一種基於列車運行時刻表的城市軌道交通斷面客流推測方法與流程

2023-12-05 12:28:46 1

本發明涉及一種基於列車運行時刻表的城市軌道交通斷面客流推測方法，屬於城市軌道交通智能技術。

背景技術：

城市軌道交通作為一種具備快捷、舒適、可靠、環保等多種優點出行方式，在許多大城市受到了極大的關注，尤其是在中國這個擁有龐大人口數量和高密度的城市人口分布。隨著各地政府對軌道交通建設的大力扶持，軌道交通線網的逐步發展完善，國內許多城市已迎來網絡化運營階段。而我國的城市軌道交通運營管理大多仍處於發展初期，管理經驗相對不足、缺乏科學的理論指導，運營管理水平急待提高。

城市軌道交通運營管理的核心是根據軌道交通客流狀態，有效調配系統資源，及時調整運營策略，保證軌道交通安全完成運輸服務任務。斷面客流是城市軌道交通客流狀態的基本參數，為線路上任一區間中某斷面位置在統計時段內通過的乘客數量，即在該統計時段內通過的所有列車的載客量之和。在現有的技術條件下，斷面客流量數據難以直接通過檢測獲得，尤其是實時斷面客流量的估計和預測更是網絡化運營中的一大難點。現有應用主要採用分時段統計歷史數據得到靜態OD分布矩陣，結合列車與站臺客流的交互關係進行模擬估計。這種估計方法是基於預測數據的二次實現，需要搭建仿真模擬軟體，實施過程中需要進行大量的計算。仿真模擬實際上是對未來一段時間軌道交通線網客流分布的變化進行模擬，其仿真結果是基於擬定方案進行的推測，無法直接反映斷面的客流通行需求。此外，通過從其它線路換乘至目標線路的乘客難以計入目標線路的斷面客流。因此，需要一種簡單而直接的新方法來實現對軌道交通城市軌道交通斷面客流需求量的推測。

技術實現要素：

發明目的：為了克服現有技術中軌道交通運營對於線網客流實時分布估計和預測的不足，本發明提供一種基於列車運行時刻表的城市軌道交通斷面客流推測方法，該方法使用基於列車運行時刻表的歷史客流單向OD矩陣進行斷面客流估計，並利用實時檢測的數據作為輸入建立基於BP神經網絡的預測模型以提高斷面客流預測的準確性。

技術方案：為實現上述目的，本發明採用的技術方案為：

一種基於列車運行時刻表的城市軌道交通斷面客流推測方法，包括如下步驟：

(1)運營時段劃分：根據軌道交通運營管理的需求確定OD矩陣統計的時間粒度Δt，根據時間粒度Δt將單日的運營時間劃分為K個時段，分別標記為k＝1,2,…,K，其中，第k個時段表示運營時間(t0+(k-1)×Δt,t0+k×Δt)，t0表示單日的運營時間開始時刻；

(2)歷史出站交易數據清洗：選擇足夠樣本量的歷史出站交易數據(出站交易數據包括乘客完整的進出站時間和站點編號)，對歷史出站交易數據進行清洗，剔除異常數據；

(3)目標線路數據提取：從經清洗後的歷史出站交易數據中提取出歷史目標線路數據；

(4)歷史客流上行OD矩陣統計：以第n天的第k個時段內從站點1出發的上行列車搭載的乘客作為統計對象，基於列車運行時刻表對歷史目標線路數據進行時空匯聚，得到第n天的第k個時段的歷史客流上行OD矩陣為：

其中：目標線路上行的站點編號依次為StationID＝{0,1,2,…,S}，0為目標線路上行的初始停留點，S為目標線路的站點總數，根據列車運行時刻表得到時間差集合TStation＝{t0-1,t1-2,t2-3,…,t(S-1)-S}，t0-1＝0，t(s-1)-s表示一列正常的上行列車從站點(s-1)出發和從站點s出發的時間差，s＝2,3,…,S；

表示第n天的時段內從站點i進站的乘客中最終從站點j出站的乘客總數，i,j＝1,2,…,S；對於歷史客流上行OD矩陣，當i≥j時，

(5)歷史上行斷面客流量估計：設在第k個時段內達到站臺s的乘客都能在第k個時段內上車，據此認為這些乘客都乘坐了第k個時段內到達站臺s的列車，結合歷史客流上行OD矩陣的定義，斷面c-(c+1)在統計時段內的歷史上行斷面客流量可估計為：

