本發(fā)明涉及一種基于列車運行時刻表的城市軌道交通斷面客流推測方法，屬于城市軌道交通智能技術(shù)。

背景技術(shù)：

城市軌道交通作為一種具備快捷、舒適、可靠、環(huán)保等多種優(yōu)點出行方式，在許多大城市受到了極大的關(guān)注，尤其是在中國這個擁有龐大人口數(shù)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(shè)的大力扶持，軌道交通線網(wǎng)的逐步發(fā)展完善，國內(nèi)許多城市已迎來網(wǎng)絡(luò)化運營階段。而我國的城市軌道交通運營管理大多仍處于發(fā)展初期，管理經(jīng)驗相對不足、缺乏科學(xué)的理論指導(dǎo)，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(jù)軌道交通客流狀態(tài)，有效調(diào)配系統(tǒng)資源，及時調(diào)整運營策略，保證軌道交通安全完成運輸服務(wù)任務(wù)。斷面客流是城市軌道交通客流狀態(tài)的基本參數(shù)，為線路上任一區(qū)間中某斷面位置在統(tǒng)計時段內(nèi)通過的乘客數(shù)量，即在該統(tǒng)計時段內(nèi)通過的所有列車的載客量之和。在現(xiàn)有的技術(shù)條件下，斷面客流量數(shù)據(jù)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(yù)測更是網(wǎng)絡(luò)化運營中的一大難點?，F(xiàn)有應(yīng)用主要采用分時段統(tǒng)計歷史數(shù)據(jù)得到靜態(tài)OD分布矩陣，結(jié)合列車與站臺客流的交互關(guān)系進行模擬估計。這種估計方法是基于預(yù)測數(shù)據(jù)的二次實現(xiàn)，需要搭建仿真模擬軟件，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(wǎng)客流分布的變化進行模擬，其仿真結(jié)果是基于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(biāo)線路的乘客難以計入目標(biāo)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(xiàn)對軌道交通城市軌道交通斷面客流需求量的推測。

技術(shù)實現(xiàn)要素：

發(fā)明目的：為了克服現(xiàn)有技術(shù)中軌道交通運營對于線網(wǎng)客流實時分布估計和預(yù)測的不足，本發(fā)明提供一種基于列車運行時刻表的城市軌道交通斷面客流推測方法，該方法使用基于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，并利用實時檢測的數(shù)據(jù)作為輸入建立基于BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型以提高斷面客流預(yù)測的準(zhǔn)確性。

技術(shù)方案：為實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案為：

一種基于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(jù)軌道交通運營管理的需求確定OD矩陣統(tǒng)計的時間粒度Δt，根據(jù)時間粒度Δt將單日的運營時間劃分為K個時段，分別標(biāo)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(shù)據(jù)清洗：選擇足夠樣本量的歷史出站交易數(shù)據(jù)(出站交易數(shù)據(jù)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(shù)據(jù)進行清洗，剔除異常數(shù)據(jù)；

(3)目標(biāo)線路數(shù)據(jù)提?。簭慕?jīng)清洗后的歷史出站交易數(shù)據(jù)中提取出歷史目標(biāo)線路數(shù)據(jù)；

(4)歷史客流上行OD矩陣統(tǒng)計：以第n天的第k個時段內(nèi)從站點1出發(fā)的上行列車搭載的乘客作為統(tǒng)計對象，基于列車運行時刻表對歷史目標(biāo)線路數(shù)據(jù)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(biāo)線路上行的站點編號依次為StationID＝{0,1,2,…,S}，0為目標(biāo)線路上行的初始停留點，S為目標(biāo)線路的站點總數(shù)，根據(jù)列車運行時刻表得到時間差集合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車從站點(s-1)出發(fā)和從站點s出發(fā)的時間差，s＝2,3,…,S；

表示第n天的時段內(nèi)從站點i進站的乘客中最終從站點j出站的乘客總數(shù)，i,j＝1,2,…,S；對于歷史客流上行OD矩陣，當(dāng)i≥j時，

(5)歷史上行斷面客流量估計：設(shè)在第k個時段內(nèi)達(dá)到站臺s的乘客都能在第k個時段內(nèi)上車，據(jù)此認(rèn)為這些乘客都乘坐了第k個時段內(nèi)到達(dá)站臺s的列車，結(jié)合歷史客流上行OD矩陣的定義，斷面c-(c+1)在統(tǒng)計時段內(nèi)的歷史上行斷面客流量可估計為：

于是，在第k個時段內(nèi)從站點1出發(fā)的上行列車在行駛過程中出現(xiàn)的最大歷史上行斷面客流量為：

其中：c＝1,2,…,S-1，出現(xiàn)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(wù)水平和日常運營管理關(guān)注的重點區(qū)域；

