禹 倩，張亞東，郭 進(jìn)，賴 培，馬 亮

(1.西南交通大學(xué) 信息科學(xué)與技術(shù)學(xué)院，四川 成都 611756；2.四川省列車運(yùn)行控制技術(shù)工程研究中心，四川 成都 611756；3.中國(guó)鐵道科學(xué)院研究院集團(tuán)有限公司 國(guó)家鐵路智能運(yùn)輸系統(tǒng)工程技術(shù)研究中心，北京 100081)

隨著城市化建設(shè)的迅速發(fā)展,城市軌道交通系統(tǒng)已經(jīng)成為國(guó)內(nèi)外緩解城市交通擁堵的重要手段[1]。城市軌道交通網(wǎng)絡(luò)的不斷擴(kuò)大,刺激了客流量的快速上升。以上海地鐵系統(tǒng)為例,地鐵網(wǎng)絡(luò)的平均日客運(yùn)量從2003年的100萬人次發(fā)展至2018年的1 000萬人次[2]。地鐵網(wǎng)絡(luò)客流量的快速上升,引發(fā)了列車擁擠、地鐵設(shè)施容量不足等一系列問題。為了解決這一系列問題,許多學(xué)者提出了智慧地鐵[3],而短時(shí)客流預(yù)測(cè)是其中的關(guān)鍵問題。進(jìn)站客流可能導(dǎo)致交通擁堵、乘客滯留或事故,對(duì)地鐵系統(tǒng)的影響更大。因此本文以進(jìn)站客流為研究對(duì)象。

準(zhǔn)確、可靠的客流信息有助于乘客調(diào)整出行路徑、方式和出發(fā)時(shí)刻,同時(shí)有助于調(diào)度人員采取積極的措施,如發(fā)布預(yù)警信息、控制客流、加車或臨時(shí)關(guān)閉車站等,來應(yīng)急響應(yīng)和預(yù)防踩踏事件。城市軌道交通的數(shù)據(jù)管理起步較晚,異常數(shù)據(jù)匱乏,現(xiàn)有的城市軌道交通短時(shí)客流預(yù)測(cè)模型[4-7]大都是在常態(tài)條件下提出和測(cè)試的。然而,在實(shí)際應(yīng)用中,城市軌道交通網(wǎng)絡(luò)是一個(gè)復(fù)雜的非線性系統(tǒng),引發(fā)客流突變的因素(惡劣天氣、節(jié)假日以及活動(dòng)等)具有隨機(jī)性強(qiáng),樣式多以及發(fā)生頻率高等特點(diǎn)。在常態(tài)條件下開發(fā)的預(yù)測(cè)方法,很難適用于異常條件下的客流預(yù)測(cè)。因此,如何在普遍條件下實(shí)現(xiàn)魯棒的客流預(yù)測(cè)仍是亟待解決的問題之一。

