CN102436603A - 基于概率树d预测的轨道交通全路网客流预测方法 - Google Patents

Abstract

本发明提供了一种轨道交通全路网客流预测方法。该方法包括：根据历史OD数据以及起点站、进站时间段，按出站位置出现的概率建立相应的概率树集合；不间断地获取乘客进站信息(O数据)，根据历史统计学习结果中的预测树，预测每条O数据对应的乘客出站信息(D数据)；通过叠加每一条OD数据对全路网客流的影响，从而得到整个路网的站点、行车区间客流信息。该方法解决了轨道交通全路网客流不能直接测量造成的不能实时显示和预测的问题。除此之外，该方法预测结果良好，容易扩展，可以支持短时客流预测、异常客流预测。

Description

基于概率树D预测的轨道交通全路网客流预测方法

技术领域

本发明提供了一种新的基于概率树D预测的轨道交通全路网客流预测方法，方法名是概率树D(一次出行的终点站Destination)预测方法，该方法使用概率树(一种自定义二叉树)，通过预测终点站的位置，从而进行轨道交通全路网客流预测，其根据进站位置和时间预测预测出站位置、时间以及全路网站点、行车区间的客流。 

背景技术

随着智慧城市的提出，智慧交通作为智慧城市中的重要环节，其所面临的问题尤为突出。近半个世纪以来，交通拥挤、道路阻塞和交通事故频发正越来越严重地困扰着世界各大城市。 

地铁，在全球已经成为一种重要的公共交通工具。相对于路面的公交车、出租车，轨道交通具有客运量大、速度快、时间准、运距长、舒适度高、受外界因素影响小等特点，然而，由于轨道交通结构的特殊性，轨道交通系统内的客流信息难以测量。轨道交通客流信息，包括车站进出站客流数量、在线运行列车载客数量，换乘站换乘客流量、站内人数等重要轨道交通路网客流数据信息。目前，世界各地的地铁大都采取一票制，因此无法直接获取实时的客流信息。然而，只根据已有的OD(一次出行的起始站Origination和终点站Destination)数据进行分析、统计得出的客流信息具有严重滞后性，不能满足实时性的要求。因此，轨道交通客流预测具有重要的意义。首先，结合已有信息和预测信息，可以推算出轨道交通内部的实时客流信息，为公共信息服务系统提供理论基础。 其次，通过对短时间内的客流预测，可以分析出客流的发展趋势，监测到潜在的安全隐患，使得及时处理成为可能，从而避免不必要的损失。 

本发明根据轨道交通的特点，以可以直接测量的OD数据为切入点，通过预测出进站位置对应的出站位置，计算出出站时间以及全路网客流信息。 

发明内容

本发明的目的在于提出了一种基于概率树D预测的轨道交通全路网客流预测方法。该方法根据历史OD对，统计得出全天各时间段的进站、出站匹配概率，然后通过不断获取即时进站数据，估计出站位置、时间及旅行线路，统计得出全路网客流。这种方法能准确预测出客流趋势，支持短时全路网客流预测和异常状况客流预测。 

本发明解决其技术问题所采取的技术方案是：通过概率统计方法，统计出一天中的各个时间段内，每一个进站位置对应的各出站位置概率，在此基础上，通过不断获取即时进站数据，估计出站位置、时间及旅行线路，计算出全路网客流。首先，将一天的时间划分成连续的n个时间段，在每个时间段中，根据对应出站位置出现的概率，为每一个进站位置建立一棵概率树；然后，不断获取进站数据，根据概率树中的匹配概率随机指定出站位置，再根据历史路径选择比例随机指定旅行路线，通过客流分配方法，累计每条预测OD对的客流影响；最后，根据客流统计方法统计得出全路网客流信息。 