(6)實時客流上行OD矩陣統(tǒng)計：對預(yù)測時段之前完成交易并上傳的預(yù)測日實時出站交易數(shù)據(jù)(在模型構(gòu)建過程中該部分?jǐn)?shù)據(jù)為歷史出站交易數(shù)據(jù)中出站時間在預(yù)測時段之前的預(yù)測日出站交易數(shù)據(jù))，剔除異常數(shù)據(jù)后提取出實時目標(biāo)線路數(shù)據(jù)，基于列車運行時刻表對實時目標(biāo)線路數(shù)據(jù)進行時空匯聚，以預(yù)測日的第k個時段內(nèi)從站點1出發(fā)的上行列車搭載的并于預(yù)測時段開始前完成出站的乘客作為統(tǒng)計對象，得到預(yù)測日的第k個時段的實時客流上行OD矩陣為：

其中：預(yù)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(nèi)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(shù)；對于實時客流上行OD矩陣，當(dāng)i≥j時，

(7)站點進站客流量統(tǒng)計：對經(jīng)清洗后的歷史出站交易數(shù)據(jù)，根據(jù)乘客進站時間分時段進行統(tǒng)計，得到第n天的第k個時段目標(biāo)線路各站點的進站客流量StationEntry^n,k；

(8)建立斷面客流預(yù)測模型：選取與預(yù)測時段相關(guān)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征集，以預(yù)測時段內(nèi)從站點1出發(fā)的上行列車在行駛過程中出現(xiàn)的歷史上行斷面客流量估計作為輸出層預(yù)測集，經(jīng)過反復(fù)的訓(xùn)練和調(diào)整優(yōu)化確定最終的輸入層特征集數(shù)據(jù)，同時考慮時間復(fù)雜度和預(yù)測精度設(shè)置合理的隱層節(jié)點數(shù)量，最終建立基于BP神經(jīng)網(wǎng)絡(luò)的斷面客流預(yù)測模型；

(9)斷面客流預(yù)測模型應(yīng)用：從歷史出站交易數(shù)據(jù)和實時出站交易數(shù)據(jù)中提取預(yù)測時段對應(yīng)的輸入層特征集數(shù)據(jù)，使用步驟(8)建立的基于BP神經(jīng)網(wǎng)絡(luò)的斷面客流預(yù)測模型進行預(yù)測，輸出即為預(yù)測時段內(nèi)從站點1出發(fā)的上行列車在行駛過程中出現(xiàn)的實時上行斷面客流量的預(yù)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(yù)測)斷面客流數(shù)據(jù)的用途，例如在實際應(yīng)用中：若斷面客流數(shù)據(jù)用于表示運營時段內(nèi)線網(wǎng)客流出行分布情況的變化規(guī)律，一般可將時間粒度設(shè)置為0.5～2h；若用于優(yōu)化列車發(fā)車間隔，宜將時間粒度設(shè)置為10～30min；若用于估計線路上運行列車的實時載客量，宜將時間粒度設(shè)置為5～10min。

具體的，所述異常數(shù)據(jù)包括異常交易日數(shù)據(jù)和異常交易記錄；其中異常交易日數(shù)據(jù)是指由于數(shù)據(jù)傳輸過程丟失或錯誤以及大型突發(fā)事件導(dǎo)致的當(dāng)日客流量顯著偏離正常值范圍；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(fā)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，可采用孤立點分析或可靠性分析辨識異常交易日數(shù)據(jù)，一般異常交易日數(shù)據(jù)出現(xiàn)的概率比較低，對于缺失數(shù)據(jù)的交易日，可采用前后一個相同特征日同時段的進站客流量、OD矩陣數(shù)據(jù)對當(dāng)日的客流狀態(tài)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占比例往往也很小，故對于異常交易記錄只需要進行一些簡單的條件篩選即可發(fā)現(xiàn)并剔除。

具體的，所述目標(biāo)線路數(shù)據(jù)包括兩部分，即進出站都在目標(biāo)線路上的進出站交易數(shù)據(jù)和換乘路徑涉及目標(biāo)線路的換乘交易數(shù)據(jù)；對于換乘交易數(shù)據(jù)，根據(jù)客流路徑分配算法(例如最短路徑算法)確定乘客在目標(biāo)線路上的換乘站點，根據(jù)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(dá)和離開目標(biāo)線路換乘站的時間，以乘客到達(dá)目標(biāo)線路的換乘站作為進站站點，以乘客離開目標(biāo)線路的換乘站作為出站站點，以乘客到達(dá)和離開目標(biāo)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(biāo)線路的交易站點和交易時間保留原數(shù)據(jù)，由此生成換乘路徑涉及目標(biāo)線路乘客新的交易數(shù)據(jù)。