客流數(shù)據(jù)主要源于自動(dòng)售票檢票系統(tǒng)(auto fare collection,AFC),是一種按照固定時(shí)間長(zhǎng)度聚合的時(shí)間序列數(shù)據(jù)。因此,對(duì)客流數(shù)據(jù)的時(shí)間依賴性建模是預(yù)測(cè)任務(wù)的基礎(chǔ)[8]?？土黝A(yù)測(cè)中典型的時(shí)間依賴性建模方法有基于數(shù)理統(tǒng)計(jì)的方法如ARIMA[9]及其變體,基于機(jī)器學(xué)習(xí)的方法如SVR[10],以及當(dāng)前最流行的基于循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)的方法如GRU[11]。然而,上述大多數(shù)方法只考慮了最近時(shí)段的客流數(shù)據(jù),在異常條件下的客流預(yù)測(cè)中存在一定的局限性。為了解決這個(gè)問題,一些研究[12-15]增加了對(duì)外部環(huán)境因素的建模。例如,Wu等[12]考慮日期、天氣、空氣質(zhì)量等多源數(shù)據(jù),提出一種新型的縮放堆積梯度提升決策樹模型用于短時(shí)公交客流預(yù)測(cè)。滕靖等[13]分析外部環(huán)境因素(日期、節(jié)假日和天氣)對(duì)客流的影響,建立了基于PSO-LSTM的客流預(yù)測(cè)模型。馮樹民等[14]研究雨雪天氣下客流的波動(dòng)規(guī)律,并應(yīng)用LSTM網(wǎng)絡(luò)建立考慮雨雪天氣下的客流預(yù)測(cè)模型。黃海超等[15]首先分析天氣因素(溫度、可見度、氣壓等)對(duì)客流的影響;然后采用灰色關(guān)聯(lián)度(GRA)建模天氣與客流量的非線性關(guān)系并量化;最后,根據(jù)GRA的值篩選關(guān)聯(lián)度高的因素和歷史客流數(shù)據(jù)一起作為BiLSTM的輸入進(jìn)行預(yù)測(cè)。同時(shí),比較不同因素對(duì)客流預(yù)測(cè)結(jié)果的影響,發(fā)現(xiàn)不包含天氣因素的模型預(yù)測(cè)效果最差。此外,還有一些研究針對(duì)某些特定的特殊事件(如體育賽事,音樂會(huì)等)建立單獨(dú)的客流預(yù)測(cè)模型,以此來提高異常條件下的客流預(yù)測(cè)精度。例如,梁強(qiáng)升[16]基于灰色預(yù)測(cè)理論構(gòu)建了廣交會(huì)期間客流量的短時(shí)預(yù)測(cè)模型。錢慧敏等[17]考慮日期屬性、活動(dòng)類型、活動(dòng)前后時(shí)段、天氣、主/客場(chǎng)隊(duì)伍等因素,采用梯度下降決策樹(GBDT)對(duì)體育賽事引發(fā)的大規(guī)模突發(fā)客流進(jìn)行了短時(shí)預(yù)測(cè)。

綜上,在現(xiàn)有的客流預(yù)測(cè)研究中,存在一些不足之處:①只針對(duì)特定的場(chǎng)景(常態(tài)或異常)建模,模型的可擴(kuò)展性差;②雖然考慮了時(shí)間依賴性和外部環(huán)境因素,但忽略了進(jìn)/出客流本身的相關(guān)性,比如地鐵站進(jìn)/出站客流存在“潮汐”現(xiàn)象[18];③影響進(jìn)站和出站客流的因素存在差異,但大多數(shù)方法沒有考慮進(jìn)站和出站客流預(yù)測(cè)模型的差異性。

針對(duì)上述不足之處,本文提出一種深度集成神經(jīng)網(wǎng)絡(luò)(deep ensemble neural network, DENN),用于城市軌道交通短時(shí)進(jìn)站客流預(yù)測(cè)。該模型考慮了出站客流的相關(guān)性,進(jìn)站客流的時(shí)間依賴性,以及外部環(huán)境因素,比如天氣、時(shí)間和特殊事件。具體地,利用GRU[11],one-hot編碼技術(shù)和全連接網(wǎng)絡(luò)分別提取時(shí)間依賴性和外部特征。特別地,利用Transformer[19]在長(zhǎng)序列建模中的優(yōu)勢(shì),自適應(yīng)地捕獲對(duì)進(jìn)站客流影響最大的出站客流片段,以提取出站客流的相關(guān)性。此外,以上海地鐵徐涇東站和上海體育廣場(chǎng)站為測(cè)試對(duì)象,并與多種方法進(jìn)行對(duì)比。結(jié)果表明,提出方法在一般場(chǎng)景下都能取得較好的預(yù)測(cè)精度。

1 影響進(jìn)站客流量的因素分析

城市軌道交通系統(tǒng)是一個(gè)復(fù)雜的非線性系統(tǒng),而車站進(jìn)站客流量受多種因素的影響,這是客流預(yù)測(cè)精度受影響的根本原因。本文主要分析天氣、時(shí)間、特殊事件(如節(jié)假日和活動(dòng)),以及出站客流對(duì)進(jìn)站客流量的影響。

