一种基于时空出行路径标定的地铁短时客流预测方法与流程

本发明涉及城市轨道交通运行控制，具体涉及一种基于时空出行路径标定的地铁短时客流预测方法。

背景技术：

1、客流预测是指利用一定的方法和技术对未来一定时期内客流的需求、性质进行预先推测和判断。根据不同的预测需求，分别从宏观、中观和微观的角度可以划分为长期预测、中期预测和短期预测。中长期客流预测(通常指未来10～25年)是从整体上用来辅助轨道交通线网发展规划及车站设计等；短期客流预测(通常指未来1周/1个月内)则是为评估交通状态，其中以实时管理为目的的客流预测为短时客流预测(通常指未来5min或15min内)，是提高城市轨道交通服务水平(如优化线网运力配置、制定车站客流组织与疏散方案、乘客出行路径诱导等)的关键因素。

2、短时客流预测的方法大致经历了三个阶段。第一个阶段为传统的基于数理统计的模型，第二个阶段为基于机器学习的模型，第三个阶段为基于深度学习的模型。传统的基于数理统计的模型一般假设客流服从某种数学分布，利用历史数据标定模型参数，代表方法有自回归差分平均(autoregressive integrated moving average,arima)模型、贝叶斯法、灰色模型(grey model,gm)、灰色模型-求和自回归移动平均模型(gm-arima)等。但是，参数模型的构建更多依赖于研究者对问题的先验认知，具有一定的主观性。而后，随着机器学习的发展，一些机器学习模型被逐渐应用到短时客流预测领域。

3、其中作为机器学习的一个分支，深度学习近十年来得到快速发展。在交通预测领域，基于循环神经网络(recurrent neural network,rnn)、卷积神经网络(convolutionalneural networks,cnn)、图卷积神经网络(graph convolution neural networks,gcn)等的单一深度学习模型相继被应用到短时客流预测问题中。但是，由于单一深度学习模型存在一定的不足，为了更有效的捕捉客流的时空依赖关系，融合多种深度学习模型的框架逐渐被开发出来。例如，将残差网络(residual network,resnet)、gcn、长短时记忆网络(longshort-term memory,lstm)与attention机制组合进行短时进站流预测。大量研究已经表明，深度学习的组合框架比单一深度学习模型的表现能力更好，但同时复杂程度也较高，实用价值相对较弱。

4、其中，针对短时断面流预测问题，现有研究多数通过客流分配获取断面流量。客流分配理论从道路交通演化而来，经历了从静态客流分配至动态客流分配的过程。静态客流分配过程包括构建地铁网络、构建费用函数、k短路搜索与客流分配；动态客流分配过程包括构建时空地铁网络、构建时间依赖的效用函数、时间依赖的k短路搜索与客流分配。难点均在于效用函数构建与分配算法的求解。部分研究通过历史数据得到断面客流数据进行短时断面流预测。虽然现有成果中提出了识别乘客路径的方法，得到了可行的路径集合，并采用分配思路得到每条路径的客流。但是，获取到的断面流并非真实断面流数据，使用该数据进行预测存在误差累积现象，且上述方法一定程度上忽视了断面流和进站流、od流的内在关联。

5、在实际线网运营过程中，大部分常态客流具有固定的od对，其乘坐路线也很大可能是固定的，而非路径集合。基于该认识，本发明提出：在线网运营条件下，利用afc数据与列车运行时刻表，基于计算图模型估计站点等车时间，进而标定常态客流的出行时空路径，以期能够刻画出每一个固定od对乘客的出行画像，进而实现线网级的短时客流预测。

技术实现思路

1、本发明提供了一种基于时空出行路径标定的地铁短时客流预测方法，利用afc数据与列车运行时刻表，基于计算图模型估计站点等车时间，进而标定常态客流的出行时空路径，以期能够刻画出每一个固定od对乘客的出行画像，进而实现线网级的短时客流预测。

2、一种基于时空出行路径标定的地铁短时客流预测方法，包括以下步骤：

3、步骤1：利用k短路算法筛选出单一路径的od(英文全称：origin-destination，中文注释：起讫点)对后，采用计算图框架计算走行时间、换乘时间及候车节点时间，确定每个站内付费区不同时间段行走、换乘时间及候车节点时间。

