CN106485359A - 一种基于列车运行时刻表的城市轨道交通断面客流推测方法 - Google Patents

Abstract

本发明公开了一种基于列车运行时刻表的城市轨道交通断面客流推测方法，首先从轨道交通历史数据库选择足够样本量的历史出站交易数据进行数据清洗，然后考虑换乘客流情况从经过清洗的数据中提取线网中涉及目标线路的交易数据，接着采用历史目标线路数据建立基于列车运行时刻表的历史客流单向OD(起讫点)矩阵，从原始数据中筛选出预测时段之前的交易日当天实时数据，参照历史客流单向OD矩阵的统计步骤获得实时客流单向OD矩阵，再结合站点进站客流数据，构建基于BP神经网络的断面客流预测模型，并对模型进行检验和调整。本发明可用于估计和预测轨道交通线路上各区间的断面客流，为轨道交通企业的运行状态评估和运营优化管理提供数据支持。

Description

一种基于列车运行时刻表的城市轨道交通断面客流推测方法

技术领域

本发明涉及一种基于列车运行时刻表的城市轨道交通断面客流推测方法，属于城市轨道交通智能技术。

背景技术

城市轨道交通作为一种具备快捷、舒适、可靠、环保等多种优点出行方式，在许多大城市受到了极大的关注，尤其是在中国这个拥有庞大人口数量和高密度的城市人口分布。随着各地政府对轨道交通建设的大力扶持，轨道交通线网的逐步发展完善，国内许多城市已迎来网络化运营阶段。而我国的城市轨道交通运营管理大多仍处于发展初期，管理经验相对不足、缺乏科学的理论指导，运营管理水平急待提高。

城市轨道交通运营管理的核心是根据轨道交通客流状态，有效调配系统资源，及时调整运营策略，保证轨道交通安全完成运输服务任务。断面客流是城市轨道交通客流状态的基本参数，为线路上任一区间中某断面位置在统计时段内通过的乘客数量，即在该统计时段内通过的所有列车的载客量之和。在现有的技术条件下，断面客流量数据难以直接通过检测获得，尤其是实时断面客流量的估计和预测更是网络化运营中的一大难点。现有应用主要采用分时段统计历史数据得到静态OD分布矩阵，结合列车与站台客流的交互关系进行模拟估计。这种估计方法是基于预测数据的二次实现，需要搭建仿真模拟软件，实施过程中需要进行大量的计算。仿真模拟实际上是对未来一段时间轨道交通线网客流分布的变化进行模拟，其仿真结果是基于拟定方案进行的推测，无法直接反映断面的客流通行需求。此外，通过从其它线路换乘至目标线路的乘客难以计入目标线路的断面客流。因此，需要一种简单而直接的新方法来实现对轨道交通城市轨道交通断面客流需求量的推测。

发明内容

发明目的：为了克服现有技术中轨道交通运营对于线网客流实时分布估计和预测的不足，本发明提供一种基于列车运行时刻表的城市轨道交通断面客流推测方法，该方法使用基于列车运行时刻表的历史客流单向OD矩阵进行断面客流估计，并利用实时检测的数据作为输入建立基于BP神经网络的预测模型以提高断面客流预测的准确性。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于列车运行时刻表的城市轨道交通断面客流推测方法，包括如下步骤：

(1)运营时段划分：根据轨道交通运营管理的需求确定OD矩阵统计的时间粒度Δt，根据时间粒度Δt将单日的运营时间划分为K个时段，分别标记为k＝1,2,…,K，其中，第k个时段表示运营时间(t₀+(k-1)×Δt,t₀+k×Δt)，t₀表示单日的运营时间开始时刻；

(2)历史出站交易数据清洗：选择足够样本量的历史出站交易数据(出站交易数据包括乘客完整的进出站时间和站点编号)，对历史出站交易数据进行清洗，剔除异常数据；

(3)目标线路数据提取：从经清洗后的历史出站交易数据中提取出历史目标线路数据；

(4)历史客流上行OD矩阵统计：以第n天的第k个时段内从站点1出发的上行列车搭载的乘客作为统计对象，基于列车运行时刻表对历史目标线路数据进行时空汇聚，得到第n天的第k个时段的历史客流上行OD矩阵为：

