網(wǎng)絡[14]，有效減少模型參數(shù)的總量與運算量，以滿足實時性需求。MobileNet-v3通過加入DW卷積、PW卷積使網(wǎng)絡運算參數(shù)大幅度減少(約為原來普通卷積的1/8～1/9)。DW卷積和PW卷積原理如圖2～3所示。

圖2 DW卷積

圖3 PW卷積

在攝像頭視角中，靠近攝像頭的人頭往往較大，遠離攝像頭的人頭較小，排隊乘客頭部尺度變化大，且背景雜亂，頭部遮擋嚴重，傳統(tǒng)方法使用單一的特征圖進行檢測往往不能取得很好效果，檢測精度不高。為解決上述問題，基于Yolov5s，在特征處理層增加多尺度特征融合模塊(MSFFM)[15]，該模塊可以融合不同層的特征，降低特征層的獨立性，保留不同層次的特征信息。使用多尺度特征融合模塊將提取的特征融合后分層進行檢測，能夠檢測不同尺度的乘客頭部，提升檢測精度。

通過改進的Yolov5s算法能實時檢測出租車上客區(qū)域乘客的頭部數(shù)量，從而檢測實時排隊人數(shù)，在檢測算法上增加Deepsort追蹤算法對排隊乘客進行跟蹤，檢測得到每名乘客的上車時間，從而獲取乘客的上車時間間隔。Deepsort主體采用卷積神經(jīng)網(wǎng)絡(CNN)來提取被檢測物體的外觀特征，每生成一次檢測和追蹤的結(jié)果，都會對物體外觀特征進行提取并保存，計算被檢測物體在當前幀的外觀特征和前一幀存儲的外觀特征的相似度，若相似度高于閾值則認為是同一目標，有效減少目標的丟失情況[16]。利用檢測和追蹤算法對即將上車區(qū)域內(nèi)檢測到的乘客頭部進行追蹤，分別按順序記錄排隊區(qū)域內(nèi)每名乘客上車時間。

1.2 基于Informer的實時排隊時長預測

誤差反向傳播神經(jīng)網(wǎng)絡(BP)是較為經(jīng)典的時間序列預測方法，在交通領域多應用于公交車到站時間的預測。模型能將實時更新的到站時間作為輸入值預測公交車到站時間，且不斷更新的實際到站時間會反饋到模型，進行自我改進[17]。

Informer是一個基于注意力機制的監(jiān)督學習模型，近年來在很多場景的時間序列預測上明顯優(yōu)于Transformer模型，但在交通領域應用較少。其整體上由編碼器(Encoder)和解碼器(Decoder)兩個部分組成[18]。其中，解碼器用于獲得原始輸入序列魯棒性的長期依賴，解碼器進一步實現(xiàn)序列預測，模型整體結(jié)構(gòu)如圖4所示。

圖4 Informer模型結(jié)構(gòu)

根據(jù)目標檢測和跟蹤獲得每名乘客上車時間的歷史數(shù)據(jù)，將數(shù)據(jù)應用于Informer模型訓練，根據(jù)實時檢測的乘客上車時間數(shù)據(jù)作為Informer模型的輸入值，實時輸出預測結(jié)果即為后面每名乘客的上車時間，其實現(xiàn)流程如圖5所示。

圖5 排隊時間預測流程

2 出租車調(diào)度模型

首先，通過實時檢測的排隊人數(shù)獲取當前出租車需求量，并對未來出租車客流量進行預測，確定未來時間段內(nèi)出租車的總需求量。通過鐵路樞紐出租車蓄車池管理系統(tǒng)，獲取當前蓄車池內(nèi)出租車數(shù)量，從而確定調(diào)度車輛數(shù)。通過對乘客數(shù)量排隊時間的預測，即可預測蓄車池內(nèi)車輛全部離開的時間，在蓄車池車輛全部離開前完成所需數(shù)量的出租車調(diào)度，實現(xiàn)出租車調(diào)度系統(tǒng)的精準化和智能化。

基于此，提出基于乘客需求優(yōu)先的實時調(diào)度模型，模型的基本假設如下：

1)蓄車池出租車“富余量”為10輛；

2)每輛出租車平均乘車人數(shù)設定為1.5人；

3)調(diào)度決策模型每5 min計算一次;

