城市軌道交通線網時空相關性客流預測研究*

鄒 東劉 瓊黃梓榮

（1.廣州地鐵集團有限公司建設事業總部，510380，廣州；2.華南理工大學軟件學院，510006，廣州∥第一作者，高級工程師）

城市軌道交通線網時空相關性客流預測研究*

鄒 東1劉 瓊1黃梓榮2

（1.廣州地鐵集團有限公司建設事業總部，510380，廣州；2.華南理工大學軟件學院，510006，廣州∥第一作者，高級工程師）

城市軌道交通客流預測是一個時空相關的復雜問題，僅根據車站的歷史數據很難得出更有參考價值的預測結果。提出基于Elman神經網絡算法的時空相關性客流預測方式。其模型輸入包括車站的歷史數據和線網中其它車站及交叉線路車站的時空相關性數據。前者從車站前3周數據中提取縱向強時間相關性數據；后者從相關車站的前3周數據中提取橫向強時間相關性數據。提取過程均采用Spearman算法。在兩條交叉線路共33個車站3周時間范圍的客流數據上，利用Elman神經網絡算法比較分析時空預測方式和時間預測方式的預測性能。試驗結果表明，時空預測方式對實際客流的預測精度優于時間預測方式。最后，在時空預測的基礎上進行客流多步預測，為城城市軌道交通有效的客流疏導提供數據支持和相對寬裕的時間。

城市軌道交通線網；相關性分析；客流預測；神經網絡

First-author＇s address Operation Division of Guangzhou Metro Group Co.，Ltd.，510380，Guangzhou，China

近年來，城市化進程不斷加快，城市軌道交通線路持續增加，建立與時俱進的軌道交通管理方案迫在眉睫［1］。城市軌道交通線網建設是協調線路運力、綜合節能、提供應急指揮等的重要舉措。目前，城市軌道交通線路獨立運營，其列車未能按客流波動調度，高峰擁擠、平峰浪費的運營問題十分突出。運營方應分析客流變化趨勢及其影響因素，建立相適應的客流預測模型，準確預測線網站點的客流，促成各線路客流量均衡分布，以滿足市民出行需求。

客流的時變性是城市軌道交通的特征之一，相對于線路站點的客流，線網站點客流的時空分布將發生顯著變化。由于線網包含多條線路，其站點間關系復雜，且車站用地類型各異，客流關聯規則未知，已有數據缺乏部分重要信息（如天氣、車站周邊交通情況、社會經濟文化情況等），因此，準確預測站點客流的時空變化趨勢是一項具有挑戰性的任 務［2］。

目前，國內外學者對交通領域的客流預測方法進行大量的研究，但是大部分研究都基于交通理論。文獻［3］提出客流預測的DRM模型，并對加州舊金山輕軌車站客流進行分析預測。文獻［4］基于DRM模型進一步研究了首爾的城市軌道交通車站客流量。文獻［5］利用希爾伯特-黃轉換方法對臺北捷運的客流數據進行預測分析，該方法充分考慮了軌道交通客流的時變特征，能有效解決客流數據的非線性、復雜性問題。文獻［6］考慮大型活動對城市軌道交通客流的影響，對北京地鐵五棵松車站的客流使用灰色馬爾科夫進行分類預測。文獻［7］利用路網的空間信息，提出了一種基于時空依賴性的區域路網短時客流預測模型。

線網的客流錯綜復雜，線路、車站之間相互影響，但已有的客流預測方法大部分基于單車站的客流，對該車站的歷史客流數據進行研究，忽略網絡化運營情況下線網車站的相互影響，導致在進行客流預測時忽視空間相關性，降低了預測結果的擬合精度。

時空相關性客流預測模型從城市軌道交通網絡化運營的角度考慮線網車站的客流預測問題。該模型的輸入由兩部分組成：①當前車站的歷史數據；②其它相關車站的時空數據。模型輸出即為所預測的客流量。

利用Spearman算法分析預測站點客流數據的時間相關性時，可提取相關性較大時段的數據作為歷史數據。采用兩層的時空數據構建方法：①利用Spearman算法，分析預測站點與本線路其它站點、預測站點與交叉線路站點的空間相關性；②提取與當前車站空間相關性較高的車站，計算時間相關性；③提取相關性較高的時間段數據作為時空數據。得到模型輸入后，建立Elman神經網絡的預測模型，并使用該模型對城市軌道交通線網的車站客流進行預測。