1)時(shí)間因素:由于通勤的原因,上班(學(xué))的人群會(huì)在工作日相對(duì)固定的時(shí)段乘坐地鐵,所以地鐵進(jìn)站客流在工作日和周末,以及上下班(學(xué))時(shí)段和平時(shí)出現(xiàn)較大的差異。

2)天氣因素:大雨或暴雪等惡劣天氣可能會(huì)影響地面的公共交通,部分客流會(huì)轉(zhuǎn)入地鐵,造成地鐵站進(jìn)站客流出現(xiàn)異常增長(zhǎng)現(xiàn)象[20]。

3)節(jié)假日因素:在中秋、國(guó)慶和元旦等節(jié)日期間,不同區(qū)域地鐵站的客流變化不同。通常,機(jī)場(chǎng)和火車站等交通樞紐區(qū)的站點(diǎn)在假期開始和結(jié)束時(shí)會(huì)迎來較大規(guī)模的客流;辦公區(qū)和住宅區(qū)附近的站點(diǎn)在早晚高峰時(shí)段的客流量會(huì)明顯降低;商業(yè)區(qū)站點(diǎn)的客流量會(huì)明顯增長(zhǎng)。需要注意的是,返鄉(xiāng)和出游等行為會(huì)使春節(jié)期間城市的客流量整體下降。節(jié)日和周末期間進(jìn)站客流量的時(shí)間分布見圖1。由圖1可知,兩個(gè)車站在春節(jié)期間的客流量最小,其他節(jié)日期間的客流量和該站周末的客流量時(shí)間分布相似。

圖1 節(jié)假日期間進(jìn)站客流量的時(shí)間分布

4)活動(dòng)因素:大型活動(dòng)(球賽、展會(huì)、演唱會(huì)等)結(jié)束后,靠近體育場(chǎng)、會(huì)展中心、音樂館等附近的站點(diǎn)在一段時(shí)間內(nèi)會(huì)有大規(guī)模的乘客涌入,給車站造成一定的壓力。不同規(guī)模和類型的活動(dòng)可能造成不同的影響。徐涇東站(接近國(guó)家會(huì)展中心(上海))和上海體育場(chǎng)站活動(dòng)期間和平時(shí)進(jìn)站客流量的時(shí)間分布見圖2。其中,徐涇東站的活動(dòng)指的是3個(gè)同時(shí)在上海會(huì)展中心舉辦的展會(huì)。由圖2(a)可知,展會(huì)為徐涇東站在12:00至20:00期間帶來了大量的客流,這種異?？土鞒掷m(xù)的時(shí)間較長(zhǎng)。上海體育場(chǎng)站的活動(dòng)指的是中超聯(lián)賽。由圖2(b)可知,球賽為上海體育場(chǎng)站在20:30至22:30帶來了聚集性的大客流,這種客流持續(xù)的時(shí)間一般較短。

圖2 活動(dòng)和平時(shí)進(jìn)站客流量的時(shí)間分布

5)出站客流因素:地鐵站進(jìn)/出站客流的時(shí)間分布可能出現(xiàn)明顯的“潮汐”現(xiàn)象[18]。大多數(shù)人群出行和返程可能選擇同種交通工具,導(dǎo)致在特定車站的某個(gè)時(shí)段出站方向出現(xiàn)大客流,在另一個(gè)時(shí)段該站的進(jìn)站方向也可能出現(xiàn)相似的現(xiàn)象。徐涇東站和上海體育場(chǎng)站活動(dòng)期間進(jìn)/出站客流量的時(shí)間分布見圖3。

圖3 活動(dòng)期間進(jìn)站和出站客流量的時(shí)間分布

由圖3可知,一個(gè)出站客流高峰后伴隨著一個(gè)進(jìn)站客流高峰。這說明出站客流和進(jìn)站客流的相關(guān)性較強(qiáng),尤其是在舉辦活動(dòng)的時(shí)候。因此,出站客流可以作為預(yù)測(cè)進(jìn)站客流的一個(gè)重要特征。