4)每次調(diào)度需滿足未來20 min的需求。

模型假設可根據(jù)各樞紐實際進行修正，調(diào)度流程如圖6所示。

圖6 出租車調(diào)度流程

2.1 需求預測

通過檢測出租車上客區(qū)每名乘客的上車時間，能得到出租車客流數(shù)據(jù)，因此可以根據(jù)歷史客流數(shù)據(jù)來預測未來客流數(shù)據(jù)。LSTM算法廣泛應用于流量預測，且能很好地反應節(jié)假日和不同時段的流量變化特征，但鐵路樞紐客流數(shù)據(jù)較為冗雜且繁多，在利用LSTM進行預測時會出現(xiàn)梯度消失情況。注意力(attention)機制的出現(xiàn)能很好解決這一問題，使用注意力機制對LSTM的權(quán)值進行處理，降低特征遺忘對特征權(quán)值的影響，以便更準確地進行預測。該模型結(jié)構(gòu)如圖7所示。

圖7 LSTM-attention模型結(jié)構(gòu)

對于LSTM部分[19]，xt表示t時刻的信息輸入；it為輸入門，控制從當前xt中輸入至細胞中的信息量；ft為遺忘門，控制t-1時刻的細胞狀態(tài)Ct-1輸入t時刻隱層狀態(tài)Ht的信息量；ot為輸出門，控制Ct傳遞至t時刻隱藏狀態(tài)Ht的信息量，則可以將其算式表示為

it=σ(WhiHt-1+Wxixt+bi)

(1)

ft=σ(WhfHt-1+Wxfxt+bf)

(2)

ot=σ(WhoHt-1+Wxoxt+bo)

(3)

式中：Whi,Whf,Who,Wxi,Wxf,Wxo為權(quán)重矩陣;bi,bf,bo分別為輸入門、遺忘門、輸出門的偏置量；σ(·)為sigmoid激活函數(shù)。

細胞更新式和記憶細胞式為

Ct=tan h(WhcHt-1+Wxcxt+bc)

(4)

Ht=ot?tan h(Ct)

(5)

式中：tan h(·)為雙曲正切激活函數(shù)；?為兩個同階矩陣中對應元素相乘的運算，表示Hadamard乘積。

加入attention機制[20-21]，將LSTM隱藏層的輸出Ht經(jīng)過一層非線性轉(zhuǎn)化得到ut，如式(6)、式(7)所示。

ut=tan h(wiHt+b)

(6)

(7)

模型訓練不斷更新﹐然后通過softmax函數(shù)進行歸一化得到注意力權(quán)重矩陣at，如式(8)所示。

(8)

式中:ut為隱藏層單元。

將at和Ht經(jīng)過注意力機制得到最終向量vt，如式(9)所示。

vt=∑atHt

(9)

為體現(xiàn)節(jié)假日和每日客流高峰，對不同日期、不同時間段進行概率權(quán)重的分配，反應關(guān)鍵時間段的特征﹐使預測更加準確，將Attention機制的輸出vt通過softmax函數(shù)進行歸一化﹐輸出y如式(10)所示。

y=softmax(ωivt+b)

(10)

2.2 調(diào)度數(shù)量和時間計算

未來20 min出租車客流總需求x：x=a+b，a為LSTM-attention算法的預測結(jié)果獲得，b由攝像頭實時檢測排隊人數(shù)獲得。

蓄車池車輛運量y：y=蓄車池車輛數(shù)×每輛車平均運載人數(shù)， 當蓄車池運量需求人數(shù)超過15人時,即認為蓄車池內(nèi)仍有10輛車“富余”，暫時不需要調(diào)度。

蓄車池車輛全部上車時間m：當前出租車系統(tǒng)輸送y名乘客所需要的時間，即為后續(xù)y名乘客上車時間間隔預測值之和。

調(diào)度車輛數(shù)n為

n=-(y-x)/1.5+10

(11)

