本发明涉及公共交通突发事件应急管理领域，尤其是涉及一种突发事件下轨道交通客流疏散需求预测方法。
背景技术：
近年来各类突发事件(包括生产事件、运营事故、极端天气、社会公共事件及恐怖袭击事件等)频繁发生，加之于脆弱的交通系统，会造成诸多不良影响，包括网络交通拥挤、完全中断，程度不一的财产损失甚至人员伤亡等。这在很大程度上严重降低了交通系统的运行可靠度和承载力，成为现阶段交通领域的严峻挑战。
短时交通需求预测是交通领域的研究热点之一，其预测结果可应用于主动交通控制、交通诱导等领域，为其措施实施及制定提供指导，因而是智能交通系统的关键构成因素。而在突发事件下，实时、准确的需求预测信息可支撑科学应急响应，显得更为关键。现有的短时交通需求预测方法大多都是在常态情况下利用历史数据进行预测，而非常态下的相关研究较少，其主要难点之一在于针对性的历史数据较少。整体来说，非常态尤其是突发事件导致交通中断等情况下，数据收集困难，样本稀疏，实时数据来源更是不能得到保障，若使用和常态下类似的研究方法，即依赖于针对性的历史数据作为样本集进行建模、求解并从中探究其规律较难实现。目前，还未检索到可解决上述问题的发明专利。
经过对现有文献及专利的检索，到目前为止，对与突发事件下的轨道交通客流疏散需求预测较为相关的内容主要概括、评述如下：
(1)Ricardo Silva等人在《Predicting traffic volumes and estimating the effects of shocks in massive transportation systems》(Proceedings of the National Academy of Sciences of the United States of America,2015,112(18):5643-8)中利用伦敦轨道交通事故数据库结合回归统计方法对中断情况下进行了预测。其方法在使用中主要受限于：需利用较为全面的历史记录对事故状态下的疏散需求进行预测。
(2)Yang Li等人在《Forecasting short-term subway passenger flow under special events scenarios using multiscale radial basis function networks》(Transportation Research Part C Emerging Technologies,2017,77:306-328)中利用北京轨道交通进站数据对突发事件下的出站流量预测，利用机器学习方法根据实时数据进行预测，重点提升算法对异常情况的适应性。其方法在使用中受限于：输出结果为突发事件下的出站客流量，不能直接对疏散工作进行指导，且需突发事件条件下的实时数据作为模型输入。
(3)中国专利申请号：201710285974.2，专利名称为：一种突发事件下城市轨道交通客流预测方法。其专利在实际使用过程中受限于：其专利输出结果为突发事件影响下的进站客流量，且需要根据突发事件下的相应数据，用于对突发事件下乘客选择行为进行详细效用评估。
技术实现要素：
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种突发事件下轨道交通客流疏散需求预测方法。
本发明的目的可以通过以下技术方案来实现：
一种突发事件下轨道交通客流疏散需求预测方法，包括以下步骤：
1)根据轨道交通自动收费系统历史票卡数据获取常态短时交通需求样本集，并以常态短时交通需求样本集为基础，采用基于主成分分析的混合预测模型进行多步预测，获取常态下短时地铁出行需求预测结果；
2)根据轨道交通网络拓扑关系建立轨道交通网络有向图；
3)对轨道交通出行OD进行分配得到分配矩阵F；
4)根据突发事件的特征及先验信息，结合步骤1)中所得需求预测结果，获得出事件影响期间全网各站点疏散需求的计算公式；
5)采用仿真获取突发事件影响期间内疏散需求的时空演化，并获取高峰滞留值。
