大数据的城市轨道交通客流预测方法分析

摘要：在城市轨道交通运营管理工作中，客流预测一直是其中非常重要的一部分，因为准确的客流预测可以让交通運营管理中心提前部署运输资源，能够优化列车的开行方案，并且还可以减小客流压力，这些工作都可以节约运输资源，避免资源浪费的同时还能让交通运输行业产生更大的经济效益。信息技术的发展让交通客流的预测更为准确，特别是大数据时代的到来，更有利于预测人们个性化、多样化的初心行为，交通运营管理部门可以根据预测的结果开展工作，合理部署资源。

关键词：大数据 轨道交通 客流预测 信息技术

中图分类号：C37   文献标识码：A       文章编号：1672-3791（2021）10（c）-0000-00

Analysis ofUrban Rail Transit Passenger Flow Prediction

Method Based on Big Data

HE Xudong

（Guiyang Vocational and Technical College， Guiyang，Guizhou Province， 550081 China）

Abstract： Passenger flow prediction has always been a very important part in the operation and management of urban rail transit. Because accurate passenger flow prediction can enable the transportation operation management center to deploy transportation resources in advance， optimize the train operation scheme， and reduce the passenger flow pressure， all of which can save transportation resources. These works can save transportation resources， avoid resource waste， and make the transportation industry produce greater economic benefits. The development of information technology makes the prediction of traffic flow more accurate， especially the arrival of the big data era， which is more conducive to predicting people's personalized and diversified initial behavior. The traffic operation management department can work according to the prediction results and reasonably deploy resources.

Key Words： Big data;Rail transit;Passenger flow prediction;Information technology

准确的客流预测可以帮助交通运营管理部门进行决策，由于人们的出行不规律，有时候轨道交通运输部门会承受非常大的出行压力，有时却又没有人愿意出行，如果人们的出行行为不被预测到，那么对于轨道交通运输部门来说，出行旺季时他们可能会出现车次不足的情况或者候车大厅拥堵的情况，如果出行淡季时人们的出行行为不被预测，那么如果地铁班次安排过多，就会造成较大的资源浪费。大数据时代的到来让人们的行为可以得到更准确的预测，就有利于交通运输部门开展工作。

1大数据及大数据的技术特点

大数据是一种数据集合，因为大数据所蕴含的信息量巨大，所以其定义为：无法使用常规软件在有限时间内进行完全捕捉、管理以及处理的数据集合。即使时代发展到今天，其蕴含的庞大信息量依旧无法完美地进行分析，不过由于大数据中蕴含的海量信息有着巨大的价值，即使我们现在依旧不能完美利用大数据，但是它依旧可以带给我们无法估量的价值[1]。

大数据有4个层面的技术特点，具体叙述如下。

第一，数据体量十分巨大，一般的大型数据集合与之相比仅仅为它的千分之一，甚至有的大数据还是一般大型数据集合的一百万倍。

第二，数据种类繁多。例如：地理位置信息、运动轨迹、视频、音频等都可以在一个大数据集合里存在。

第三，处理速度快。虽然大数据集合中蕴含的数据种类非常多，但是对这些数据进行处理能够快速获得其中蕴含的高价值。

第四，价值回报高，只要对大数据集合进行合理地分析，那么势必可以获得极高的价值回报。

2城市轨道交通客流预测的重要性

轨道交通的目的是运输乘客，减少城市中的拥堵现象，所以它的建设要根据城市的大小，人口的规模进行，有的城市到现在依旧没有轨道交通，是因为这些城市人口规模小，没有特别严重的拥堵现象，轨道交通的建设要消耗很多资源，在人口规模小的城市进行轨道交通建设会造成很大的资源浪费，所以要怎样规模的城市才可以建设轨道交通，这样的决策需要数据支持。