下面详细说明本发明的技术方案：一种基于概率树D预测的轨道交通全路网客流预测方法，包括两个步骤： 

步骤一通过统计历史OD数据，得出概率树集合：将全天划分成连续时间段，根据对应出站位置的概率，为每个进站位置建立概率树，包括： 

(1)裸树建立 

按出站位置出现的概率，建立二叉树，并满足概率越大的出站位置所在深 度越浅，概率越小的出站位置所在的深度越深； 

概率树的特征描述如下： 

概率树为二叉树，每个节点被选中的概率为该节点的节点概率属性值；除叶节点外，每一个节点均有左、右两棵子树；每一个叶节点指向一个可能的出站位置； 

(2)更新分叉概率 

计算出每个非叶节点的分叉概率，分叉概率的特点为当概率小于节点的分叉概率属性值时，选中节点的左子树，否则，选中节点的右子树。 

其中，根据历史OD数据得出概率树集合，指将全天时间划分为连续的n个时间段{I1，I2，...，In}，为每个时间段的每个进站位置建立一棵出站概率树 

表示在时间段Ii中，进站位置为sj的出站概率树。其中，轨道交通系统中的位置站集合为S＝{s_i|i＝1，2，3，...，N}，N为位置站总数。对一个给定的进站位置s_O∈S，可能的出站位置集合为S_D＝{s_i|i＝1，2，...，N，i≠o}，去每个出站位置的概率集合为P_D＝{p_i|i＝1，...，N，i≠o}，且满足 

得出的概率树集合为  $T=\left\{T_{I_i,s_j}\right|I_i\∈I,s_j\∈S\}.$

一棵概率树的建立分为裸树建立和更新分叉概率两个阶段。在裸树建立阶段中，根据“出站位置的概率越大，其所在位置的深度越小”的原则，确定概率树结构以及每个节点的节点概率。概率树为二叉树，除叶节点外，每一个节点均有左、右两棵子树；每一个叶节点指向一个可能的出站位置。其中，节点概率为概率树的每个节点node的一个属性，概率树的每个节点node具有一个属性节点概率pn，表示节点node以概率pn被选中。在更新分叉概率阶段中，通过递 归算法，更新概率树的分叉概率，其中，分叉概率qn为概率树 的每个非叶节点具有属性分叉概率qn，当概率大于qn时，进入节点左子树查询，否则，进入到节点右子树查询。叶节点指向一个位置站，没有分叉概率。 

步骤二通过获取进站数据，预测出出站位置，通过客流分配方法计算出全路网客流信息。 

其中，预测进站位置对应的出站位置，包括根据个各出站位置的概率随机指定出站位置。根据预测得到的进站出站匹配对(OD对)，根据历史选择比例选择有效路径path0，模拟乘客进站、等车、上车、下车、换乘、出站等，从而计算出其出站时间及其对全路网客流的影响。具体如下： 

(1)出站位置预测：根据进站时间段、进站位置找到指定概率树，通过生成随机数，在概率树中找出随机数对应的出站位置； 

(2)有效路径选择：根据历史有效路径的选择比例，随机指定有效路径； 

(3)计算出站时间：根据已知进出站位置、进站时间、旅行路线，模拟乘客的旅行过程，通过查询列车运行时刻表，估算乘客进出站、换乘时间，确定乘客乘坐的车次，估计乘客的出站时间，并且记录下每个乘客的上下车次、换乘通道； 

(4)统计全路网客流：根据计算出站时间阶段记录的上下车客流、换乘客流，统计得出路段即时客流、车站即时客流、车站时间段客流。 

路段即时客流统计方法如下： 

如图2所示，若列车行驶在运行区间l_i，则区间l_i上的即时客流f(l_i，t_i)更新加上列车tr_i上的客流tr_i(s_i，t_i)；若列车停靠在非端点站s_i，则s_i前后的区间客流更新为f(l_i，t_i)＝f(l_i，t_i)+tr_i(s_i，t_i)/2，f(l_i-1，t_i)＝f(l_i，t_i)+tr_i(s_i，t_i)/2；若列车停靠在端点站，如s_i-1，则区间客流更新为f(l_i-1，t_i)＝f(l_i，t_i)+tr_i(s_i-1，t_i)/2。 