所述的步骤1)具体包括以下步骤：
11)对轨道交通自动收费系统历史票卡数据进行预处理，包括数据清洗、行程匹配、按所需时间颗粒度进行集计，得到常态短时交通需求样本集；
12)对常态短时交通需求样本集进行主成分分析，得到主成分及对应荷载；
13)对荷载及其对应的时间特征进行建模预测，将预测所得荷载与其对应主成分结合作为常态下的地铁短时交通需求预测结果。
所述的混合预测模型的预测时间窗范围长于轨道交通票卡数据回传周期。
所述的步骤3)中，分配矩阵F为轨道交通网络有向图各边在所有时刻所承载的流量，其计算式为：
FT＝XT×U
其中，X为轨道交通全网一天的OD出行矩阵，U为最短路径的矩阵。
所述的步骤4)中，事件影响期间全网各站点疏散需求的计算公式为：
其中，为时刻t站点r的疏散需求，fte为时刻t加载在边e上的流量，且fte∈F，t0为站点r的中断时刻。
所述的步骤5)中，时空演化包括多个仿真周期，每个仿真周期均依次顺序包括乘客进站过程、下车过程和上车过程。
所述的乘客进站过程以轨道交通全网一天的OD出行矩阵作为输入。
所述的下车过程具体为：
511)获取轨道交通出行OD分配后的路径，并获取分配后的所有路径中任一站点的下一站点；
512)对轨道交通网络有向图全图所有边的集合E中的任一边e，获取边e的指向站点vn及边e的上一条边ep；
513)遍历轨道交通网络有向图中的站点集合V，对任一站点d，判断站点d是否为边e的来源站点，若否，则进行步骤514)，若是，则进行步骤516)；
514)实现下车，判断以下条件：
条件1：最短路径分配矩阵U中与OD对对应的路径中，边e的来源站点e(o)的下一站点不为vn，所述的OD对为边e的来源站点e(o)和站点d；
条件2：最短路径分配矩阵U中与OD对对应的路径中，e的来源站点e(o)的下一站点在突发事件下中断区间Vdisr内；
条件3：当前时刻t属于突发中断的时间段T；
若条件1为真或条件2和条件3同时为真，则进行步骤515)，否则车内人数不变，则t+1时刻在边e上的列车内去往站点d的客流与t时刻在边e上的列车内去往站点d的客流相同，即并进行步骤516)；
515)更新t时刻在站点o意愿前往d的客流需求即其中，为t-1时刻在站点o意愿前往d的客流需求；
516)若所有站点尚未遍历结束则返回步骤513)，遍历下一站点，若所有站点遍历结束，进行步骤517)；
517)若所有边尚未遍历结束则返回步骤512)，遍历下一边，若所有边遍历结束，则结束。
所述的上车过程具体为：
521)根据中断区间获取全网中所有受到影响的OD对，并记为集合disrupted_od；
522)对轨道交通网络全网所有OD对进行遍历，更新t时刻在站点o，意愿前往d的客流需求其中，为t-1时刻在站点o，意愿前往d的客流需求，为t时刻从o进站，意愿前往d的交通需求；
523)对轨道交通网络有向图全图所有边e进行遍历，并获取边e的指向站点vn；
524)对轨道交通网络有向图全图所有站点进行遍历，若任一站点d满足条件：
在最短路径分配矩阵U中与OD对对应的路径中，若边e的o点e(o)的下一点为vn，则将站点d加入上车列表board_list；
525)遍历下一站点，若所有站点尚未遍历结束，则进行步骤524)，若所有站点遍历结束，则进行步骤526)；
526)对轨道交通网络有向图全图所有站点进行遍历，对其中任一站点d：
获取总乘车需求与总车辆运载能力二者中的较小值w。若w＞0，则更新t时刻在边e上的列车内去往d的客流否则进行步骤527)，其中，ce为边e的运送能力；
527)若所有站点尚未遍历结束则返回步骤526)，遍历下一站点，若所有站点遍历结束，进行步骤528)；
528)若所有边尚未遍历结束则返回步骤522)，遍历下一边，若所有边遍历结束，则结束。
与现有技术相比，本发明具有以下优点：