1　客流數據特點

城市軌道交通客流量指在單位時間內城市軌道交通線路上的各旅客流向的流動人數的總和。城市軌道交通的客流具有一定的時序特征，即客流量會隨著時間的變化而變化。其中，最明顯的是客流量以周為變化周期。同時，客流量還會受到其它因素的影響。這導致每個周期內客流量的變化不盡相同，具有一定的非平衡趨勢特征。

城市軌道交通的線路固定，并與其它交通方式相互分離，故較少受到外界因素的干擾，其客流量隨著時間不斷變化。為了反映客流量的這種變化情況，得到準確的預測結果。在進行客流量預測前，應首先掌握客流量的時序特征及變化趨勢［8］。以廣州地鐵2號線三元里站為例，其某年的客流量變化情況如圖1所示。通過對圖1進行分析可發現，三元里站的客流量具有如下特征：

（1）周間特征。在不考慮節假日客流的情況下，客流量以周為周期。每個周期內的客流變化規律相似。

（2）周內特征。一般情況下，每周五的客流量最大，是一周客流量的最高峰；其它工作日的客流量相對較為平均；而周末的客流量最小，為該周低谷。

（3）日內特征。根據車站周圍用地類型的不同，其客流量在一天內的變化特征各不相同。商業用地附近的車站客流量，在工作日有明顯的早高峰和晚高峰特點。

圖1　廣州地鐵三元里站分時客流量

2　基本原理

2.1向量相關系數

在確定Elman神經網絡的輸入、輸出向量時，需考慮各輸入向量與輸出向量之間的相關系數，以確定輸入向量與輸出向量是否相關，從而確定是否能夠從輸入向量的變化反映出輸出向量的變化。

常見的相關系數有pearson相關系數、Gamma相關系數、Kendall＇s Tau-b相關系數、Spearman相關系數等。

假設Spearman相關系數的兩個集合分別為X、Y，其元素個數均為N，兩個隨機變量取的第i（1≤i≤N）個值分別用xi、yi表示。對X、Y進行排序（同時為升序或降序），得到兩個元素排行集合XORD、YORD，其中元素xord，i、yord，i分別為xi在XORD中的排行以及yi在YORD中的排行。將集合X、Y中的元素對應相減得到一個排行差分集合d，其中di=xord，i-yord，i，1≤i≤N。隨機變量X、Y之間的斯皮爾曼等級相關系數ρ可由xord，i、yord，i或者d計算得到。其計算式為

2.2Elman神經網絡

Elman神經網絡是一種典型的動態神經網絡。Elman神經網絡在前饋網絡的隱含層添加一個承接層以實現記憶功能，從而使其能反映數據的動態特性。

Elman神經網絡一般分為輸入層、隱含層、承接層和輸出層，其一般結構如圖2所示［9］。

假設u（k）及y（k）分別為Elman網絡輸入值及輸出值，x（k）為隱含層的輸出值，xc（k）為承接層的輸出值，那么Elman神經網絡的數學表達為：

式中：

W1——承接層神經單元到隱含層神經單元的連接權重矩陣；

W2——輸入層神經單元到隱含層神經單元的連接權重矩陣；

圖6為滿載下的實驗波形,圖6中,vgs、vds分別為LLC原邊管子的驅動電壓和漏源電壓,可以發現,開關管實現了軟開關。ir為諧振腔電流,滿載下諧振腔峰值電流為26.3 A。vCr為諧振電容兩端電壓。

W3——隱含層神經單元到輸出層神經單元的連接權重矩陣；

f（x）——隱含層神經單元的傳遞函數；

g（x）——輸出層神經單元的傳遞函數，是隱含層的線性組合。

圖2　Elman神經網絡模型

3　客流量預測模型的設計和實現

為較好地對城市軌道交通線網客流進行分析和預測，本文以相關性理論和Elman神經網絡為基礎，結合軌道交通客流量預測的業務需要，提出一種客流時空相關性的客流量預測模型。（如圖3所示）?？衫脮r間及空間相關性來分析城市軌道交通車站客流量的時間及空間相關程度，并從中尋找對預測車站的客流量量影響較大的車站歷史數據及其它相關車站的時空數據。而Elman神經網絡結合客流量時序變化的特點，更適用于時序變化的預測問題。

圖3　客流預測模型訓練及預測流程

3.1客流時空相關性分析

通過對城市軌道交通分時客流量特點進行分析，可得到城市軌道交通車站的短時出站客流量在時間上呈現一定的規律性的變化。根據廣州地鐵三元里站的歷史客流量數據得到圖4所示的相關關系。

