基于神经网络时间序列模型的换乘站早高峰客流预测研究

张文哲

（北京市地铁运营有限公司运营三分公司，北京 100082）

0 引言

随着人口的增长和社会经济的发展，北京市轨道交通在城市交通运行体系当中发挥着无可替代的功能，常规的地面公交已经不能更好地满足人们日益增长的交通需求，发展绿色交通之称的轨道交通已成为城市交通的必然选择。轨道交通在城市交通中体现的地位越来越重要，逐步从单一的线路向网络化线网发展，随之带来的挑战也不断增加。截至2019年12月北京地铁总站数已达到405 座，工作日日均客流量已达到1000 万人次左右，客运量增加到一定程度时，对轨道交通的乘客满意度和运营安全均会带来一定的影响。作为轨道交通网络重要节点的换乘车站所形成的换乘客流在轨道交通全网客流中占有较大比重，因此换乘客流的预测精度将会直接影响客流的预测精度。依据预测的客流量，分析换乘站客流量阈值，适时启动分级分层的预案，优化大客流状态下的客流组织方案，改善乘客的乘车环境，提高运营服务质量。

近年来，一些学者对“客流量预测”这一问题做了相关研究。王天羿（2019）[1]针对客流量分布状态难以准确把握的情况，提出了一种结合LSTM（Long Short-Term Memory）网络和层次聚类算法（Hierarchical Clustering）的城市轨道交通客流量预测模型，并应用上海市轨道交通特征及客流量数据对模型进行了验证和仿真。周庆梅、何希平（2020）[2]综述了地铁短时客流量的预测方法，并从近年来研究地铁短时客流量的方法出发，回顾和整理了国内外关于地铁乘客流量短时预测的相关文献，归纳了相关的研究方法。陈小健、唐秋生（2019）[3]选取了GM（1，1）均值模型、GM（1，1）差分模型和灰色Verhulst 模型对重庆地铁全网客流量进行预测，采用平均相对误差、均方差比值和关联度三个指标对模型进行检验。杜洋（2019）[4]从地铁车站客流、车站自身情况和拥挤程度三个角度对地铁车站大客流进行了分析，探讨了大客流的发生原因、时空特性，分析了地铁拥挤指数，得出了拥挤程度分级，最终提出了一种大客流应急预案。以上研究应用了不同方法对地铁车站客流进行了预测，而本文是应用神经网络时间序列模型（Neural network time series，NNTS）针对北京地铁换乘站进行短时流量预测，以达到客流尖峰预警的目的。

1 问题描述

1.1 基本问题描述

北京地铁全网客流量预测对站台、通道、车载大客流预警有着至关重要的作用，在北京市现有的405座车站中，又属换乘车站最为复杂。不同于普通非换乘车站，换乘车站客流影响因素较多，除了要考虑进站客流、出站客流，还应考虑通过站台的换乘客流。作为单一换乘车站来说，换乘客流又基本包括换出上行客流、换出下行客流、外线上行换进客流、外线下行换进客流。而对于多线路换乘车站，情况就更为复杂。本文应用神经网络时间序列模型（Neural network time series，NNTS），以同一换乘站、同一时间节点的历史数据，对工作日早高峰短时客流进行预测。

1.2 站点选择

由于换乘站点众多，且一些换乘站早高峰客流并不大，故本文只选取了4 座主要换乘站作为实验数据来源。所选主要换乘站基本情况如下：

1.2.1 国贸站

国贸站地处东三环南路，位于京通快速路西侧，与1 号线换乘。国贸车站为双层分离岛式车站，主体总长131.2m，宽13.2×2m，建筑面积20611m2，设4 个地面出入口，3 条出入口通道，1 条与1 号线国贸站换乘通道。国贸站为10 号线与1 号线的换乘站，主要换乘客流为主，车站周边临近大型商务写字楼，大多为通勤商务办公客流。

1.2.2 西直门站

西直门站位于北京市西城区二环路西北角，北京地铁2 号线、13 号线和4 号线汇聚于此。2 号线车站于1984年9月20日北京地铁二期工程开通时启用，13号线车站于2002年9月28日13 号线西段开通时启用，4 号线车站于2009年9月28日4 号线开通时启用。西直门站也是北京地铁中比较繁忙的一个车站。西直门站的西北边便是北京北站，乘客可在此进行铁路与轨道交通的换乘。西南方向有国家卫生计生委、人民医院、地铁运营公司等企事业单位，西北方向为13号线西直门站、北京北站、凯德MALL 等大客流聚集场所，周边分布各公交线路30 余条。客流来源住宅区、北京北站、公共场所和商业场所。客流以通勤、旅游和商业客流为主。客流以外埠、通勤、旅游和商业客流为主。

1.2.3 海淀黄庄站

海淀黄庄站处于中关村的核心部位，是4 号线与10 号线的换乘站，为出入中关村的主要途径，并有通道直接与周边商业连接。海淀黄庄站为地下双层车站，有站厅、站台层，为端头型站厅，并且是侧式站台结构，车站共有3 个出入口，分别为A1 口、A2 口、C口，其中A2 口与新中关商厦连接，在站台设有4 条换乘通道实现与4 号线的换乘。海淀黄庄站客流组成为通勤客流和换乘客流，存在早、晚高峰进出站及换乘客流大的特点。周一到周五工作日期间，主要为通勤通学客流；双休日、节假日客流主要为购物客流。