车站即时客流统计方法如下： 

$N_A=\underset{i=1}{\overset{s}{\mathrm{\Σ}}}{N}_{{\mathrm{AI}}_i}+\underset{i=1}{\overset{s}{\mathrm{\Σ}}}{N}_{{\mathrm{AO}}_i}+\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{N}_{{\mathrm{AT}}_i}$

其中： 

N_A：站A内的乘客总数； 

进站但未上车(或上了车车还没有开走)的乘客数目，s为该换乘站所在的线路数； 

下车但未出站的乘客数目，s为该换乘站所在的线路数； 

第1条至第k条换乘通道中正在换乘的乘客数目； 

为i号线A站正在进站的人数，为在[t₀，t₀+t_wi]时间段，离开i号线A站的所有上下行列车上车的人数减去换乘上车的人数。t_wi为i号线站A的进站时间； 

为i号线A站正在出站的人数，为在[t₀-t_wo，t₀]时间段，到达i号线A站的所有上下行列车下车的人数减去下车去换乘的人数；t_wo为i号线站A的出站时间； 

为i号线在A站第i条换乘通道中的人数。假设此换乘通道从p位置换到q位置，则当时换乘的人数为[t₀，t₀+t_pq]时间段内离开q位置的上下行所有列车从p位置换乘的乘客数，t_pq为相应换乘通道的换乘时间。 

车站时间段客流统计方法如下： 

车站时间段[t₁，t₂]之间的客流统计是指统计该时间段内的进站总人次，出站总人次，以及各换乘通道的换乘总人次，具体为： 

进站总人次：进站时间在[t₁，t₂]的总人次； 

出站总人次：出站时间在[t₁，t₂]的总人次； 

p位置换至q位置换乘总人次：[t₁，t₂]时间段内，到达p位置的所有上下行车换到q位置上下行车的总人次。 

本发明的优点如下： 

(1)本方法原理简单，计算方便，在处理百万级的客流数据方面，具有可行性及可操作性。 

(2)本方法能有效的预测出轨道交通地铁站出站客流、换乘客流、行车区间客流、上下车客流等全路网客流。 

(3)本方法只需及时获取进站数据，然后预测出出站位置，无需历史的详细全路网客流项为基础，可以实现短时客流预测。 

(4)本方法保留了轨道交通全路网客流间的联系，可以实现异常客流预测，具有很大的实际意义。 

附图说明

图1是该发明实现全路网客流预测模型的全过程流程图 

图2是该发明统计全路网客流阶段中车站即时客流统计方法中列车位置示意图 

具体实施方式

本发明方法是基于概率统计算法，算法核心是根据乘客进站的位置及时间，预测出其出站的位置及时间，通过累加单条进站出站匹配对(OD对)对全路网客流的影响，计算出整个全路网的客流。 

实施方法分为两部分，分别是概率树生成和预测。如图1所示，具体步骤如下： 

步骤一 通过统计历史OD数据，得出概率树集合。 

根据历史OD数据得出概率树集合，指将全天时间时间划分为连续的n个时间段{I₁，I₂，...，I_n}，为每个时间段的每个进站位置建立一棵出站概率树。设轨道 交通系统中的位置站集合为S＝{s_i|i＝1，2，3，...，N}，N为位置站总数。对一个给定的进站位置s_O∈S，可能的出站位置集合为S_D＝{s_i|i＝1，2，...，N，i≠o}，去每个出站位置的概率集合为P_D＝{p_i|i＝1，...，N，i≠o}，且满足 

得出的概率树集合为 

概率树 

表示在时间段I_i中，进站位置为s_j的出站概率树。概率树的每个节点node具有一个属性节点概率p_n，表示节点node以概率p_n被选中。概率树 

的每个非叶节点具有属性分叉概率q_n，当概率大于q_n时，进入节点左子树查询，否则，进入到节点右子树查询。叶节点指向一个位置站，没有分叉概率。概率树的生成原则为：出站位置的概率越大，则其所在位置的深度越小。 