於是，在第k個時段內從站點1出發的上行列車在行駛過程中出現的最大歷史上行斷面客流量為：

其中：c＝1,2,…,S-1，出現最大歷史上行斷面客流量的斷面max[c-(c+1)]是衡量軌道交通服務水平和日常運營管理關注的重點區域；

(6)實時客流上行OD矩陣統計：對預測時段之前完成交易並上傳的預測日實時出站交易數據(在模型構建過程中該部分數據為歷史出站交易數據中出站時間在預測時段之前的預測日出站交易數據)，剔除異常數據後提取出實時目標線路數據，基於列車運行時刻表對實時目標線路數據進行時空匯聚，以預測日的第k個時段內從站點1出發的上行列車搭載的並於預測時段開始前完成出站的乘客作為統計對象，得到預測日的第k個時段的實時客流上行OD矩陣為：

其中：預測時段為第n天的第p個時段，p＝k+1,k+2,…,K；表示第n天的時段內從站點i進站的乘客中最終在第p個時段開始前從站點j出站的乘客總數；對於實時客流上行OD矩陣，當i≥j時，

(7)站點進站客流量統計：對經清洗後的歷史出站交易數據，根據乘客進站時間分時段進行統計，得到第n天的第k個時段目標線路各站點的進站客流量StationEntryn,k；

(8)建立斷面客流預測模型：選取與預測時段相關性最大的歷史客流上行OD矩陣、實時客流上行OD矩陣、進站客流量、歷史上行斷面客流量和最大歷史上行斷面客流量作為輸入層候選特徵集，以預測時段內從站點1出發的上行列車在行駛過程中出現的歷史上行斷面客流量估計作為輸出層預測集，經過反覆的訓練和調整優化確定最終的輸入層特徵集數據，同時考慮時間複雜度和預測精度設置合理的隱層節點數量，最終建立基於BP神經網絡的斷面客流預測模型；

(9)斷面客流預測模型應用：從歷史出站交易數據和實時出站交易數據中提取預測時段對應的輸入層特徵集數據，使用步驟(8)建立的基於BP神經網絡的斷面客流預測模型進行預測，輸出即為預測時段內從站點1出發的上行列車在行駛過程中出現的實時上行斷面客流量的預測值。

具體的，所述時間粒度Δt大小的確定原則主要考慮所估計(或預測)斷面客流數據的用途，例如在實際應用中：若斷面客流數據用於表示運營時段內線網客流出行分布情況的變化規律，一般可將時間粒度設置為0.5～2h；若用於優化列車發車間隔，宜將時間粒度設置為10～30min；若用於估計線路上運行列車的實時載客量，宜將時間粒度設置為5～10min。

具體的，所述異常數據包括異常交易日數據和異常交易記錄；其中異常交易日數據是指由於數據傳輸過程丟失或錯誤以及大型突發事件導致的當日客流量顯著偏離正常值範圍；異常交易記錄是指存在進出站時間非同一個交易日、進出站點編號相同、交易發生時間超出運營時間等非正常交易情況的交易記錄。

具體的，可採用孤立點分析或可靠性分析辨識異常交易日數據，一般異常交易日數據出現的概率比較低，對於缺失數據的交易日，可採用前後一個相同特徵日同時段的進站客流量、OD矩陣數據對當日的客流狀態進行趨勢估計(如周相似法)；異常交易記錄相對總體客流量而言所佔比例往往也很小，故對於異常交易記錄只需要進行一些簡單的條件篩選即可發現並剔除。

具體的，所述目標線路數據包括兩部分，即進出站都在目標線路上的進出站交易數據和換乘路徑涉及目標線路的換乘交易數據；對於換乘交易數據，根據客流路徑分配算法(例如最短路徑算法)確定乘客在目標線路上的換乘站點，根據列車運行時刻表、乘客平均換乘時間、乘客平均等待時間、乘客平均出站時間和原交易記錄出站時間估計乘客到達和離開目標線路換乘站的時間，以乘客到達目標線路的換乘站作為進站站點，以乘客離開目標線路的換乘站作為出站站點，以乘客到達和離開目標線路換乘站的時間分別作為進站和出站交易時間，原交易記錄歸屬目標線路的交易站點和交易時間保留原數據，由此生成換乘路徑涉及目標線路乘客新的交易數據。