式中：1.5為出租車車輛平均載客數(shù),人。

調(diào)度流程每5 min更新一次，該更新速度可隨著算法流程的成熟逐漸進行修改。

3 實例分析——以揚州東站為例

3.1 實時排隊乘客的檢測和跟蹤

采用改進的Yolov5s算法對揚州東站出租車上客區(qū)域?qū)崟r排隊乘客人數(shù)進行檢測，檢測效果如圖8所示。

圖8 實時排隊人數(shù)檢測效果

經(jīng)過實際檢測，當排隊人數(shù)低于20人時，檢測準確率能達到98%以上;當人數(shù)超過20人時，檢測準確率能達到95%以上。對某高峰時期實時排隊人數(shù)每分鐘進行一次檢測，檢測結(jié)果如圖9所示。

圖9 高峰期出租車實時排隊人數(shù)

對全天客流進行分析，出租車客流高峰期幾乎都在固定時間段出現(xiàn)，即高鐵列車到站時段。此時間段排隊人數(shù)較多，當排隊人數(shù)接近最大時開始上下波動，整個排隊現(xiàn)象持續(xù)時間較長；在平峰期和低峰期人流到達緩慢，排隊現(xiàn)象僅持續(xù)幾分鐘即會消散。高峰時期，乘客需要根據(jù)排隊等待時間來決策是否乘坐出租車，因此,精準預測排隊等待時間能有效提升乘客體驗。

3.2 乘客排隊時間預測

檢測劃定區(qū)域內(nèi)乘客離開排隊區(qū)域的時間，即檢測圖10中檢測框內(nèi)乘客頭部離開檢測框左側(cè)框線的時間。分別按順序記錄檢測區(qū)域內(nèi)每名乘客頭部從黃色框左側(cè)離開的時間，記為該名乘客的上車時間，為突出乘客上車時間差異，通過相鄰乘客之間上車時間間隔來反映此特征，其散點如圖11所示。

圖10 乘客頭部追蹤檢測區(qū)域

圖11 乘客上車時間間隔分布

由圖11可知，乘客的上車時間間隔主要分布在10 s以下。且由于偶然因素的影響，如存放行李過多或者逗留時間過長會導致間隔時間過長，甚至會超過40 s，相當于正常狀況下多名乘客的上車時間間隔。

利用歷史數(shù)據(jù)分別對BP模型和Informer模型進行訓練，測試生成的預測值與實際值對比如圖12所示。Informer模型在出現(xiàn)偶發(fā)因素和長時預測時表現(xiàn)出更好的效果，更符合實際需要。經(jīng)過實際檢驗，排隊時間預測值與實際值差距較小，在乘客接受范圍之內(nèi)。從方便旅客角度看，將實時排隊結(jié)果在微信小程序上進行信息共享，便于乘客和出租車司機做出決策，極大節(jié)約兩者時間，提升服務體驗。小程序界面如圖13所示。

圖12 BP模型與Informer模型預測結(jié)果與實際結(jié)果對比

圖13 微信小程序顯示出租車等待人數(shù)和預計等待時間

3.3 出租車調(diào)度

使用LSTM-attention算法對揚州東站高峰時期未來20 min出租車客流量進行預測，結(jié)果表明準確率在92%以上，符合實際需求?；陬A測結(jié)果，進行出租車調(diào)度。改進后的出租車調(diào)度系統(tǒng)在蓄車池連續(xù)有車的情況下，出租車司機的平均等待時間降低了20 min以上。

4 結(jié) 論

1)使用MobileNet-v3取代Yolov5的Backbone主干網(wǎng)絡，能有效提升檢測頭部速度，加入特征融合模塊能提升監(jiān)控視角下頭部檢測精度，在檢測的基礎上增加追蹤算法達到實時檢測排隊乘客人數(shù)和排隊乘客離開時間的效果，優(yōu)于傳統(tǒng)的目標檢測算法。

2)創(chuàng)新地將Informer模型用于出租車乘客排隊時間預測，在用歷史數(shù)據(jù)對模型進行訓練后，將實時檢測結(jié)果作為模型的輸入值，與傳統(tǒng)的“人數(shù)×平均時間”和BP模型預測的方法相比，在客流高峰期準確性有所提升，但在客流較少或時間較短時效果不優(yōu)。

3)通過LSTM-attention深度學習算法對鐵路樞紐出租車客流進行短時預測，提出基于乘客需求優(yōu)先的出租車調(diào)度模型，減少揚州東站“車等人”和“人等車”現(xiàn)象，提升服務水平。不足之處在于模型部分參數(shù)需要根據(jù)各樞紐實際情況進行調(diào)整。