2 基于DENN的城市軌道交通進(jìn)站客流預(yù)測(cè)方法

在分析影響進(jìn)站客流因素的基礎(chǔ)上,提出一種考慮多種因素的城市軌道交通進(jìn)站客流預(yù)測(cè)方法DENN。該方法構(gòu)建了3個(gè)模塊分別模擬預(yù)測(cè)任務(wù)中的外部環(huán)境因素,進(jìn)站客流的時(shí)間依賴性以及出站客流的相關(guān)性,整體框架見圖4。

圖4 DENN的整體框架

2.1 數(shù)據(jù)預(yù)處理

本文的輸入數(shù)據(jù)主要為來自AFC的進(jìn)/出站客流數(shù)據(jù)以及外部環(huán)境數(shù)據(jù)。針對(duì)數(shù)值型的進(jìn)/出站客流數(shù)據(jù),首先通過最大-最小歸一化將數(shù)據(jù)轉(zhuǎn)化到[0,1]區(qū)間,以消除奇異樣本數(shù)據(jù)導(dǎo)致的不良影響[21]。接著,利用滑動(dòng)窗口技術(shù)構(gòu)造進(jìn)站和出站客流的輸入時(shí)序數(shù)據(jù)。t時(shí)刻進(jìn)站客流(圖5,紅色片段)和出站客流(圖5,綠色片段)的輸入向量分別為

圖5 進(jìn)站和出站客流的輸入示意

xt=[xt-T,xt-T+1,…,xt]∈R1×T

(1)

yt=[y0,y1,…,yt,yt+1,…,yL]∈R1×L

(2)

式中:xi和yi分別為時(shí)刻i的進(jìn)站和出站客流量;T為進(jìn)站客流歷史數(shù)據(jù)的長(zhǎng)度;L為1 d的樣本數(shù)量,本文L=225。

對(duì)于出站客流的輸入yt,由于出站客流在何時(shí)對(duì)進(jìn)站客流的影響較大是不確定的,無法選擇固定的時(shí)段作為輸入。因此,本文利用當(dāng)天當(dāng)前時(shí)刻t之前的所有已知出站客流量作為輸入,并將t時(shí)刻后的出站客流用0來填補(bǔ)(即yt+1=yt+2=…=yL=0),以保證不同時(shí)刻的輸入數(shù)據(jù)的長(zhǎng)度一致。

針對(duì)非數(shù)值型的外部環(huán)境數(shù)據(jù),如文本和時(shí)間類型,首先將其轉(zhuǎn)化為類別型數(shù)據(jù),見表1。其中,關(guān)于天氣信息,本文主要考慮晴雨天及空氣質(zhì)量對(duì)客流的影響。關(guān)于活動(dòng)信息,由于同一時(shí)期可能舉辦多個(gè)活動(dòng)且活動(dòng)的規(guī)模和開始/結(jié)束時(shí)間等詳情信息難以獲得,所以本文根據(jù)活動(dòng)客流模式,將其分為3個(gè)等級(jí)無活動(dòng),類型1,類型2。特別地,類型1的客流特點(diǎn)為“聚緩散急”[22]即活動(dòng)開始前參加活動(dòng)的乘客的出站時(shí)間分散,活動(dòng)結(jié)束后乘客的進(jìn)站時(shí)間高度集中,如圖3(b)所示。這類客流模式一般為球賽或音樂會(huì)等活動(dòng)導(dǎo)致。相應(yīng)地,類型2的客流特點(diǎn)為“聚緩散緩”即活動(dòng)結(jié)束后乘客進(jìn)站時(shí)間也是分散的,如圖3(a)所示。這類客流模式一般為展會(huì)導(dǎo)致。關(guān)于節(jié)日信息,由于清明、端午和國(guó)慶等節(jié)日的客流模式相似,所以將其歸為一類,而春節(jié)的客流與它們相差較大,所以單獨(dú)將其歸為一類;關(guān)于時(shí)間信息,本文主要考慮時(shí)刻和星期對(duì)客流的影響。t時(shí)刻外部環(huán)境的輸入向量為