另一方面，每日的出行乘客数量，以及个别站点会同一时间涌入大量乘客，需要多长的车厢，每日需要多少班次才能将这些客流量消化，这些问题都需要数据进行支撑，而这些数据就是客流量，准确的客流量预测就能够保证在节约资源的前提下实现最优化的乘客出行方式，减少拥堵，合理设计票价，同时，客流量大的站点还需要聘用更多的管理人员，这些都需要提前考虑，都可以通过对客流量的分析获得[2]。

3城市轨道交通客流预测方法

3.1城市轨道交通客流数据分析

城市轨道交通的客流数据主要有两种：一种是乘客进出车站时刷乘车卡时被机器统计到的数据，称之为站内数据;另外一种是除了站内数据之外，乘客在进入站点时，需要进行安检，安检区也会得到一份客流数据，除刷卡数据之外的安检数据、检票数据等都属于站外数据。由于这些数据的来源多样，有刷乘车卡时被采集的数据，也有来自手机的数据，还有个人的位置信息，同时，轨道交通站点的客流密度大，其产生的客流数据体量庞大，并且还具有时效性，符合大数据的特点，所以城市轨道交通客流数据属于大数据的一种[3]。

3.2城市轨道交通客流预测方法分析

目前，国内外对轨道交通客流预测的方法主要分为两个类别。

3.2.1基于统计学理论的客流预测方法

这种方法是根据历史数据的特点建立相应的数学模型，这类数学模型可以外推未来数据的发展变化情况，假设客流数据的发展变化也跟随这一趋势，有了趋势之后就可以通过数学模型进行轨道交通客流数据的预测。

这类预测方法主要有3种，即非参数回归、时间序列、贝叶斯网络。

非参数回归的预测方法需要大量的历史数据作为支撑，这样才能提高这种预测方法的精度，其优点是能够较为精确地预测到短时交通客流量。

时间序列是运用比较广泛的预测方法。这种方法也有着比较好的预测精度，在进行预测时，需要通过对历史数据的分析，然后推测事物之后的发展，所以这种预测方法容易受到突变因素的影响，例如：天气突变等情况，在突变因素的影响下，其预测精度就会下降。

在处理具有不确定性的信息或者不完整的信息时，贝叶斯网络是非常好的一种工具。贝叶斯网络可以将数据库中各数据间的概率关系反映出来，即使数据库中有某些变量缺少，也可以通过贝叶斯网络构建这样的精确模型，但是贝叶斯网络模型的计算方式比较复杂，这是这种模型的缺点。

3.2.2基于神经网络的客流预测方法

这不仅是一种新型预测算法，这种模型可以根据外部信息来进行自身的改变，还是一种具有自适应能力的算法模型，它通过对生物神经网络的结构以及功能进行模拟，来对信息进行分析。这种预测算法的稳定性非常高，拥有着很强的容错能力以及抗干扰能力，对于客流数据中那些不确定性的预测有着更好的效果。它的缺点也很明显，就是学习速度低，容易陷入局部最小，同时收敛速度也不快。

3.2.3基于多模型组合的客流预测方法

由于轨道交通客流量变化呈现一定的时序性特点，即客流量的变化有周期性，一般以周、月或者年为变化周期，不同时序内客流量有着明显的变化。除了时序性之外，客流量还受到天气的影响，天气会影响到乘客的出行，自然轨道交通的客流量会随着天气的变化而变化，此外，还有其他的一些因素也会影响到客流量，例如：突发事件，或者活动等，所以客流量的变化虽然呈现一定的周期性，但是在不同周期内也会有这较大差别，仅仅使用一种预测模型很难准确预测复杂多变的客流量，有学者就提出多模型组合的预测方法，即结合各种模型的优点，建立组合模型，这样的模型有着更强的稳定性以及精确性，由于弥补了单一模型的不足，这样的模型往往具有更高的价值[4]。