分析廣州地鐵2、8號線的出站客流量數據，并構建出站客流向量。以廣州地鐵三元里站作為預測站點，通過Spearman相關系數計算該站周內客流量相關性及周間客流量相關性，可得到相關性系數如表1所示。

圖4　客流量的時間相關關系（時間段粒度：15 min）

表1　廣州地鐵三元里站客流量相關性關系

同時，城市軌道交通線網由不同空間位置上的車站組成。雖然每個車站的客流規律是不同的，但由于線路存在交叉，因此車站都會受到線路或交叉線路上的車站客流的影響。根據廣州地鐵2、8號線的歷史客流量數據，繪制三元里站的客流量與中大站的客流量的相對關系圖（見圖5）。從圖5中可看出明顯的線性關系。因此，預測目標站點的出站客流量，可將其與線網中的其它車站的進站客流進行相關性分析，從而得到客流相關度較大的車站。并對這些車站使用上述的時間相關性分析，進而得到對應車站相關度較大的客流時段。

通過獲取其它車站的客流向量，分析向量之間的Spearman相關系數，得到車站相關系數結果（如圖6所示）。

根據圖6的站間相關系數，選擇相關系數大于0.89的站點作為相關站點。故選擇越秀公園站、中大站、火車站站作為相關站點進行時間相關性分析，得到相關車站客流時間相關性如表2所示。

圖5　客流量的空間相關關系（時間段粒度：15 min）

圖6　站間相關系數

表2　廣州地鐵三元里站基于空間相關性的時間相關系數

根據表2相關度結果，取這三個車站的相關系數最大的時間段為時空相關性的輸入。因此在考慮空間相關性時，選擇越秀公園站前二時段、中大站前二時段及火車站站前二時段的客流量作為其它相關車站的時空數據。

3.2神經網絡

對于Elman神經網絡，隱藏層節點數nh=+α，0＜α＜10。nh、nin、nout分別表示隱層、輸入層、輸出層的神經單元數。隱含神經元的傳遞函數采用雙曲正切S形函數，輸出層神經元的傳遞函數采用線性函數。

其中，x=｛x1，x2，…，xn｝為實際客流數據，為對應的客流預測數據。

4.2三元里站分時客流預測及結果分析

通過對三元里站的出站客流進行分析，從中抽取分時客流數據樣本共379組。選擇299組樣本作為神經網絡的訓練集，余下的80組樣本作為測試集。測試集的時間為第10周周三的客流數據。同時，為了加快神經網絡的收斂速度，在神經網絡訓練前將客流量歸一化到［-1，1］區間內［10］。

在僅考慮時間相關性的情況下，神經網絡模型的5個輸入層神經元依次為上周前一時段，上周同一時段，上周后一時段、前一時段和前二時段的客流量；1個輸出層神經元為目標時段預測客流量。采用自適應學習速率的動量梯度下降反向傳播算法訓練神經網絡。經過訓練之后，預測結果對測試樣本的擬合程度如圖7所示。

4　試驗分析

4.1試驗數據與評價標準

試驗數據采用廣州地鐵交通2、8號線上的35個車站的客流量。數據的間隔為15 min。采用均方根誤差（XMSE）這種公認的標準評價方法進行評價。

圖7　考慮時間相關性的預測結果擬合曲線

在考慮時空相關性的情況下，神經網絡模型的8個輸入層神經元依次為上周前一時段，上周同一時段，上周后一時段、前一時段、前二時段，火車站站前一時段，中大站前一時段和越秀公園站前二時段的客流量；輸出層神經元為目標時段預測客流量。采用自適應學習速率的動量梯度下降反向傳播算法訓練Elman神經網絡。經過訓練之后，預測結果對測試樣本的擬合程度如圖8所示。

圖8　考慮時空相關性的預測結果擬合曲線

由圖7和圖8可以看出，采用時空相關性的Elman神經網絡進行車站出站短時客流量預測時的預測結果更為準確；預測客流量的均方誤差相對于僅考慮時間相關性的方法降低了21%左右。神經網絡性能函數比對見表3所示。

表3　神經網絡性能函數比對

4.3客流多步預測

上述模型都是基于已經得到前面時刻的實際客流數據，但在實際應用時，僅預測15 min后的客流數據無法滿足城市軌道交通客流疏導安排，因此提前一步（15 min）預測城市軌道交通線網的客流數據缺乏實用性。