(3)

表1 外部環(huán)境數(shù)據(jù)

2.2 GRU

GRU[11]是一種改進(jìn)的循環(huán)神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)的輸出不僅取決于當(dāng)前時(shí)刻的計(jì)算,還取決于以前時(shí)刻的計(jì)算,在捕獲時(shí)間序列長(zhǎng)期依賴性中有明顯的優(yōu)勢(shì)。故本文采用GRU來提取最近時(shí)段進(jìn)站客流的時(shí)間依賴性。GRU網(wǎng)絡(luò)的內(nèi)部結(jié)構(gòu)見圖6,其一次更新過程為

圖6 GRU的網(wǎng)絡(luò)結(jié)構(gòu)

rt=σ(Wr[ht-1;xt]+br)

(4)

ut=σ(Wu[ht-1;xt]+bu)

(5)

ct=tanh(Wc[ht-1⊙rt;xt]+bc)

(6)

ht=(1-ut)⊙ht-1+ut⊙ct

(7)

式中:xt為t時(shí)刻的輸入信息;ht-1∈Rm為t-1時(shí)刻的隱藏狀態(tài);m為隱藏狀態(tài)大小;[ ; ]表示兩個(gè)向量拼接;rt、ut分別為重置門和更新門,Wr、Wu分別為它們的權(quán)重矩陣,br、bu為對(duì)應(yīng)的偏置向量;ct為t時(shí)刻的候選隱藏狀態(tài),Wc、bc為對(duì)應(yīng)的權(quán)重矩陣和偏置向量;σ和tanh為激活函數(shù);⊙為哈達(dá)瑪積運(yùn)算。

進(jìn)站客流xt∈R1×T經(jīng)過GRU網(wǎng)絡(luò)得到的最終進(jìn)站特征向量it∈Rm為最后一個(gè)GRU單元的隱藏狀態(tài)ht。

2.3 Transformer

在深度學(xué)習(xí)算法中,Transformer[19]已經(jīng)成功應(yīng)用于自然語(yǔ)言處理[23]、機(jī)器視覺[24],以及長(zhǎng)時(shí)間序列預(yù)測(cè)[24]等領(lǐng)域。受益于其核心的注意力機(jī)制,Transformer可以自動(dòng)地學(xué)習(xí)序列中不同變量的重要程度,而不受時(shí)間先后順序的影響,成為長(zhǎng)序列建模中的理想選擇[24]。由于本文構(gòu)造的出站客流數(shù)據(jù)較長(zhǎng)(L=225),且基于前文分析的“潮汐”現(xiàn)象[18],本文采用Transformer學(xué)習(xí)進(jìn)站客流與所有歷史出站客流之間的全局交互信息。

圖7 DENN中Transformer的網(wǎng)絡(luò)結(jié)構(gòu)

(8)

式中:FCs為全連接網(wǎng)絡(luò);ReLU為激活函數(shù)。

(9)

(10)

(11)

(12)

(13)

Step3經(jīng)過殘差連接和歸一化(Add&Norm)處理,以提高訓(xùn)練的有效性和網(wǎng)絡(luò)的泛化能力,具體公式為

(14)

式中:Norm為進(jìn)行歸一化處理。

Step4經(jīng)過前饋神經(jīng)網(wǎng)絡(luò)(FNN),獲得輸出。本文前饋網(wǎng)絡(luò)由兩個(gè)全連接層組成。

(15)

Step5重復(fù)Step4,得到客流相關(guān)信息ot。

Step6使it=ot重復(fù)N次Step2至Step5,以提取深層信息。

2.4 特征嵌入模塊

圖8 特征嵌入模塊的網(wǎng)絡(luò)結(jié)構(gòu)