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(tǒng)計斷面上游進站且在統(tǒng)計斷面下游出站元素的累加值。

需要指出的是，在步驟(6)中，由于部分在統(tǒng)計時段內(nèi)進站的乘客在預(yù)測時段之前仍未出站，實時客流上行OD矩陣Realtime-ODMatrix^n,p,k中統(tǒng)計的OD量往往小于統(tǒng)計時段的實際OD量。

需要指出的是，在步驟(8)中，斷面客流預(yù)測模型中輸入層特征集數(shù)據(jù)和隱層節(jié)點數(shù)量的選取需要經(jīng)過反復(fù)的調(diào)試，考慮斷面客流預(yù)測模型的訓(xùn)練時間需在可接受范圍內(nèi)，選擇其中預(yù)測結(jié)果較為準(zhǔn)確的參數(shù)建立最終的斷面客流預(yù)測模型。同時，由于軌道交通新線建設(shè)、客流結(jié)構(gòu)組成、城市出行環(huán)境以及居民出行習(xí)慣的變化而導(dǎo)致軌道交通乘客出行規(guī)律的時間轉(zhuǎn)移性，需要定期地采用更新數(shù)據(jù)對斷面客流預(yù)測模型進行重新訓(xùn)練。

有益效果：本發(fā)明提供的基于列車運行時刻表的城市軌道交通斷面客流推測方法，其優(yōu)點在于：通過建立基于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(qū)間斷面客流量估計的計算，并使得估計的結(jié)果更接近實際斷面客流量的真實值；通過建立基于BP神經(jīng)網(wǎng)絡(luò)的斷面客流預(yù)測模型，可以選擇多種客流特征參數(shù)作為預(yù)測模型的輸入數(shù)據(jù)，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(yù)測結(jié)果的準(zhǔn)確度，模型預(yù)測的結(jié)果反映了目標(biāo)時段內(nèi)的乘客通行需求，對企業(yè)運營管理具有極大的參考價值。

附圖說明

圖1為本發(fā)明方法的實施流程示意圖；

圖2為本發(fā)明的建模及模型訓(xùn)練流程示意圖。

具體實施方式

下面結(jié)合附圖對本發(fā)明作更進一步的說明。

如圖1所示為一種基于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(jié)合實例對本發(fā)明做出進一步的說明，實例中斷面客流預(yù)測以優(yōu)化工作日的上行列車發(fā)車間隔為應(yīng)用目的。

Step1：運營時段劃分

設(shè)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(shù)據(jù)清洗

選擇某城市連續(xù)5周工作日的原始出站交易數(shù)據(jù)(包含乘客完整的進出站時間及站點編號信息)用于構(gòu)建城市軌道交通斷面客流預(yù)測模型。對日客流量數(shù)據(jù)進行孤立點分析，所選數(shù)據(jù)集中未出現(xiàn)顯著偏離的工作日。通過設(shè)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(fā)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(biāo)線路數(shù)據(jù)提取

從經(jīng)過清洗的數(shù)據(jù)中提取線網(wǎng)中歷史目標(biāo)線路的交易數(shù)據(jù)的具體過程如下：

(a)進行條件篩選從數(shù)據(jù)提取出進出站站點編號屬于目標(biāo)線路站點編號集合的交易記錄；

(b)進行條件篩選從數(shù)據(jù)提取出換乘乘客的交易記錄(進站和出站站點不屬于同一線路)，本實例對這部分?jǐn)?shù)據(jù)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(jù)換乘路徑確定乘客在目標(biāo)線路上的換乘站點，根據(jù)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(dá)和離開目標(biāo)線路換乘站的時間，以乘客到達(dá)目標(biāo)線路的換乘站作為進站站點，以乘客離開目標(biāo)線路的換乘站作為出站站點，以乘客到達(dá)和離開目標(biāo)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(biāo)線路的交易站點和交易時間保留原數(shù)據(jù)，由此生成換乘路徑涉及目標(biāo)線路乘客新的交易數(shù)據(jù)。

對提取后的數(shù)據(jù)再進行一次檢驗，剔除其中進出站站點相同的交易數(shù)據(jù)。

Step4：歷史客流上行OD矩陣統(tǒng)計

設(shè)置目標(biāo)線路上行的站點編號依次為StationID＝{0,1,2,…,S}，0為目標(biāo)線路上行的初始停留點，S為目標(biāo)線路的站點總數(shù)，根據(jù)列車運行時刻表得到時間差集合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車從站點(s-1)出發(fā)和從站點s出發(fā)的時間差，s＝2,3,…,S。