概率树生成分为裸树建立、更新分叉概率两个阶段。 

1.1：裸树建立 

步骤1-1-1，生成N个叶节点，每个叶节点的节点概率为p_i，指向位置站s_i。 

步骤1-1-2，将N个叶节点按概率从小至大排序，放入线性列表Array中。 

步骤1-1-3，取出Array中最小的两个节点，新建一个节点n，令n的左树为选区节点中概率小的节点，右树为选区节点中节点概率大的节点。令n的节点概率为所选节点的节点概率和。 

步骤1-1-4，将节点n放入线性列表Array中。 

步骤1-1-5，如果线性列表Array有一个以上的节点，执行步骤1-1-3。 

步骤1-1-6，如果线性列表中只剩下一个节点，另该节点为概率树的根节点。 

1.2：更新分叉概率 

更新分叉概率算法为递归算法，首先选取根节点为node节点。 

步骤1-2-1，如果node节点为叶节点，算法结束。 

步骤1-2-2，如果node节点为根节点且左子树存在，令node节点的分叉概率为左子树的节点概率。 

步骤1-2-3，如果node节点的左子树存在且不是叶节点，令左子树的分叉概率 为node节点分叉概率减去左子树的右子树的节点概率。 

步骤1-2-4，选取左子树节点为node节点，递归调用更新分叉概率算法。 

步骤1-2-5，如果node节点的右子树存在且不是叶节点，令右子树的分叉概率为node节点的分叉概率加上右子树的左子树的节点概率。 

步骤1-2-6，选区右子树节点为node节点，递归调用更新分叉概率算法。 

步骤二 通过获取进站数据，预测出出站位置，通过客流分配方法计算出全路网客流信息。 

预测部分分为四个阶段：出站位置预测，有效路径选择，计算出站时间，统计全路网客流。已知概率树T(t，s_O)，可预测出站位置s_D。出站时间则需要根据进站位置，进站时间，出站位置以及选择的有效路径path₀，模拟乘客进站、等车、上车、下车、换乘、出站等，从而算出其出站时间，可描述为t_D＝M(s_O，t_O，s_D，path₀)。 

2.1出站位置预测 

已知进站位置sO，进站时间t_O∈I_O，概率树 

的根节点为root。 

步骤2-1-1，生成随机数pp∈[0，1]。 

步骤2-1-2，选取root节点为当前节点nc。 

步骤2-1-3，如果pp≤nc的分叉概率，选取当前节点nc的左子树节点为当前节点nc。 

步骤2-1-4，否则，选取当前节点nc的右子树节点为当前节点nc。 

步骤2-1-5，如果nc不是叶节点，继续执行步骤2-1-3。 

步骤2-1-6，如果nc是叶节点，nc指向的位置站为预测得出的出站位置。 

2.2有效路径选择 

已知进站及出站位置后，根据历史有效路径的选择比例，随机指定有效路径。 

2.3计算出站时间 

已知进站位置为s_O，进站时间为s_D，进站时间为t_O，选择的有效路径为path₀。 

步骤2-3-1，如果进站位置s_O与有效路径path₀中的第一个站不一致，则判别其 为进站伪换乘，令当前时间t＝t_O+换乘时间。 

步骤2-3-2，如果进站位置s_O与有效路径path₀中的第一个站一致，则令当前时间t＝t_O+进站时间。 

步骤2-3-3，读取有效路径中的关键位置站(关键位置站指进站位置、出站位置、经过的换乘站位置)。 

步骤2-3-4，如果选取位置站是有效路径中的第奇数个关键位置站，等待即将到来的一辆列车tr，令当前时间t为该列车tr离开的时间，列车tr在该位置站的上车乘客数加1。执行步骤2-3-3。 

步骤2-3-5，如果选取位置站是偶数站且不是最后一站，下车，令当前时间t为列车tr到达该站的时间，tr在该位置的下车乘客数加1；换乘至另一个站台，令t＝t+换乘时间，列车tr的该换乘通道乘客数+1。执行步骤2-3-3。 