2.5 特征融合及預(yù)測(cè)

如圖4所示,經(jīng)過上述各模塊的特征提取分別得到進(jìn)站客流信息it,出站客流相關(guān)信息ot,以及外部特征信息et。參考文獻(xiàn)[25],本文通過全連接網(wǎng)絡(luò)對(duì)提取的特征進(jìn)行融合并實(shí)現(xiàn)預(yù)測(cè),具體計(jì)算式為

iot=ReLU[FCs([ot;it])]

(16)

(17)

此外,為了評(píng)估模型,本文采用均方根誤差RMSE、平均絕對(duì)誤差MAE和平均絕對(duì)百分比誤差MAPE作為評(píng)價(jià)指標(biāo)[18]。最小化實(shí)際進(jìn)站客流量和預(yù)測(cè)值之間的誤差。DENN模型的損失函數(shù)loss為

(18)

3 實(shí)驗(yàn)驗(yàn)證與分析

3.1 數(shù)據(jù)描述及參數(shù)設(shè)置

本文選取上海地鐵的徐涇東站(接近國(guó)家會(huì)展中心(上海))和上海體育場(chǎng)站的進(jìn)站客流作為預(yù)測(cè)目標(biāo)。采用2018年7月1日至2019年5月31日的AFC數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù)集。該數(shù)據(jù)集包括周末、節(jié)假日以及期間的所有活動(dòng)共計(jì)335 d。每個(gè)車站每天有225個(gè)樣本,從05:00:00到23:40:00每5 min匯總一次。將前300 d(2018-07-01—2019-04-26)作為訓(xùn)練集,后35 d作為測(cè)試集(2019-04-26—2019-05-31)。訓(xùn)練集和測(cè)試集中客流數(shù)據(jù)詳情見表2,如果在節(jié)日期間舉辦了活動(dòng),則該天的客流視為活動(dòng)客流。

表2 數(shù)據(jù)描述

在兩個(gè)數(shù)據(jù)集上,對(duì)DENN的參數(shù)經(jīng)過多次調(diào)整,確定最終參數(shù)見表3。此外,在兩個(gè)數(shù)據(jù)集上對(duì)模型進(jìn)行訓(xùn)練時(shí),將優(yōu)化器、批次大小、學(xué)習(xí)率、衰減率以及最大訓(xùn)練次數(shù)epoch分別設(shè)置為Adam、64、0.001、0.4和100。訓(xùn)練的損失函數(shù)變化見圖9,由圖9可知DENN在兩個(gè)數(shù)據(jù)集上經(jīng)過40次訓(xùn)練后,逐漸收斂。這說明模型具有較好的收斂性和魯棒性。

表3 DENN在兩個(gè)數(shù)據(jù)集上的參數(shù)設(shè)置

圖9 兩個(gè)車站的損失變化

3.2 對(duì)比模型

為了進(jìn)一步展示DENN模型的預(yù)測(cè)效果,選擇以下幾種基準(zhǔn)模型作對(duì)比。

1)歷史平均 (historical average,HA):采用過去2周內(nèi)同一天相同時(shí)段的客流量均值來預(yù)測(cè)未來對(duì)應(yīng)時(shí)間段的客流。

2)套索回歸(lasso regression,LR):在多元線性回歸基礎(chǔ)上增加了一個(gè)L1懲罰函數(shù)。輸入為DENN中的進(jìn)站客流分量。

3)XGBoost[6]:一種集成學(xué)習(xí)方法,由一些列弱學(xué)習(xí)器組成。本文將學(xué)習(xí)器的數(shù)量(n_estimators)設(shè)為350,最大深度(max_depth)設(shè)為9,最小子節(jié)點(diǎn)權(quán)重和(min_child_weight)設(shè)為4。輸入為DENN中的進(jìn)站客流和外部特征。