對歷史交易數(shù)據(jù)進行時空匯集可以得到目標(biāo)線路在第w周第d天中各時間段對應(yīng)的上行方向OD矩陣

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

Step5：上行斷面客流量估計

斷面c-(c+1)在統(tǒng)計時段內(nèi)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(tǒng)計的斷面客流量，實際上就是(t₀+k×Δt,t₀+(k+1)×Δt)時間段內(nèi)從站點1出發(fā)的上行列車行駛過程中在目標(biāo)線路各區(qū)段的上行斷面客流量。在該過程中出現(xiàn)的最大上行斷面客流量為：

Step6：實時客流上行OD矩陣統(tǒng)計

對預(yù)測時段(當(dāng)天第p個時段)之前完成交易并上傳的預(yù)測日實時出站交易數(shù)據(jù)(在模型構(gòu)建過程中該部分?jǐn)?shù)據(jù)為歷史出站交易數(shù)據(jù)中出站時間在預(yù)測時段之前的預(yù)測日出站交易數(shù)據(jù))，剔除異常數(shù)據(jù)后提取出實時目標(biāo)線路數(shù)據(jù)，基于列車運行時刻表對實時目標(biāo)線路數(shù)據(jù)進行時空匯聚，以預(yù)測日(預(yù)測日為第w周第d天)的第k個時段內(nèi)從站點1出發(fā)的上行列車搭載的并于預(yù)測時段開始前完成出站的乘客作為統(tǒng)計對象，得到預(yù)測日的第k個時段的實時客流上行OD矩陣為：

其中：表示預(yù)測日當(dāng)天在時間段內(nèi)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(shù)，對于實時客流上行OD矩陣，當(dāng)i≥j時，

Step7：站點進站客流量統(tǒng)計

對經(jīng)清洗后的歷史交易數(shù)據(jù)，根據(jù)乘客進站時間分時段進行統(tǒng)計，得到第n天中第k個時段目標(biāo)線路各站點的進站客流量StationEntry^n,k。

Step8：建立斷面客流預(yù)測模型

由于本實例以優(yōu)化工作日的上行列車發(fā)車間隔為應(yīng)用目的，只需要對預(yù)測時段內(nèi)從首站點出發(fā)的上行列車行駛過程中出現(xiàn)的最大上行斷面客流量即可。因此，可以對斷面客流預(yù)測模型輸出層進行簡化，僅以預(yù)測時段從首站點出發(fā)的上行列車在行駛過程中出現(xiàn)的最大斷面客流量作為模型輸出。

根據(jù)經(jīng)驗并反復(fù)嘗試最終選擇預(yù)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征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征集，即同時，以預(yù)測時段從首站點出發(fā)的上行列車行駛過程中出現(xiàn)的最大上行斷面客流量為模型輸出。由于第一周數(shù)據(jù)只能作為模型輸入特征，最后共獲得4周的數(shù)據(jù)樣本，以第二和第三周的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，以最后兩周的數(shù)據(jù)作為測試數(shù)據(jù)。同時考慮時間復(fù)雜度的因素，以及考慮預(yù)測的精度，最終設(shè)置隱層節(jié)點數(shù)為10，使用訓(xùn)練數(shù)據(jù)建立基于BP神經(jīng)網(wǎng)絡(luò)的最大斷面客流預(yù)測模型。使用測試數(shù)據(jù)對最大斷面客流預(yù)測模型進行檢驗，檢驗采用平均絕對百分比誤差(MAPE)法評估所建預(yù)測模型的準(zhǔn)確性。一般認(rèn)為當(dāng)測試集數(shù)據(jù)實際值與預(yù)測值的MAPE值在允許的范圍內(nèi)時(如<30％)，則認(rèn)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(yù)測結(jié)果具有很好精確程度，可以用于指導(dǎo)實際軌道交通運營管理。

Step9：模型應(yīng)用

根據(jù)Step8最終建立的模型，從歷史交易數(shù)據(jù)和實時進出站交易數(shù)據(jù)提取預(yù)測時段對應(yīng)的輸入層特征集數(shù)據(jù)，其中實時進站交易數(shù)據(jù)用于提取預(yù)測時段之前的進站客流量，實時出站數(shù)據(jù)用于提取實時客流上行OD矩陣，使用該斷面客流預(yù)測模型進行預(yù)測，模型輸出即為預(yù)測時段內(nèi)從站點1出發(fā)的上行列車在行駛過程中出現(xiàn)的上行斷面客流量的預(yù)測值。

以上所述僅是本發(fā)明的優(yōu)選實施方式，應(yīng)當(dāng)指出：對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)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(yīng)視為本發(fā)明的保護范圍。