本发明提供了一种基于常态历史数据的突发事件下轨道交通客流疏散需求预测方法，本发明主要基于常态下的历史数据，如地铁票卡数据进行，不需要收集大量突发事件下的历史数据，因而可操作性强，实用性强；且本发明的原理是数学推导、计算机仿真，算法简便、资源耗费少、计算效率高，本发明具有原创性。现有背景技术没有针对性预测突发事件下的轨道交通客流疏散需求的，本发明创新性地提出了一种基于常态历史数据的突发事件下轨道交通客流疏散需求预测方法，本发明采用两个阶段来进行，其中第一阶段进行常态下的轨道交通交通需求预测，第二阶段进行突发事件下的疏散需求及其时空演化预测，可直接应用，方法完整。
附图说明
图1为本发明一种突发事件下轨道交通客流疏散需求预测方法的流程图。
图2为单站点(非换乘站)中断情况下疏散需求计算示例。
图3为单站点(换乘站)中断情况下断疏散需求计算示例。
图4为具体实施方式中实施例相关站点示意图。
图5为具体实施方式中实施例1的疏散需求预测结果图。
图6为具体实施方式中实施例2的疏散需求预测结果图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
本发明的目的是针对现有技术的不足，提出一种突发事件下轨道交通客流疏散需求预测方法，使其解决背景技术中存在的不足，实现实用、便于操作的突发事件下轨道交通客流疏散需求预测，从而指导应急预案的制定以及应急疏散措施的优化实施。
本发明首先对轨道交通自动收费系统历史票卡数据进行预处理提取得到常态短时交通需求样本集。以该样本集为基础，采用基于主成分分析的混合预测模型进行多步预测，其中预测时间窗范围长于轨道交通票卡数据回传周期；其次，根据轨道交通网络拓扑关系建立轨道交通网络有向图；再次，对轨道交通出行OD(Origin-Destination,OD)进行分配得到分配矩阵；之后，根据突发事件的特征及先验信息，结合科学假设及前述所得常态下的短时交通需求预测结果，推导出事件影响期间全网各站点疏散需求的计算公式；最终采用仿真得到突发事件影响期间疏散需求的时空演化。
为达到上述目的，本发明的解决方案是：一种突发事件下轨道交通客流疏散需求预测方法，为尽可能避免对突发事件历史样本的依赖，主要基于常态下的历史数据，采用数学推导、计算机仿真等技术手段，分为两阶段共五步进行。
第一阶段，进行常态下轨道交通短时交通需求预测，具体分为两步。1)对轨道交通自动收费系统历史票卡数据进行预处理，包括数据清洗、行程匹配、按所需时间颗粒度进行集计，得到常态短时交通需求样本集；以该样本集为基础，采用基于主成分分析的混合预测模型进行多步预测，其中预测时间窗范围应长于轨道交通票卡数据回传更新周期。
第二阶段，进行突发事件下的疏散需求及其时空演化预测，具体分为三步。1)根据轨道交通网络拓扑关系建立轨道交通网络有向图；2)对轨道交通出行OD进行分配得到分配矩阵；3)对突发事件进行分类，按照突发事件发生时间、中断站点个数、是否含换乘站点分类。根据不同类型突发事件的特征，结合对出行者行为的合理假设及第一阶段中得到的常态下短时地铁出行需求预测结果，推导出中断影响期间轨道交通网内各站点疏散需求的计算公式；4)根据上步的疏散需求计算公式，采用仿真得到突发事件影响期间疏散需求的时空演化，即任一时间、点位处的疏散需求，同时给出关键指标高峰滞留人数。
具体来说，本发明是通过以下技术方案实现的。
步骤一：基于主成分分析的多步短时交通需求预测
对轨道交通自动收费系统历史票卡数据进行预处理，包括数据清洗、行程匹配、按所需时间颗粒度进行集计，得到常态短时交通需求样本集；以该样本集为基础，先对其进行主成分分析，得到主成分及对应荷载。之后对荷载及其对应的时间特征进行建模预测，可采用多元回归或机器学习。预测所得荷载与其对应主成分结合得到常态下的地铁短时交通需求预测结果。该步骤旨在保证可接受的预测精度、可靠度的情况下，向前预测更多的步数，多步预测结果可为非常态下的交通管理控制提供更长的决策时间从而更具有实际意义。
步骤二：轨道交通网络有向图构建