4)GRU:包含一個(gè)隱藏層及一個(gè)全連接層,其他設(shè)置與DENN相同。輸入為DENN中的進(jìn)站客流。

此外,為了驗(yàn)證DENN中每個(gè)分量的有效性,還設(shè)計(jì)了DENN的兩種變體模型。

1)DENN/ex:該模型不包含特征嵌入模塊。

2)DENN/out:該模型不包含Transformer。

上述兩種變體模型,除了以上提及的差異,其他設(shè)置與DENN相同。

3.3 實(shí)驗(yàn)結(jié)果及分析

本文所有模型的運(yùn)行環(huán)境是NVIDIA RTX3060 GPU。所提模型是在Tensorflow2.7框架下實(shí)現(xiàn)的,訓(xùn)練一個(gè)批次的時(shí)間是10.74 s,預(yù)測(cè)一個(gè)批次的時(shí)間是0.53 s。提出方法可以實(shí)時(shí)運(yùn)行,能夠?qū)崿F(xiàn)在線預(yù)測(cè)。

所有模型在兩個(gè)車站的預(yù)測(cè)結(jié)果見表4。由表4可知,由于傳統(tǒng)的線性模型HA和LR無法學(xué)習(xí)到地鐵客流量的非線性特征,預(yù)測(cè)性能較差。對(duì)比XGBoost和DENN/out可知,在相同的輸入信息下,基于RNN的神經(jīng)網(wǎng)絡(luò)方法效果優(yōu)于傳統(tǒng)的機(jī)器學(xué)習(xí)算法。對(duì)比神經(jīng)網(wǎng)絡(luò)方法(表4后4行)可知,融合出站信息或外部環(huán)境數(shù)據(jù)都能進(jìn)一步提高模型的預(yù)測(cè)精度。具體地,在徐涇東和上海體育場(chǎng)站,就MAE而言,DENN較GRU分別下降了10.29%和17.82%。對(duì)比DENN/out,DENN/ex和DENN,在徐涇東站(上海體育場(chǎng)站),較DENN/out和DENN/ex的MAE,DENN分別下降了4.83%和2.87%(3.08%和9.04%)。

表4 所有模型在徐涇東和上海體育場(chǎng)站的預(yù)測(cè)結(jié)果

此外,本文還分析了提出模型和幾種對(duì)比模型在常態(tài),活動(dòng)以及節(jié)日3種場(chǎng)景下的預(yù)測(cè)性能,結(jié)果見圖10。由圖11可知,提出模型DENN在兩個(gè)車站的3種場(chǎng)景下,所有的預(yù)測(cè)指標(biāo)都優(yōu)于其他模型。同時(shí),為了更好的說明客流量的波動(dòng)和DENN的預(yù)測(cè)結(jié)果,圖11展示了DENN在工作日,非工作日,勞動(dòng)節(jié)以及活動(dòng)期間的部分客流預(yù)測(cè)結(jié)果及殘差。其中,徐涇東站的活動(dòng)是2019上海國(guó)際美容美發(fā)化妝用品進(jìn)出口博覽會(huì),上海體育場(chǎng)站的活動(dòng)是足球賽。由圖10、圖11可知,提出模型在所有場(chǎng)景下都能很好地捕捉真實(shí)的客流波動(dòng)。這進(jìn)一步說明了DENN具有較強(qiáng)的魯棒性。