其中：目标线路上行的站点编号依次为StationID＝{0,1,2,…,S}，0为目标线路上行的初始停留点，S为目标线路的站点总数，根据列车运行时刻表得到时间差集合T_Station＝{t_0-1,t_1-2,t_2-3,…,t_(S-1)-S}，t_0-1＝0，t_(s-1)-s表示一列正常的上行列车从站点(s-1)出发和从站点s出发的时间差，s＝2,3,…,S；

表示第n天的时段内从站点i进站的乘客中最终从站点j出站的乘客总数，i,j＝1,2,…,S；对于历史客流上行OD矩阵，当i≥j时，

(5)历史上行断面客流量估计：设在第k个时段内达到站台s的乘客都能在第k个时段内上车，据此认为这些乘客都乘坐了第k个时段内到达站台s的列车，结合历史客流上行OD矩阵的定义，断面c-(c+1)在统计时段内的历史上行断面客流量可估计为：

于是，在第k个时段内从站点1出发的上行列车在行驶过程中出现的最大历史上行断面客流量为：

其中：c＝1,2,…,S-1，出现最大历史上行断面客流量的断面max[c-(c+1)]是衡量轨道交通服务水平和日常运营管理关注的重点区域；

(6)实时客流上行OD矩阵统计：对预测时段之前完成交易并上传的预测日实时出站交易数据(在模型构建过程中该部分数据为历史出站交易数据中出站时间在预测时段之前的预测日出站交易数据)，剔除异常数据后提取出实时目标线路数据，基于列车运行时刻表对实时目标线路数据进行时空汇聚，以预测日的第k个时段内从站点1出发的上行列车搭载的并于预测时段开始前完成出站的乘客作为统计对象，得到预测日的第k个时段的实时客流上行OD矩阵为：

其中：预测时段为第n天的第p个时段，p＝k+1,k+2,…,K；表示第n天的时段内从站点i进站的乘客中最终在第p个时段开始前从站点j出站的乘客总数；对于实时客流上行OD矩阵，当i≥j时，

(7)站点进站客流量统计：对经清洗后的历史出站交易数据，根据乘客进站时间分时段进行统计，得到第n天的第k个时段目标线路各站点的进站客流量StationEntry^n,k；

(8)建立断面客流预测模型：选取与预测时段相关性最大的历史客流上行OD矩阵、实时客流上行OD矩阵、进站客流量、历史上行断面客流量和最大历史上行断面客流量作为输入层候选特征集，以预测时段内从站点1出发的上行列车在行驶过程中出现的历史上行断面客流量估计作为输出层预测集，经过反复的训练和调整优化确定最终的输入层特征集数据，同时考虑时间复杂度和预测精度设置合理的隐层节点数量，最终建立基于BP神经网络的断面客流预测模型；

(9)断面客流预测模型应用：从历史出站交易数据和实时出站交易数据中提取预测时段对应的输入层特征集数据，使用步骤(8)建立的基于BP神经网络的断面客流预测模型进行预测，输出即为预测时段内从站点1出发的上行列车在行驶过程中出现的实时上行断面客流量的预测值。

具体的，所述时间粒度Δt大小的确定原则主要考虑所估计(或预测)断面客流数据的用途，例如在实际应用中：若断面客流数据用于表示运营时段内线网客流出行分布情况的变化规律，一般可将时间粒度设置为0.5～2h；若用于优化列车发车间隔，宜将时间粒度设置为10～30min；若用于估计线路上运行列车的实时载客量，宜将时间粒度设置为5～10min。