具體的，所述上行斷面客流量估計值為歷史客流上行OD矩陣中在統計斷面上遊進站且在統計斷面下遊出站元素的累加值。

需要指出的是，在步驟(6)中，由於部分在統計時段內進站的乘客在預測時段之前仍未出站，實時客流上行OD矩陣Realtime-ODMatrixn,p,k中統計的OD量往往小於統計時段的實際OD量。

需要指出的是，在步驟(8)中，斷面客流預測模型中輸入層特徵集數據和隱層節點數量的選取需要經過反覆的調試，考慮斷面客流預測模型的訓練時間需在可接受範圍內，選擇其中預測結果較為準確的參數建立最終的斷面客流預測模型。同時，由於軌道交通新線建設、客流結構組成、城市出行環境以及居民出行習慣的變化而導致軌道交通乘客出行規律的時間轉移性，需要定期地採用更新數據對斷面客流預測模型進行重新訓練。

有益效果：本發明提供的基於列車運行時刻表的城市軌道交通斷面客流推測方法，其優點在於：通過建立基於列車運行時刻表的客流單向OD矩陣進行歷史斷面客流估計，能夠簡化線路上區間斷面客流量估計的計算，並使得估計的結果更接近實際斷面客流量的真實值；通過建立基於BP神經網絡的斷面客流預測模型，可以選擇多種客流特徵參數作為預測模型的輸入數據，其中實時進站客流量和實時客流單向OD矩陣的引入能進一步提高模型預測結果的準確度，模型預測的結果反映了目標時段內的乘客通行需求，對企業運營管理具有極大的參考價值。

附圖說明

圖1為本發明方法的實施流程示意圖；

圖2為本發明的建模及模型訓練流程示意圖。

具體實施方式

下面結合附圖對本發明作更進一步的說明。

如圖1所示為一種基於列車運行時刻表的城市軌道交通斷面客流推測方法的流程，下面結合實例對本發明做出進一步的說明，實例中斷面客流預測以優化工作日的上行列車發車間隔為應用目的。

Step1：運營時段劃分

設定時間粒度Δt＝15min，按時間粒度Δt對運營時間(6:00～23:00)進行分段，共分成68個時間段(K＝68)。

Step2：數據清洗

選擇某城市連續5周工作日的原始出站交易數據(包含乘客完整的進出站時間及站點編號信息)用於構建城市軌道交通斷面客流預測模型。對日客流量數據進行孤立點分析，所選數據集中未出現顯著偏離的工作日。通過設置條件篩選剔除存在進出站時間非同一個交易日、進出站點編號相同、交易發生時間超出運營時間等非正常交易情況的交易記錄。

Step3：歷史目標線路數據提取

從經過清洗的數據中提取線網中歷史目標線路的交易數據的具體過程如下：

(a)進行條件篩選從數據提取出進出站站點編號屬於目標線路站點編號集合的交易記錄；

(b)進行條件篩選從數據提取出換乘乘客的交易記錄(進站和出站站點不屬於同一線路)，本實例對這部分數據使用客流路徑分配算法中的最短路徑算法判斷乘客的換乘路徑，根據換乘路徑確定乘客在目標線路上的換乘站點，根據列車運行時刻表、乘客平均換乘時間、乘客平均等待時間、乘客平均出站時間和原交易記錄出站時間估計乘客到達和離開目標線路換乘站的時間，以乘客到達目標線路的換乘站作為進站站點，以乘客離開目標線路的換乘站作為出站站點，以乘客到達和離開目標線路換乘站的時間分別作為進站和出站交易時間，原交易記錄歸屬目標線路的交易站點和交易時間保留原數據，由此生成換乘路徑涉及目標線路乘客新的交易數據。

對提取後的數據再進行一次檢驗，剔除其中進出站站點相同的交易數據。

Step4：歷史客流上行OD矩陣統計

設置目標線路上行的站點編號依次為StationID＝{0,1,2,…,S}，0為目標線路上行的初始停留點，S為目標線路的站點總數，根據列車運行時刻表得到時間差集合TStation＝{t0-1,t1-2,t2-3,…,t(S-1)-S}，t0-1＝0，t(s-1)-s表示一列正常的上行列車從站點(s-1)出發和從站點s出發的時間差，s＝2,3,…,S。