步骤2-3-6，如果选取位置站是最后一站，下车，令当前时间t为列车tr到达该站的时间，tr在该位置站的下车乘客数加1。 

步骤2-3-7，如果出站位置与有效路径的最后一站不一致，则判别其为出站伪换乘，令当前时间t＝列车到站时间+换乘时间。 

步骤2-3-8，如果出站位置与有效路径的最后一站一致，则令当前时间t＝列车到站时间+出站时间。 

2.4统计全路网客流 

本方法中给出三种客流的统计方法，分别是路段即时客流统计、车站即时客流统计、车站时间段客流统计。 

2.4.1路段即时客流统计 

列车tr_i在时刻t_i的状态有两种，停靠在站s_i内或者行驶在运行区间l_i，如图2所示。 

若列车行驶在运行区间l_i，则区间l_i上的即时客流f(l_i，t_i)更新加上列车tr_i上的客流tr_i(s_i，t_i)。若列车停靠在非端点站s_i，则s_i前后的区间客流更新为f(l_i，t_i)＝f(l_i，t_i)+tr_i(s_i，t_i)/2，f(l_i-1，t_i)＝f(l_i，t_i)+tr_i(s_i，t_i)/2。若列车停靠在端点站，如 s_i-1，则区间客流更新为f(l_i-1，t_i)＝f(l_i，t_i)+tr_i(s_i-1，t_i)/2。 

2.4.2车站即时客流统计 

车站即时客流统计的是指时刻t₀在车站A内的客流总数。即统计在时刻t₀时在地铁站内的乘客总数，包括进站但未上车(或上了车，车还没开走)的乘客数目、下车但未出站的乘客数目、正在各换乘通道换乘的乘客数目。计算如下： 

$N_A=\underset{i=1}{\overset{s}{\mathrm{\Σ}}}{N}_{{\mathrm{AI}}_i}+\underset{i=1}{\overset{s}{\mathrm{\Σ}}}{N}_{{\mathrm{AO}}_i}+\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{N}_{{\mathrm{AT}}_i}$

其中： 

N_A：站A内的乘客总数； 

进站但未上车(或上了车车还没有开走)的乘客数目，s为该换乘站所在的线路数。 

下车但未出站的乘客数目，s为该换乘站所在的线路数。 

第1条至第k条换乘通道中正在换乘的乘客数目。 

为i号线A站正在进站的人数，为在[t₀，t₀+t_wi]时间段，离开i号线A站的所有上下行列车上车的人数减去换乘上车的人数。t_wi为i号线站A的进站时间。 

为i号线A站正在出站的人数，为在[t₀-t_wo，t₀]时间段，到达i号线A站的所有上下行列车下车的人数减去下车去换乘的人数。t_wo为i号线站A的出站时间。 

为i号线在A站第i条换乘通道中的人数。假设此换乘通道从p位置换到q位置，则当时换乘的人数为[t₀，t₀+t_pq]时间段内离开q位置的上下行所有列车从p位置换乘的乘客数，t_pq为相应换乘通道的换乘时间。 

2.4.3车站时间段客流统计 

时间段[t₁，t₂]之间的站A客流统计是指统计该时间段内的进站总人次，出站总人次，以及各换乘通道的乘客人次，计算方法如下。 

进站总人次：进站时间在[t₁，t₂]的总人次。 

出站总人次：出站时间在[t₁，t₂]的总人次。 

p位置换至q位置换乘总人次：[t₁，t₂]时间段内，到达p位置的所有上下行车换到q位置上下行车的总人次。 

Claims (4)