具体的，所述异常数据包括异常交易日数据和异常交易记录；其中异常交易日数据是指由于数据传输过程丢失或错误以及大型突发事件导致的当日客流量显著偏离正常值范围；异常交易记录是指存在进出站时间非同一个交易日、进出站点编号相同、交易发生时间超出运营时间等非正常交易情况的交易记录。

具体的，可采用孤立点分析或可靠性分析辨识异常交易日数据，一般异常交易日数据出现的概率比较低，对于缺失数据的交易日，可采用前后一个相同特征日同时段的进站客流量、OD矩阵数据对当日的客流状态进行趋势估计(如周相似法)；异常交易记录相对总体客流量而言所占比例往往也很小，故对于异常交易记录只需要进行一些简单的条件筛选即可发现并剔除。

具体的，所述目标线路数据包括两部分，即进出站都在目标线路上的进出站交易数据和换乘路径涉及目标线路的换乘交易数据；对于换乘交易数据，根据客流路径分配算法(例如最短路径算法)确定乘客在目标线路上的换乘站点，根据列车运行时刻表、乘客平均换乘时间、乘客平均等待时间、乘客平均出站时间和原交易记录出站时间估计乘客到达和离开目标线路换乘站的时间，以乘客到达目标线路的换乘站作为进站站点，以乘客离开目标线路的换乘站作为出站站点，以乘客到达和离开目标线路换乘站的时间分别作为进站和出站交易时间，原交易记录归属目标线路的交易站点和交易时间保留原数据，由此生成换乘路径涉及目标线路乘客新的交易数据。

具体的，所述上行断面客流量估计值为历史客流上行OD矩阵中在统计断面上游进站且在统计断面下游出站元素的累加值。

需要指出的是，在步骤(6)中，由于部分在统计时段内进站的乘客在预测时段之前仍未出站，实时客流上行OD矩阵Realtime-ODMatrix^n,p,k中统计的OD量往往小于统计时段的实际OD量。

需要指出的是，在步骤(8)中，断面客流预测模型中输入层特征集数据和隐层节点数量的选取需要经过反复的调试，考虑断面客流预测模型的训练时间需在可接受范围内，选择其中预测结果较为准确的参数建立最终的断面客流预测模型。同时，由于轨道交通新线建设、客流结构组成、城市出行环境以及居民出行习惯的变化而导致轨道交通乘客出行规律的时间转移性，需要定期地采用更新数据对断面客流预测模型进行重新训练。

有益效果：本发明提供的基于列车运行时刻表的城市轨道交通断面客流推测方法，其优点在于：通过建立基于列车运行时刻表的客流单向OD矩阵进行历史断面客流估计，能够简化线路上区间断面客流量估计的计算，并使得估计的结果更接近实际断面客流量的真实值；通过建立基于BP神经网络的断面客流预测模型，可以选择多种客流特征参数作为预测模型的输入数据，其中实时进站客流量和实时客流单向OD矩阵的引入能进一步提高模型预测结果的准确度，模型预测的结果反映了目标时段内的乘客通行需求，对企业运营管理具有极大的参考价值。

附图说明

图1为本发明方法的实施流程示意图；

图2为本发明的建模及模型训练流程示意图。

具体实施方式

下面结合附图对本发明作更进一步的说明。

如图1所示为一种基于列车运行时刻表的城市轨道交通断面客流推测方法的流程，下面结合实例对本发明做出进一步的说明，实例中断面客流预测以优化工作日的上行列车发车间隔为应用目的。

Step1：运营时段划分

设定时间粒度Δt＝15min，按时间粒度Δt对运营时间(6:00～23:00)进行分段，共分成68个时间段(K＝68)。

Step2：数据清洗

选择某城市连续5周工作日的原始出站交易数据(包含乘客完整的进出站时间及站点编号信息)用于构建城市轨道交通断面客流预测模型。对日客流量数据进行孤立点分析，所选数据集中未出现显著偏离的工作日。通过设置条件筛选剔除存在进出站时间非同一个交易日、进出站点编号相同、交易发生时间超出运营时间等非正常交易情况的交易记录。