對歷史交易數據進行時空匯集可以得到目標線路在第w周第d天中各時間段對應的上行方向OD矩陣

其中，矩陣元素下標i和j分別表示客流進出站站點編號，由於統計對象為上行方向客流，當i≥j時，當i＜j時，的統計方法為：以t0表示運營時間開始時刻，統計第w周第d天的歷史交易數據在時間段內從站點i進站的乘客中最終從站點j出站的乘客總數。

Step5：上行斷面客流量估計

斷面c-(c+1)在統計時段內的上行斷面客流量可以估計為：

可以理解為：對同一個上行OD矩陣統計的斷面客流量，實際上就是(t0+k×Δt,t0+(k+1)×Δt)時間段內從站點1出發的上行列車行駛過程中在目標線路各區段的上行斷面客流量。在該過程中出現的最大上行斷面客流量為：

Step6：實時客流上行OD矩陣統計

對預測時段(當天第p個時段)之前完成交易並上傳的預測日實時出站交易數據(在模型構建過程中該部分數據為歷史出站交易數據中出站時間在預測時段之前的預測日出站交易數據)，剔除異常數據後提取出實時目標線路數據，基於列車運行時刻表對實時目標線路數據進行時空匯聚，以預測日(預測日為第w周第d天)的第k個時段內從站點1出發的上行列車搭載的並於預測時段開始前完成出站的乘客作為統計對象，得到預測日的第k個時段的實時客流上行OD矩陣為：

其中：表示預測日當天在時間段內從站點i進站的乘客中最終在第p個時段開始前從站點j出站的乘客總數，對於實時客流上行OD矩陣，當i≥j時，

Step7：站點進站客流量統計

對經清洗後的歷史交易數據，根據乘客進站時間分時段進行統計，得到第n天中第k個時段目標線路各站點的進站客流量StationEntryn,k。

Step8：建立斷面客流預測模型

由於本實例以優化工作日的上行列車發車間隔為應用目的，只需要對預測時段內從首站點出發的上行列車行駛過程中出現的最大上行斷面客流量即可。因此，可以對斷面客流預測模型輸出層進行簡化，僅以預測時段從首站點出發的上行列車在行駛過程中出現的最大斷面客流量作為模型輸出。

根據經驗並反覆嘗試最終選擇預測時段之前4個時間段的實時客流單向OD矩陣和進站客流量以及前一個相同特徵日同時段的歷史客流單向OD矩陣、進站客流量作為模型輸入特徵集，即同時，以預測時段從首站點出發的上行列車行駛過程中出現的最大上行斷面客流量為模型輸出。由於第一周數據只能作為模型輸入特徵，最後共獲得4周的數據樣本，以第二和第三周的數據作為訓練數據，以最後兩周的數據作為測試數據。同時考慮時間複雜度的因素，以及考慮預測的精度，最終設置隱層節點數為10，使用訓練數據建立基於BP神經網絡的最大斷面客流預測模型。使用測試數據對最大斷面客流預測模型進行檢驗，檢驗採用平均絕對百分比誤差(MAPE)法評估所建預測模型的準確性。一般認為當測試集數據實際值與預測值的MAPE值在允許的範圍內時(如<30％)，則認為方法是可行的。在該實例中，平均絕對百分比誤差(MAPE)值為12.9％)，顯示模型預測結果具有很好精確程度，可以用於指導實際軌道交通運營管理。

Step9：模型應用

根據Step8最終建立的模型，從歷史交易數據和實時進出站交易數據提取預測時段對應的輸入層特徵集數據，其中實時進站交易數據用於提取預測時段之前的進站客流量，實時出站數據用於提取實時客流上行OD矩陣，使用該斷面客流預測模型進行預測，模型輸出即為預測時段內從站點1出發的上行列車在行駛過程中出現的上行斷面客流量的預測值。

以上所述僅是本發明的優選實施方式，應當指出：對於本技術領域的普通技術人員來說，在不脫離本發明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應視為本發明的保護範圍。