圖10 多種模型在多種場(chǎng)景下的預(yù)測(cè)結(jié)果對(duì)比

圖11 DENN的預(yù)測(cè)值和真實(shí)客流量的比較

3.4 外部因素敏感性分析

為了進(jìn)一步分析外部因素對(duì)預(yù)測(cè)結(jié)果的影響程度,本文設(shè)計(jì)了DENN的6種變體模型。

1)DENN_w:特征嵌入模塊只包含晴雨天特征。

2)DENN_q: 特征嵌入模塊只包含空氣質(zhì)量特征。

3)DENN_a: 特征嵌入模塊只包含活動(dòng)特征。

4)DENN_f: 特征嵌入模塊只包含節(jié)日特征。

5)DENN_x: 特征嵌入模塊只包含星期特征。

6)DENN_t: 特征嵌入模塊只包含時(shí)刻特征。

6種變體模型,除了以上提及的差異,其他設(shè)置與DENN相同。上述模型在兩個(gè)車站上預(yù)測(cè)結(jié)果的MAE見表5。對(duì)比不包含外部特征模塊的變體模型DENN/ex可知,在兩個(gè)車站上所有變體模型的MAE都有了進(jìn)一步的改進(jìn)。在徐涇東站,天氣對(duì)預(yù)測(cè)結(jié)果的影響最大,星期的影響最小;在上海體育場(chǎng)站,節(jié)日對(duì)預(yù)測(cè)結(jié)果的影響最大,空氣質(zhì)量的影響最小。這說明了不同車站對(duì)不同因素的敏感程度不同,同時(shí)進(jìn)一步說明了對(duì)外部因素建模的有效性。

表5 所有變體模型在徐涇東和上海體育場(chǎng)站的預(yù)測(cè)結(jié)果

3.5 注意力權(quán)重分析

提出模型中Transformer模塊的注意力權(quán)重衡量了不同時(shí)刻的出站客流對(duì)進(jìn)站客流預(yù)測(cè)的重要程度。上海體育場(chǎng)站連續(xù)兩周同一天(2019年5月4日和2019年5月11日)預(yù)測(cè)過程中每個(gè)時(shí)刻的進(jìn)站客流與其對(duì)應(yīng)的歷史出站客流之間的注意力權(quán)重見圖12,其中顏色越深表示權(quán)重越大。由圖12中熱力圖的每列可知,特定時(shí)刻出站客流的注意力權(quán)重在不同的預(yù)測(cè)時(shí)刻是動(dòng)態(tài)變化的;同時(shí),由熱力圖的每行可知,預(yù)測(cè)特定時(shí)刻的進(jìn)站客流時(shí),對(duì)應(yīng)的歷史出站客流具有不同的注意力權(quán)重。這說明提出方法能夠自適應(yīng)地捕獲進(jìn)站和出站客流之間的動(dòng)態(tài)交互信息。

圖12 上海體育場(chǎng)站不同日期預(yù)測(cè)過程中進(jìn)站和出站客流之間交互的注意力權(quán)重

4 結(jié)論

本文提出了用于城市軌道交通短時(shí)進(jìn)站客流預(yù)測(cè)的深度集成神經(jīng)網(wǎng)絡(luò)DENN。與以往相似的研究相比,DENN同時(shí)考慮了出站客流,最近時(shí)段的進(jìn)站客流以及外部環(huán)境數(shù)據(jù),如天氣、時(shí)間和特殊事件,對(duì)進(jìn)站客流的影響。同時(shí),將Transformer引入客流預(yù)測(cè)領(lǐng)域,以提取出站客流的相關(guān)性。此外,使用上海地鐵徐涇東站和上海體育場(chǎng)站的實(shí)際運(yùn)營(yíng)數(shù)據(jù)對(duì)相關(guān)模型進(jìn)行了對(duì)比實(shí)驗(yàn)。結(jié)果表明:

1)集成了外部環(huán)境信息和出站客流信息的DENN模型大大地改善了預(yù)測(cè)效果,與只考慮進(jìn)站客流時(shí)間依賴性的GRU相比,MAE至少下降了10%。

2)DENN在普遍場(chǎng)景下的預(yù)測(cè)效果都優(yōu)于其他對(duì)比模型,具有更強(qiáng)的魯棒性,適用于實(shí)際應(yīng)用。下一步研究可以考慮空間特性及時(shí)刻表等領(lǐng)域知識(shí),以進(jìn)一步提高客流的預(yù)測(cè)精度,為時(shí)刻表調(diào)整和客流指導(dǎo)提供更準(zhǔn)確的數(shù)據(jù)支持。