Step3：历史目标线路数据提取

从经过清洗的数据中提取线网中历史目标线路的交易数据的具体过程如下：

(a)进行条件筛选从数据提取出进出站站点编号属于目标线路站点编号集合的交易记录；

(b)进行条件筛选从数据提取出换乘乘客的交易记录(进站和出站站点不属于同一线路)，本实例对这部分数据使用客流路径分配算法中的最短路径算法判断乘客的换乘路径，根据换乘路径确定乘客在目标线路上的换乘站点，根据列车运行时刻表、乘客平均换乘时间、乘客平均等待时间、乘客平均出站时间和原交易记录出站时间估计乘客到达和离开目标线路换乘站的时间，以乘客到达目标线路的换乘站作为进站站点，以乘客离开目标线路的换乘站作为出站站点，以乘客到达和离开目标线路换乘站的时间分别作为进站和出站交易时间，原交易记录归属目标线路的交易站点和交易时间保留原数据，由此生成换乘路径涉及目标线路乘客新的交易数据。

对提取后的数据再进行一次检验，剔除其中进出站站点相同的交易数据。

Step4：历史客流上行OD矩阵统计

设置目标线路上行的站点编号依次为StationID＝{0,1,2,…,S}，0为目标线路上行的初始停留点，S为目标线路的站点总数，根据列车运行时刻表得到时间差集合T_Station＝{t_0-1,t_1-2,t_2-3,…,t_(S-1)-S}，t_0-1＝0，t_(s-1)-s表示一列正常的上行列车从站点(s-1)出发和从站点s出发的时间差，s＝2,3,…,S。

对历史交易数据进行时空汇集可以得到目标线路在第w周第d天中各时间段对应的上行方向OD矩阵

其中，矩阵元素下标i和j分别表示客流进出站站点编号，由于统计对象为上行方向客流，当i≥j时，当i＜j时，的统计方法为：以t₀表示运营时间开始时刻，统计第w周第d天的历史交易数据在时间段内从站点i进站的乘客中最终从站点j出站的乘客总数。

Step5：上行断面客流量估计

断面c-(c+1)在统计时段内的上行断面客流量可以估计为：

可以理解为：对同一个上行OD矩阵统计的断面客流量，实际上就是(t₀+k×Δt,t₀+(k+1)×Δt)时间段内从站点1出发的上行列车行驶过程中在目标线路各区段的上行断面客流量。在该过程中出现的最大上行断面客流量为：

Step6：实时客流上行OD矩阵统计

对预测时段(当天第p个时段)之前完成交易并上传的预测日实时出站交易数据(在模型构建过程中该部分数据为历史出站交易数据中出站时间在预测时段之前的预测日出站交易数据)，剔除异常数据后提取出实时目标线路数据，基于列车运行时刻表对实时目标线路数据进行时空汇聚，以预测日(预测日为第w周第d天)的第k个时段内从站点1出发的上行列车搭载的并于预测时段开始前完成出站的乘客作为统计对象，得到预测日的第k个时段的实时客流上行OD矩阵为：

其中：表示预测日当天在时间段内从站点i进站的乘客中最终在第p个时段开始前从站点j出站的乘客总数，对于实时客流上行OD矩阵，当i≥j时，

Step7：站点进站客流量统计

对经清洗后的历史交易数据，根据乘客进站时间分时段进行统计，得到第n天中第k个时段目标线路各站点的进站客流量StationEntry^n,k。

Step8：建立断面客流预测模型

由于本实例以优化工作日的上行列车发车间隔为应用目的，只需要对预测时段内从首站点出发的上行列车行驶过程中出现的最大上行断面客流量即可。因此，可以对断面客流预测模型输出层进行简化，仅以预测时段从首站点出发的上行列车在行驶过程中出现的最大断面客流量作为模型输出。