1.2.4 宋家庄站

宋家庄站位于北京市丰台区石榴庄路与宋庄路的交汇路口，是北京地铁中三线换乘车站之一，汇聚了地 铁5 号 线、亦庄 线、10 号线三条线路，5 号 线、10号线、亦庄线分别于2007年10月7日、2012年12月30日、2010年12月30日投入运营。北京地铁宋家庄站为地下二层车站，5 号线部分采用侧式站台设计。

2 模型分析

2.1 神经网络模型

神经网络算法参考人的神经元原理，在很多神经元基础上构建神经网络模型，每个神经元可看作一个个学习单元[5]。这些神经元采纳一定的特征作为输入，根据自身的模型得到输出。传统机器学习算法，在处理特征值过多的问题时会显得力不从心，这时就可以使用神经网络。对于普通特征难以满足预测的需要，需要通过复杂的组合得到一系列更为强大的新特征，从而完成回归预测或分类问题。在此，可以利用xi（t）代表于t 时刻的总数神经元j 获得的，从第i个神经元输送来的信号，可以利用oj（t）代表第j个神经元的输出值，由此可以写出基本计算式，如式（1）所示：

式（1）中：f函数表示一个神经元的更新函数；而式中的wij则表示比重；τij表示系统的输入输出之间的时间滞后；Tj表示神经元j的具体阈值。这样，一个基本的神经网络原理就可以由图1 表示。

图1 神经元基本模型

2.2 时间序列模型

本文应用非线性自回归模型（NAR）作为时间序列预测模型，在这种类型的时间序列模型中，通过该时间序列的过去值x（t）来预测时间序列y（t）的未来值。这种形式的预测为非线性自回归预测：

NAR 网络，即自回归函数表征下的非线性神经网络，是在一个动态条件下，将输出与目标之间的差值反馈回来，自动更新网络。这个网络可以把以往的计算结果保存，并逐步反馈回系统，作为历史数据和历史信息，更好的辅助后续的预测[4]。同时，这种NAR网络，可以依靠电脑的无限循环的反复计算能力，获取更有力的学习能力，理论上可以最终达到与各种非线性函数近似的效果，更加适合做时间序列的预测。

2.3 L-M 训练算法

Levenberg-Marquardt（L-M）算法是一种可以用于求解最小二乘问题的迭代算法，可以看成是最速下降法和Gauss-Newton 法的结合（通过调节阻尼μ 切换）。若当前解距离最优解较远时，算法更接近最速下降法；若当前解接近最优解，算法接近GN，快速收敛。L-M 是一种常见的循环训练算法，本文在神经网络训练时就是应用的L-M 算法。至此，用于北京地铁换乘站的神经网络时间序列模型建立完毕[5]。

3 模型仿真研究

3.1 实证数据

本文应用国贸、西直门、海淀黄庄、宋家庄四个典型换乘车站的进站人数、出站人数、换乘人数加总作为实验数据。数据时间节选为2019年5月和2019年6月的工作日（共40 天），数据时间切片定为工作日周一至周五早7∶30～8∶00、8∶00～8∶30、8∶30～9∶00，每半小时为一统计单位。

3.2 模型仿真结果

针对国贸、西直门、海淀黄庄、宋家庄四个重点换乘站做神经网络预测分析。每个车站均有3 个时间切片的结果图，由于其相似性，故列写了早7∶30～8∶00的结果图。训练参数设置为训练集、验证集、测试集；分别占比为65%、10%、25%；样本数分别是26、4、10；隐含层10。实验对比结果如图2、图3 所示。

图2 国贸与西直门车站早高峰预测结果图

图3 海淀黄庄与宋家庄车站早高峰预测结果图

实验结果表明，用2019年5月和2019年6月的工作日早高峰数据训练的时间序列神经网络模型，可以有效地预测未来一天内响应早高峰时间段的人流量，误差在可接受范围内。本文所设计的北京地铁换乘站时间序列神经网络模型，虽然只通过4 座主要换乘站的数据验证，但也适用于其他换乘车站，因此，本模型可以为换乘站应对客流高峰提供参考依据。

4 结语

地铁系统犹如一台大的联动机，如在大客流冲击之前依据相关数据分析，做到科学精准的预测，各重要环节便可磨砺以须、严阵以待。如，各换乘车站所属站区领导可提前到达现场，统筹指挥现场客运工作，值班站长及时调整岗位配置，增加客流集中位置的岗位力量，指挥工作人员利用售检票设备、限流设施适时减缓乘客进站速度，与相交换乘车站站长提前沟通换乘事宜，适时将换乘通道限流或关闭。该站综控人员可预先将预测客流情况向本线行车调度反馈，申请加开临时客车，缩短列车运行间隔，降低车厢满载率，达到快速疏散站台乘客的目的，必要时还可以提前通知地铁公安到达站台维持秩序。相交换乘站综控人员也可以根据对方请求，通知本线行车调度适时采取在站列车通过不停车等方式缓解对方换乘站客流压力，行车调度接到请求后，可以提前通知乘务中心准备好临时客车司机及热备车，以便快速补充线路运力，电力调度可提前调配路网用电负荷，提前安排电力值班员进驻牵引、降压、混合变电所等关键部位进行操作，保证运营线路各环节用电安全。