1.一种基于概率统计的概率树D预测全路网客流预测方法，其特征在于，包括：

步骤一、根据历史OD数据生成概率树集合：将全天划分成连续时间段，根据对应出站位置的概率，为每个进站位置建立概率树，包括：

(1)裸树建立

按出站位置出现的概率，建立二叉树，并满足概率越大的出站位置所在深度越浅，概率越小的出站位置所在的深度越深；

概率树的特征描述如下：

概率树为二叉树，每个节点被选中的概率为该节点的节点概率属性值；除叶节点外，每一个节点均有左、右两棵子树；每一个叶节点指向一个可能的出站位置；

(2)更新分叉概率

计算出每个非叶节点的分叉概率，分叉概率的特点为当概率小于节点的分叉概率属性值时，选中节点的左子树，否则，选中节点的右子树；

步骤二、通过获取进站数据，根据概率树预测出出站位置，通过客流分配方法计算出全路网客流信息，包括：

(1)出站位置预测：根据进站时间段、进站位置找到指定概率树，通过生成随机数，在概率树中找出随机数对应的出站位置；

(2)有效路径选择：根据历史有效路径的选择比例，随机指定有效路径；

(3)计算出站时间：根据已知进出站位置、进站时间、旅行路线，模拟乘客的旅行过程，通过查询列车运行时刻表，估算乘客进出站、换乘时间，确定乘客乘坐的车次，估计乘客的出站时间，并且记录下每个乘客的上下车次、换乘通道；

(4)统计全路网客流：根据计算出站时间阶段记录的上下车客流、换乘客流，统计得出路段即时客流、车站即时客流、车站时间段客流。

2.根据权利要求1所述的基于概率统计的概率树D预测全路网客流预测方法，其特征在于：路段即时客流统计方法如下：

若列车行驶在运行区间l_i，则区间l_i上的即时客流f(l_i，t_i)更新加上列车tr_i上的客流tr_i(s_i，t_i)；若列车停靠在非端点站s_i，则s_i前后的区间客流更新为f(l_i，t_i)＝f(l_i，t_i)+tr_i(s_i，t_i)/2，f(l_i-1，t_i)＝f(l_i，t_i)+tr_i(s_i，t_i)/2；若列车停靠在端点站，如s_i-1，则区间客流更新为f(l_i-1，t_i)＝f(l_i，t_i)+tr_i(s_i-1，t_i)/2。

3.根据权利要求1所述的基于概率统计的概率树D预测全路网客流预测方法，其特征在于：车站即时客流统计方法如下：

$N_A=\underset{i=1}{\overset{s}{\mathrm{\Σ}}}{N}_{{\mathrm{AI}}_i}+\underset{i=1}{\overset{s}{\mathrm{\Σ}}}{N}_{{\mathrm{AO}}_i}+\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{N}_{{\mathrm{AT}}_i}$

其中：

N_A：站A内的乘客总数；

进站但未上车(或上了车车还没有开走)的乘客数目，s为该换乘站所在的线路数；

下车但未出站的乘客数目，s为该换乘站所在的线路数；

第1条至第k条换乘通道中正在换乘的乘客数目；

为i号线A站正在进站的人数，为在[t₀，t₀+t_wi]时间段，离开i号线A站的所有上下行列车上车的人数减去换乘上车的人数；t_wi为i号线站A的进站时间；

为i号线A站正在出站的人数，为在[t₀-t_wo，t₀]时间段，到达i号线A站的所有上下行列车下车的人数减去下车去换乘的人数；t_wo为i号线站A的出站时间；

为i号线在A站第i条换乘通道中的人数，假设此换乘通道从p位置换到q位置，则当时换乘的人数为[t₀，t₀+t_pq]时间段内离开q位置的上下行所有列车从p位置换乘的乘客数，t_pq为相应换乘通道的换乘时间。

4.根据权利要求1所述的基于概率统计的概率树D预测全路网客流预测方法，其特征在于：车站时间段客流统计方法如下：

车站时间段[t₁，t₂]之间的客流统计是指统计该时间段内的进站总人次，出站总人次，以及各换乘通道的换乘总人次，具体为：

进站总人次：进站时间在[t₁，t₂]的总人次；

出站总人次：出站时间在[t₁，t₂]的总人次；

p位置换至q位置换乘总人次：[t₁，t₂]时间段内，到达p位置的所有上下行车换到q位置上下行车的总人次。

Images