根据经验并反复尝试最终选择预测时段之前4个时间段的实时客流单向OD矩阵和进站客流量以及前一个相同特征日同时段的历史客流单向OD矩阵、进站客流量作为模型输入特征集，即 同时，以预测时段从首站点出发的上行列车行驶过程中出现的最大上行断面客流量为模型输出。由于第一周数据只能作为模型输入特征，最后共获得4周的数据样本，以第二和第三周的数据作为训练数据，以最后两周的数据作为测试数据。同时考虑时间复杂度的因素，以及考虑预测的精度，最终设置隐层节点数为10，使用训练数据建立基于BP神经网络的最大断面客流预测模型。使用测试数据对最大断面客流预测模型进行检验，检验采用平均绝对百分比误差(MAPE)法评估所建预测模型的准确性。一般认为当测试集数据实际值与预测值的MAPE值在允许的范围内时(如<30％)，则认为方法是可行的。在该实例中，平均绝对百分比误差(MAPE)值为12.9％)，显示模型预测结果具有很好精确程度，可以用于指导实际轨道交通运营管理。

Step9：模型应用

根据Step8最终建立的模型，从历史交易数据和实时进出站交易数据提取预测时段对应的输入层特征集数据，其中实时进站交易数据用于提取预测时段之前的进站客流量，实时出站数据用于提取实时客流上行OD矩阵，使用该断面客流预测模型进行预测，模型输出即为预测时段内从站点1出发的上行列车在行驶过程中出现的上行断面客流量的预测值。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (3)

1.一种基于列车运行时刻表的城市轨道交通断面客流推测方法，其特征在于：包括如下步骤：

(1)运营时段划分：根据轨道交通运营管理的需求确定OD矩阵统计的时间粒度Δt，根据时间粒度Δt将单日的运营时间划分为K个时段，分别标记为k＝1,2,…,K，其中，第k个时段表示运营时间(t₀+(k-1)×Δt,t₀+k×Δt)，t₀表示单日的运营时间开始时刻；

(2)历史出站交易数据清洗：对历史出站交易数据进行清洗，剔除异常数据；

(3)目标线路数据提取：从经清洗后的历史出站交易数据中提取出历史目标线路数据；

(4)历史客流上行OD矩阵统计：以第n天的第k个时段内从站点1出发的上行列车搭载的乘客作为统计对象，基于列车运行时刻表对历史目标线路数据进行时空汇聚，得到第n天的第k个时段的历史客流上行OD矩阵为：

$History-{\mathrm{ODMatrix}}^{n,k}=\left\{\begin{array}{cccc}{q}_{11}^{n,k}& q_{12}^{n,k}& \mathrm{...}& q_{1S}^{n,k}\\ q_{21}^{n,k}& q_{22}^{n,k}& \mathrm{...}& \mathrm{...}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ q_{S1}^{n,k}& \mathrm{...}& \mathrm{...}& q_{SS}^{n,k}\end{array}\right\}---\left(1\right)$

其中：目标线路上行的站点编号依次为StationID＝{0,1,2,…,S}，0为目标线路上行的初始停留点，S为目标线路的站点总数，根据列车运行时刻表得到时间差集合T_Station＝{t_0-1,t_1-2,t_2-3,…,t_(S-1)-S}，t_0-1＝0，t_(s-1)-s表示一列正常的上行列车从站点(s-1)出发和从站点s出发的时间差，s＝2,3,…,S；

表示第n天的时段内从站点i进站的乘客中最终从站点j出站的乘客总数，i,j＝1,2,…,S；对于历史客流上行OD矩阵，当i≥j时，

(5)历史上行断面客流量估计：设在第k个时段内达到站台s的乘客都能在第k个时段内上车，据此认为这些乘客都乘坐了第k个时段内到达站台s的列车，结合历史客流上行OD矩阵的定义，断面c-(c+1)在统计时段内的历史上行断面客流量可估计为：

$Q_{c-(c+1)}^{n,k}=\underset{i=1}{\overset{c}{\&Sigma;}}\underset{j=c+1}{\overset{S}{\&Sigma;}}{q}_{ij}^{n,k}---\left(2\right)$