4、步骤1中，候车节点是指乘客候车时所在的节点；

5、进站边：刷卡进站闸机节点到站台节点的边，即乘车进站走行时间。

6、换乘边：乘客在换乘车站的两个站台节点之间行走的边，对应的换乘时间。

7、出站边：乘客在出站的站台与出站闸机之间行走的边，即乘车出站走行时间。

8、走行时间：乘车进站走行时间加上乘客出站走行时间。

9、步骤2：基于历史的自动售检票系统(automatic fare collection,afc)数据，利用dbscan聚类算法进行计算，根据领域半径r的大小，领域半径r小于等于δ的乘客为固定时空乘客，领域半径r大于δ的乘客为随机乘客，其中δ为一个阈值，该值大小通过afc历史数据分析确定。

10、步骤3：基于时空出行路径标定的固定时空乘客短时客流预测，具体包括：

11、3.1)固定时空乘客的路径标定；

12、3.2)固定时空乘客的短时客流预测。

13、步骤4：基于计算图模型的随机乘客短时客流预测；

14、4.1)基于计算图模型估计随机乘客付费区内各段时间；

15、4.2)通过客流分配和智能体仿真进行随机客流的短时预测。

16、步骤5：线网的短时客流预测。

17、本发明中，首先利用k短路算法筛选出单一路径的od对后，采用计算图框架计算各个走行边、换乘边及候车节点时间，确定每个站内付费区不同时间段行走、换乘及候车节点时间；其次对历史afc数据中单一乘客的od对进行采样，选取一个时间段内的数据，统计乘坐次数、乘坐时长、同一od对出现频次等属性，应用dbscan聚类挖掘算法，定义邻域半径δ，邻域内乘客标记为固定时空乘客，噪声乘客标记为随机乘客；接着，针对固定时空乘客，结合列车运营时空网络，对其时空路径进行标定，精准捕捉固定乘客乘坐列车的时间、地点与路径，进而进行客流预测；针对随机乘客进出站客流，则在计算图框架下，通过乘客路径选择建模、k短路搜索以及有效路径选择、构建数学优化模型、优化模型向量化、计算图模型建模等步骤，进而通过客流分配和智能体仿真等步骤，获得随机乘客的短时断面流量。最后，在同一时间段内，线网测算出行客流等于固定时空乘客与随机乘客的预测客流之和；本发明提出的技术方案充分利用afc历史及列车运行时刻表数据，根据对乘客历史出行行为进行聚类分析，在更加精准确定两类乘客出行路径行为的基础上进行各自的客流预测，从而形成线网的客流预测。本发明在线网客流预测上以数据驱动为准，规避各种假设，遵照乘客出行行为的客观状态，为运营服务及客流突发情况下的应急提供了更加合理的决策依据。

18、步骤1：利用k短路算法筛选出单一路径的od对后，采用计算图框架计算走行时间、换乘时间及候车节点时间，确定每个站内付费区不同时间段行走、换乘时间及候车节点时间。

19、基于历史大数据的挖掘，计算出车站付费区走行边、换乘边及候车节点的时间，比目前主流的人工测量方式更加准确，误差更小。

20、步骤2：基于历史的自动售检票系统(automatic fare collection,afc)数据，利用dbscan聚类算法进行计算，根据领域半径r的大小，领域半径r小于等于δ的乘客为固定时空乘客，领域半径r大于δ的乘客为随机乘客，其中δ为一个阈值，该值大小通过afc历史数据分析确定。

21、相比目前主流根据乘客属性进行分类的方式，利用dbscan聚类算法对乘客的出行行为进行聚类分析更加贴合乘客的出行实际过程及其出行特征。

22、步骤3中，基于时空出行路径标定的固定时空乘客短时客流预测，具体包括：

23、3.1)固定时空乘客的路径标定；

24、3.2)固定时空乘客的短时客流预测；

25、在完成对固定时空乘客路径标定的基础上，根据即时自动售检票系统刷卡数据，并结合步骤1中计算获得的每个站内付费区不同时间段行走时间、换乘时间及候车节点时间以及列车运行时刻表，计算求得线网中h时刻a边段上固定时空乘客客流分布，如公式所示：