构建轨道交通网络有向图D(V,E)，图D是由点集和边集组成的有向图，其中V是非空但有限的顶点集合，E是描述结合间的关系边的集合。站点作为图中的顶点，两站间的连接作为图中的边，双向连接为两条边。
定义对于任一边e，e∈E，e＝(r,v)，即e的起点、终点分别为r,v。定义对于任一顶点v，v∈V，其相邻站点记为r∈N(v)。
步骤三：轨道交通网络中的OD分配
设轨道交通全网一天的OD出行矩阵为X(m,t)，分配矩阵为描述了最短路径的矩阵U(m,n)，分配后得到的矩阵F(n,t)为各边在所有时刻所承载的流量，同时我们定义f∈F,为时刻t加载在边e上的流量。其中m＝|OD|,n＝|V|。
FT＝XT×U (1)
其中U的得到方法包括：(1)最短路径法，简化的认为各边权重相同，采用Dijkstra算法求解得到；(2)在有地铁运营相关数据的条件下，考虑次短路的可能性，采用多路径选择概率法系列方法得到；(3)或若有更详细的数据，如实际使用的清分路径表，可直接采纳。
步骤四：疏散需求公式推导
突发事件使得部分车站或区间停运，必然会导致部分乘客不能通过原计划路径到达目的地，该部分乘客因此滞留，产生了疏散需求。此处做出假设，若没有充分的突发事件相关信息，则大部分出行者仍按照原计划出行。即原出行路径经过中断区间的乘客，将在抵达中断区间前一站时下车，产生滞留。随着中断时间的增加，中断区间前、后临近站点疏散需求不断累积。
其中t＞t0，为时刻t站点r的疏散需求，f∈F。
对公式(2)进行进一步说明。以单站且为非换乘站中断为例，如图2，设站点1在时刻t0发生中断，客流将滞留在站点2和站点3，这里称中断站点两端相邻站点为端点站。站点2滞留的为原计划经过路径link 21通过或抵达站点1的乘客，同理，站点3滞留的为原计划经过link 31通过或抵达站点1的乘客。
类似的，若中断站点为换乘站，则滞留将主要集中在通过该站点的若干轨道交通线上，与该站点相邻的站点。如图3所示。以站点4为例，因该站点为二线换乘站，则共有相邻站点4个，分别为：站点5，站点6，站点7，站点8。
也可依上述原理计算当中断站点为多个且包含换乘站时，端点站的疏散需求情况。此外，除端点站外，其他可能产生滞留的主要包括中断站点自身。中断站点自身的疏散需求为中断期间原计划从站点出发的客流，可通过前述X(m,t)矩阵得到。
步骤五：疏散需求时空演化仿真
对仿真过程描述如下。在轨道交通网络中，随着乘客的进站、列车到达及驶出站点，每个站点以及每列车上的乘客数量都发生着动态的脉冲式变化。其客流变化具有“周期”性特征，以“乘客进站——列车离开——列车到达”作为一个仿真周期。因此仿真过程每一周期包含三个主要步骤：乘客进站、下车过程、上车过程，且按上述顺序执行，即每更新一个时刻t，先完成进站过程，再完成每列车在所停站点的下车过程，最后完成列车所停站点的上车过程。之后进入下一个时刻t+1。进站过程根据输入的常态OD执行，下车过程、上车过程分别描述如下。
对仿真中用到的变量定义如下
——t时刻从o进站，意愿前往d的交通需求
xo——所有t时刻从o进站的客流，
——t时刻在站o，意愿前往d的客流需求，
——t时刻在边e上的列车内，去往d的客流
ce——边e的运送能力，
e(o)——边e的o点
Vdisr——突发中断的站点集合
T——突发中断的时间段
下车过程：
1.建立函数next_point用于判断OD分配后路径中的下一点；
2.对全图所有边的集合E中的任一边e，求取边e的指向站点vn及边e上一条边ep；
3.遍历所有在全图站点集合V的站点d；
4.若d≠e(o)，则执行5，否则执行7；
5.判断以下条件：
条件1:矩阵Um(e(o),d),1:n中，e(o)的下一点(next_point)不为vn；
条件2:矩阵Um(e(o),d),1:n中，e(o)的下一点(next_point)在突发事件发生站点区
间Vdisr范围内；
条件3:当前时刻t∈T；
若条件1为真或(条件2为真且条件3为真)，则执行6，否则
并执行7；
6.