于是，在第k个时段内从站点1出发的上行列车在行驶过程中出现的最大历史上行断面客流量为：

${\mathrm{maxQ}}_{1-S}^{n,k}=max\left\{Q_{c-(c+1)}^{n,k}\right\}---\left(3\right)$

其中：c＝1,2,…,S-1，出现最大历史上行断面客流量的断面max[c-(c+1)]是衡量轨道交通服务水平和日常运营管理关注的重点区域；

(6)实时客流上行OD矩阵统计：对预测时段之前完成交易并上传的预测日实时出站交易数据，剔除异常数据后提取出实时目标线路数据，基于列车运行时刻表对实时目标线路数据进行时空汇聚，以预测日的第k个时段内从站点1出发的上行列车搭载的并于预测时段开始前完成出站的乘客作为统计对象，得到预测日的第k个时段的实时客流上行OD矩阵为：

$\mathrm{Re}altime-{\mathrm{ODMatrix}}^{n,p,k}=\left\{\begin{array}{cccc}{q}_{11}^{n,p,k}& q_{12}^{n,p,k}& \mathrm{...}& q_{1S}^{n,p,k}\\ q_{21}^{n,p,k}& q_{22}^{n,p,k}& \mathrm{...}& \mathrm{...}\\ \mathrm{...}& \mathrm{...}& \mathrm{...}& \mathrm{...}\\ q_{S1}^{n,p,k}& \mathrm{...}& \mathrm{...}& q_{SS}^{n,p,k}\end{array}\right\}---\left(4\right)$

其中：预测时段为第n天的第p个时段，p＝k+1,k+2,…,K；表示第n天的时段内从站点i进站的乘客中最终在第p个时段开始前从站点j出站的乘客总数；对于实时客流上行OD矩阵，当i≥j时，

(7)站点进站客流量统计：对经清洗后的历史出站交易数据，根据乘客进站时间分时段进行统计，得到第n天的第k个时段目标线路各站点的进站客流量StationEntry^n,k；

(8)建立断面客流预测模型：选取与预测时段相关性最大的历史客流上行OD矩阵、实时客流上行OD矩阵、进站客流量、历史上行断面客流量和最大历史上行断面客流量作为输入层候选特征集，以预测时段内从站点1出发的上行列车在行驶过程中出现的历史上行断面客流量估计作为输出层预测集，经过反复的训练和调整优化确定最终的输入层特征集数据，同时考虑时间复杂度和预测精度设置合理的隐层节点数量，最终建立基于BP神经网络的断面客流预测模型；

(9)断面客流预测模型应用：从历史出站交易数据和实时出站交易数据中提取预测时段对应的输入层特征集数据，使用步骤(8)建立的基于BP神经网络的断面客流预测模型进行预测，输出即为预测时段内从站点1出发的上行列车在行驶过程中出现的实时上行断面客流量的预测值。

2.根据权利要求1所述的基于列车运行时刻表的城市轨道交通断面客流推测方法，其特征在于：所述目标线路数据包括两部分，即进出站都在目标线路上的进出站交易数据和换乘路径涉及目标线路的换乘交易数据；对于换乘交易数据，根据客流路径分配算法确定乘客在目标线路上的换乘站点，根据列车运行时刻表、乘客平均换乘时间、乘客平均等待时间、乘客平均出站时间和原交易记录出站时间估计乘客到达和离开目标线路换乘站的时间，以乘客到达目标线路的换乘站作为进站站点，以乘客离开目标线路的换乘站作为出站站点，以乘客到达和离开目标线路换乘站的时间分别作为进站和出站交易时间，原交易记录归属目标线路的交易站点和交易时间保留原数据，由此生成换乘路径涉及目标线路乘客新的交易数据。

3.根据权利要求1所述的基于列车运行时刻表的城市轨道交通断面客流推测方法，其特征在于：所述上行断面客流量估计值为历史客流上行OD矩阵中在统计断面上游进站且在统计断面下游出站元素的累加值。