26、

27、其中，r是进站站点，s是出站站点，边段a是rs的有限次切割，表示h时段内流入a客流，表示h时段内流出a客流，是k时间段从r间出发选择rs作为路线的流量，的oa是origin of a的缩写，υ＝oa表示υ是边段a的起始站，如下面公式所示：

28、

29、相比于现有od间路径确定方法，该步骤同时利用afc历史数据的时间差和从列车运行时刻表提取出对应路径上的列车运行时间差共同确定该类乘客的出行路径，比单独使用afc历史数据的效果更明显，准确率更高。在精准确定固定时空乘客出行路径的基础上，根据即时的afc刷卡数据，大幅度提升乘客的出行过程预测的准确性。

30、步骤4：基于计算图模型的随机乘客短时客流预测；

31、4.1)基于计算图模型估计随机乘客付费区内各段时间

32、其主要思路表示如下：通过乘客路径选择建模、k短路搜索以及有效路径选择、构建数学优化模型、优化模型向量化、计算图模型建模等步骤，估计走行时间、换乘时间和站点候车时间。

33、步骤4中的各段时间定义如下：为准确刻画乘客完成一个od对乘车过程，将整个出行过程嵌入至城市轨道交通网络g＝(v,e)，其中v代表网络中所有的节点，包括闸机节点、站台节点，e为网络中的边，包括进出站边、换乘边及列车运行边。所有的边均为有向边，分为上行方向与下行方向，方向不同则属性不同。将出行过程中的边、节点进行如下定义：

34、闸机节点：乘客进出站刷卡的闸机；

35、站台节点：乘客候车时所在的节点；

36、进站边：刷卡进站闸机节点到站台节点的边，即乘车进站走行时间。

37、列车运行边：列车在两个车站间运行边，可通过实际运行时刻表获取；

38、换乘边：乘客在换乘车站的两个站台节点之间行走的边，对应的换乘时间。

39、出站边：乘客在出站的站台与出站闸机之间行走的边，即乘车出站走行时间。

40、走行时间：乘车进站走行时间加上乘客出站走行时间。

41、4.2)通过客流分配和智能体仿真进行随机客流的短时预测

42、根据步骤4.1)估计得到的候车节点时间和边段行程时间ta组成的t，并结合路径表示a，获取路径行程时间cpath，根据路径行程时间获取不同路径的选择概率p，基于已有的a、t、cpath和p，结合智能体仿真，将短时间内od客流量q分配至各条路径上，获取路径流量f，根据路径流量，结合仿真，最终获取实时的断面流量x。获取短时断面流量全过程如下面公式所示。

43、cpath＝at

44、p＝spftmax(-θcpath)

45、f＝pq

46、x＝∑f

47、其中，h时间段内od对rs之间第k条路径的流量h时间段内边段a的断面流如下公式所示。

48、

49、相比于根据整体数据特征预测随机乘客的客流分布，该步骤在进一步细化并计算出乘客出行过程中的时间分布基础上利用客流分配和智能体仿真进行随机客流的短时预测，过程更加的合理，预测结果的准确率大幅度提升。

50、步骤5：线网的短时客流预测。

51、线网中短时客流由固定时空乘客客流与随机乘客客流组成，其中固定时空乘客客流如步骤3获得，随机乘客客流由步骤4获得，因此，线网中的短时客流公式所：

52、

53、其中表示固定时空乘客客流与随机乘客客流的一种函数关系，该函数则通过过去一段时期内afc历史数据进行学习训练获得。

54、过去一段时期是指过去的3个月、6个月或1年，具体取值根据历史afc数据的存储量与结构决定。

55、与现有技术相比，本发明具有如下优点：

56、本发明提出的技术方案充分利用afc历史及列车运行时刻表数据，根据乘客历史出行行为进行分类，在更加精准确定两类乘客出行路径行为的基础上进行各自的客流预测，从而形成线网的客流预测。

57、本发明在线网客流预测上以数据驱动为准，规避各种假设，遵照乘客出行行为的客观状态，为运营服务及客流突发情况下的应急提供了更加合理的决策依据。