客流量多步預測指下一步預測使用了上一步預測的結果作為輸入。例如，若已知T3時刻的客流量，需要預測T時刻的客流量，則上述時空相關模型的預測輸入應包含三元里站T1及T2時刻客流量及火車站站、越秀公園站、中大站T1時刻客流量。即使三元里站T2及T1客流信息是未知的，也可對T2時刻進行預測，進而根據T2的預測結果得到T1預測模型的輸入，最后得到T時刻預測模型的輸入。類似的，可以通過同樣的方法得到火車站站、越秀公園站及中大站的T1時刻客流量。

基于上述理論，本文在單步預測的基礎上，進行了提前3步的客流量預測。預測結果與實際客流量的擬合程度如圖9所示。這保證了城市軌道交通運營方能有45 min安排客流疏導。

多步預測保證了客流量預測能使用當天已有客流量數據，降低了僅通過上周客流量進行客流量預測的誤差。這為運營方有效組織客流疏導提供了預測數據的支持。

圖9　提前三步客流預測結果

5　結語

本文主要針對城市軌道交通短時客流預測進行理論研究及仿真試驗，其目的就在于為日漸復雜的軌道交通線網系統中時變性的客流探求適合的短時預測方法。這對于相關運營部門日常平衡運量需求和運能供給、制定合理的運營調度計劃、組織日常運輸生產都具有重大的意義。時空相關性預測模型的核心思想就是先用相關性分析得到神經網絡的輸入，再利用Elman神經網絡對具有非線性特征的客流量進行預測。預測結果表明，該預測模型能夠提高預測精度、減小預測誤差。

［1］ 袁健，范炳全.交通流短時預測研究進展［J］.城市交通，2012（6）：73.

［2］ 張永生，姚恩建，代洪娜.成網條件下地鐵換乘量預測方法研究［J］.鐵道學報，2013（11）：1.

［3］ CERVERO R.Alternative approaches to modeling the travel-demand impacts of smart growth［J］.Journal of the American planning Association，2006，72（3）：285.

［4］ KEEMIN S，HUNJIN S.Factors generating boarding at metro station in the Seoul Metropolitan Area［J］.Cities，2010，27（5）：358.

［5］ CHEN M C，WEI Y.Exploring time variants for short-term passenger flow［J］.Journal of Transport Geograph，2011，19（4）：488.

［6］ 楊軍，侯忠生.一種基于灰色馬爾科夫的大客流實時預測模型［J］.北京交通大學學報，2013（2）：119.

［7］ 常剛，張毅，姚丹亞.基于時空依賴性的區域路網短時交通流預測模型［J］.清華大學學報（自然科學版），2013（2）：215.

［8］ 李曉俊，呂曉艷，劉軍.基于徑向基神經網絡的鐵路短期客流預測［J］.鐵道運輸與經濟，2011（6）：85.

［9］ 姜平，石琴，陳無畏，等.基于Elman型回歸神經網絡的公交客流預測［J］.合肥工業大學學報（自然科學版），2008（3）：340.

［10］ 張齊，許志堅，趙坤榮.基于Elman神經網絡的污染源數據預測［J］.華南理工大學學報（自然科學版），2009（5）：135.

［11］ 劉曉華，韓梅，陳超.城市軌道交通車站聯合客流控制研究［J］.城市軌道交通研究，2014（5）：106.

Spatial-temporal Correlation Prediction for Passenger Flow in Urban Rail Transit Network

Zou Dong，Liu Qiong，Huang Zirong

passenger flow prediction is a complex spatialtemporal correlation problem.At present，it is difficult to obtain valuable prodiction only from the historical data of target stations.In this paper，a spatial-temporal correlation prediction model based on neural network is proposed，in which the model input is composed by two parts：the current station historical data and the spatial-temporal data from other relevant stations.The former is extracted from the data of current station in past three weeks which have strong longitudinal time correlation，while the later is extracted from the 3-week data of other relevant station which have strong horizontal time correlation，both are using the Spearman algorithm.Elman natural network algorithm is adopted to compare the performance of spatialtemporal correlation prediction and time correlation prediction.The experimental results show that the proposed spatial-temporal prediction model is more accuracy than the time prediction model.Finally，multi-step passenger flow prodiction is realized on the basis of spatial-temporal prediction to supportr urban rail transit with data and ample time.

urban rail transit network；correlation analysis；passenger flow predication；neural network

U 293.13∶U 231

10.16037/j.1007-869x.2016.03.007

*廣東省公益研究與能力建設項目（2014A010101016）；廣州地鐵集團有限公司與華南理工大學合作項目（J11KFA6D004）

（2014-11-05）