7.若所有站点尚未遍历结束则返回3，遍历下一站点d；若所有站点遍历结束，执行8；
8.若所有边尚未遍历结束则返回2，遍历下一边e；若所有边遍历结束，则结束。
上车过程：
1.根据中断区间计算全网中所有受到影响的OD对，记为集合disrupted_od；
2.对全网所有(o,d)进行遍历
3.对全图所有边e进行遍历，求取边e的指向站点vn；
4.对全图所有站点d进行遍历，若满足条件：
矩阵Um(e(o),d),1:n中，e(o)的下一点(next_point)为vn
则board_list+＝d；
5.遍历下一站点d，若所有站点尚未遍历结束则执行4；若所有站点遍历结束，执行6；
6.对全图所有站点d进行遍历；
w＝min(total_demand,total_space)
若w＞0则否则直接执行7；
7.若所有站点尚未遍历结束则返回6，遍历下一站点d；若所有站点遍历结束，执行8；
8.若所有边尚未遍历结束则返回2，遍历下一边e；若所有边遍历结束，则结束
此外值得指出的是，高峰滞留值指在整个中断、疏散事件过程中，全网范围内可能出现的滞留最大值。该值出现在整个事件中疏散压力最大的时刻和地点，也是安全隐患最严重、最有可能向其他交通方式传播拥堵、最先崩溃的节点。在对疏散需求的时空演化仿真过程中，同时给出高峰滞留值。
实施例1：
实例背景：采用上海轨道交通真实网络信息及运营数据作为输入，假设轨道交通站点39、40、41、42在突发事件下发生中断，突发事件发生时间为早高峰8:00，持续时间30分钟。采用本发明的算法对突发事件下全网的疏散需求进行预测，得到结果如图5所示，图5描绘了该场景下全网主要滞留站点处疏散需求的产生、累积及消散曲线。图中标出了高峰滞留值及滞留结束时间。
从图5中可以看出，突发事件发生后，滞留较为严重，即疏散需求强度最高的包括端点站(站点12、43、117、219)，中断站点本身(站点39、41、42)，及中断区间较为临近的换乘站(站点38)。此外，在突发事件结束运力恢复后，部分站点的疏散需求仍会上升，如站点38，其原因为其上行站点积累的疏散需求将会得到优先满足，从而引起了下行站点的滞留。
实施例2：
实例背景：采用上海轨道交通真实网络信息及运营数据作为输入，假设轨道交通站点39、40、41、42在突发事件下发生中断，突发事件发生时间为非高峰期12:00，持续时间30分钟。采用本发明的算法对突发事件下全网的疏散需求进行预测，得到结果如图6所示，图6描绘了该场景下全网主要滞留站点处疏散需求的产生、累积及消散曲线。图中标出了高峰滞留值及滞留结束时间。
从图6中可以看出，突发事件发生后，滞留较为严重，即疏散需求强度最高的包括端点站(站点12、43、117、88、204)，其次为中断站点本身(站点39、40、41、42)，及较为临近的换乘站(站点38)。
此外，综合比较实施例1和实施例2可得，突发事件发生于高峰时段造成的疏散需求比发生在非高峰时段强度高，具体表现为整体滞留及高峰滞留值显著升高，且事件结束后的疏散需求消散过程更慢。实施例1及实施例2说明了本发明能够科学合理的预测突发事件下轨道交通客流疏散需求及其时空演化。
上述的对实施例的描述是为便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此，本发明不限于这里的实施例，本领域技术人员根据本发明的揭示，对于本发明做出的改进和修改都应该在本发明的保护范围之内。