大型活动期间城市轨道交通客流在AFC数据中的预测

摘要：准确预测城市轨道交通客流期间的客流量是城市交通管理和运营部门采取计划的重要参考，也是确保活动安全的重要保证。在大型活动期间城市交通轨道的历史客流量的基础上，分析了客流分量，构建了背景客流预测和主动客流模型。为了在大型活动期间准确预测城市轨道交通，本文我们以2018年杭州国际博览中心为例，使用GM-ARIMA进行轨道交通客流预测分析。

关键词：AFC;数据;大型活动;城市轨道;预测

目前，我国己成为世界上城市轨道交通发展最快的国家之一。至2017年，全国己有34个城市拥有城市轨道交通系统，总运营里程达5038.9公里。北京地鐵、广州地铁等，网络化运营模式不断深入，对运营安全、效率与服务质量提出了更高的要求。日常运营组织过程中，系统运营状态是制定科学合理的运营决策的重要依据，因此运营部门特别关注如何能够及时准确地把握路网的运营状态。近年来，随着我国城市轨道交通的快速发展及大型活动举办的次数逐渐增加，城市轨道交通在大型活动期间承担的客流运输比重逐渐提高，大型活动的举办导致客流急剧增长，为城市轨道交通运营带来了巨大的压力。2018年国庆黄金周期间，杭州市共接待游客1776.14万人次。如果能准确预测大型活动期间城市轨道交通客流的生成与分布规律，既是城市交通管理和运营部门制定交通管制措施、编制车辆开行方案的重要依据，也是大型活动安全顺利举办的重要保障。因此，在本文中，我们利用一些城市轨道交通作为自动检票系统来收集网站和 OD历史客流数据，并在分析大型活动期间城市轨道客流的前提下，分解不同的客流分量，并分别为主动客流和背景客流构建模型，通过预测客流量，以为城市交通提供出行便利。

一、活动和背景客流分析

因为在大型活动过程中，客流量的变化不同于每日客流量。我们将大型活动期间的城市客流分为两类：活动相关和背景客流。主要是到活动形式，时间，场所的影响，背景客流是指在大型活动期间原有常规客流，也是城市日常轨道交通客流规律。我们以2018年杭州国际博览中心为例，该展贸易展会是规模较大的展览会，能够为展商开发多级市场搭建国际国内品牌推广平台，该展览会持续时间为三天。在会展场馆临近的两个城市轨道点在活动期间内的进站背景客流量以及活动客流量变化情况，与背景客流不同，活动客流量与规模，布局等因素有关，导致活动期间无明显的七天周期性变化。有三天的变化周期，这项活动约为背景客流量的2.5倍。通过对上述客流特征的分析，可以用下式表示城市轨道交通客流与大背景活动背景客流的关系。

其中，T是交通流量，B是背景客流量，A是活跃客流量。事件期间的总乘客流量等于活动OD乘客流量和背景入口和出口乘客的总和。

二、背景客流预测模型

对于未来活动期间的背景客流预测，我们可以将背景客流转换为月平均入站和出站以及OD客流量的预测。我们选择了事件发生之前和之后没有其他事件以及乘客之间类似的每日流量作为参考数据的月份。在比较参考月中，月平均每日客流量用作背景客流，其顺序与大型事件的K日相同。结果发现，发生活动期间背景进出站客流量具有一定的趋向性，以及周期性，我们可以利用ARIMA模型用于大型活动期间的进出站客流，以进行准确预测。

三、活动客流预测模型

毗邻展览场地的城市轨道交通站点为地铁一号线，包括武林广场站，西湖文化广场站等，景点距离不到1000米。与活动场馆有一定的重合区域，其中存在两个站点分别武林广场站与西湖文化广场站。此外，根据历史AFC数据，预计博览会前后两个站点之间的流量变化将与其他两个站点进行比较，作为对该事件影响较大的站点。线网其他站点作为没有受到影响的站点。具体变化情况如下图所示。

我们根据图可看发现在近几年，每年开展博览会期间客流量相比前期客流量来说有显著减少，由于大规模事件期间客流量的减少以及一些难以满足的随机因素的存在，我们在大规模事件中引入小波变换到轨道轨道。在不同尺度上分析乘客流动时间，序列数据，并获得低频近似信号和高频细节信号。重建后对每个尺度进行单分支重建，对于重建后的低频检测信号，由于其接近原始数据变化趋势，因此选用 ARIMA模型做进行预测，对于重构之后各个尺度的细节信号，包括多年来活动期间的不确定因素，客户可以使用 ARIMA模型进行预测，最后所有单重建数据预测都以相同的比例叠加。可以在大事件期间形成活动流量的预测值，数据来源于网络统计。

四、模型验证

在本次实验中，我们选择了2018年杭州国际博览中心的AFC交通数据，并预测了2019年博览会期间的实际客流量。基于小波分解和重建ARIMA模型的主动客流平均误差，我们发现两个模型的误差分别为4.3%和3.2%。事件期间主要客流量的总背景可叠加，两站的交通误差将降至3.7%和2.5%。同时，武林广场站，西湖文化广场站两个站的预测误差也有所减少。由于第三期和五一期间存在一定程度的重叠，我们对交易会前十天的入境和出境活动进行了预测。预测背景入境和出境客流背景OD客流，活动入境和出境客流，OD客流使用公式叠加，可以得出结论，客流流入和流出大规模事件期和实际OD量。我们根据活动影响的一些关键站点比较活动期间日常活动的预测值和实际值，并比较两个模型的准确性。基于小波分解和重建ARIMA模型的主动客流平均误差，我们发现两个模型的误差分别为4.3%和3.2%。事件期间主要客流量的总背景可叠加，两站的交通误差将降至3.7%和2.5%。同时，武林广场站与西湖文化广场站两个站的预测误差也有所减少。

小结

本文通过分析客流，提出了在大型活动期间活动客流与背景客流分解法，针对活动客流，采用小波分解与重构的ARIMA模型，发现在大型活动期间，客流具有趋势性以及一些难以预见的随机因素。通过分析，我们发现这种模型预测大型活动期间进站客流量准确度较好。具有较好的精度。

参考文献：

[1]  汪波，黄建玲，韩宝明. 基于AFC数据的城市轨道交通实时客流预测方法及系统：.

[2]  王思韬，韩斌，蒲琪. 基于移动通信数据分析的Elman神经网络城市轨道交通客流预测[J]. 城市轨道交通研究，2017（9）.

[3]  张清，张雷，刘亚飞，et al. 基于时间序列的扩展ARIMA-SV城市轨道交通客流预测不确定性分析与研究[J]. 科技展望，2017（29）：176-177.

作者简介：朱雯曦（1986-），女（汉），浙江绍兴，硕士，讲师，主要研究领域为人工智能、大数据分析、电子商务技术。

基金项目：2018年度浙江省高校访问工程师“校企合作项目”，项目编号 FG2018133

（作者单位：绍兴职业技术学院）