4大数据背景下城市轨道交通客流预测方法分析

传统的轨道交通客流预测模型虽然已经有着较高的精确性，但是在大数据时代的背景下看来，这些预测方法依旧存在着各种各样的问题，对于大数据的数据利用也不够充分。

4.1缺少动态预测

由于轨道交通的客流量会受到外部环境的影响，所以预测者在进行客流量预测工作时就必须将外部环境的因素考虑进去，这样才能综合利用大数据提供给我们的海量信息，将这些信息的价值充分挖掘出来，但是无论是传统的预测方法还是相关的预测研究中，都几乎没有考虑到天气或者大型活动等外部环境对轨道交通客流量造成的影响，这既是传统预测方法的缺陷，同时也是以往研究的缺陷，在大数据时代的背景下，以往的预测方法已经不足以充分利用大数据中蕴含的价值[5]。

4.2样本小且类型单一

传统的客流量预测时，所采用的数据多为检票数据等小样本数据，没有借助大数据技术。在信息技术发展下的今天，大数据的采集工作已经能够完成，即使轨道交通站点的数据信息复杂，现如今的技术也能够支持我们进行样本数据的采集工作，而庞大的信息处理起来更为麻烦，传统的预测方式已经不足以预测如此庞大且复杂的数据，虽然现在的预测模型可以在某些单一方向进行比较精准的预测，但是依旧没有一个可以将各种不同类别数据融合在一起的模型。

4.3现有模型无法分析到数据的本质

在现有的数据模型中，所有的分析角度都是建立在统计分析模型的基础上或者机器学习模型的基础上，分析的目的也仅仅只是客流的变化规律，没有一个模型考虑出行的需求，乘客出行的需求才是影响其选择交通工具的重要因素，以往的研究中都忽略了这个重要的因素，這就决定了这些研究无法从数据的本质上分析到其中蕴含的规律，或许也有一定的原因在于数据采集方面，现在依托大数据技术，已经能够收集到尽可能多种类的数据，进行预测分析时，更需要综合考量各类数据所代表的意义[6]。

4.4客流量灵敏度难以定量

在现有的研究中，研究者在研究某一因素对客流量的影响时，往往从定性的角度进行分析，而这类因素在出现变化时对客流量影响产生的边际效应无法反映出来，即客流量的灵敏度难以定量，大数据时代，要对多种类型的数据进行综合分析，并且流量数据会随着很多综合因素变化，如果在进行研究时，无法预测到数据的变化而带来的流量变化，也会大大地削弱大数据所带来的价值。

5结语

对城市轨道交通的客流量进行预测的研究十分重要，这类研究可以帮助相关部门的领导者下达决策，不过，由于以往收集信息的局限性，所建立的研究模型还有着各种方面的缺陷，在外部环境产生变化时，就很难进行精准的预测，大数据时代的到来意味着我们已经有能力收集到足够的信息，对这些信息进行分析，能够帮助我们准确地进行城市轨道交通的客流量预测，并且，由于大数据所涵盖的信息面非常广，涉及到轨道交通出行的方方面面，这样的数据更能够说明问题，以往的研究方法需要做出改进，才能满足大数据时代的研究需求。

参考文献

[1] 王兴川，姚恩建，刘莎莎.基于AFC数据的大型活动期间城市轨道交通客流预测[J].北京交通大学学报，2018，42（1）：87-93.

[2] 贾拴航，卢剑鸿，刘明明.基于城市轨道交通换乘客流管控的量化方法研究[J].都市快轨交通，2021，34（5）：74-78.

[3] 梁强升，许心越，刘利强.面向数据驱动的城市轨道交通短时客流预测模型[J].中国铁道科学，2020，41（4）：153-162.

[4] 傅晨琳，黄敏，沙志仁.基于EEMD-BP方法的城市轨道交通进站客流短期预测[J].铁道运输与经济，2020，42（3）：105-111.

[5] 袁坚，王鹏，王钺，等.基于时空特征的城市轨道交通客流量预测方法[J].北京交通大学学报，2017，41（6）：42-48.

[6] 白丽.城市轨道交通常态与非常态短期客流预测方法研究[J].交通运输系统工程与信息，2017，17（1）：127-135.

作者简介：何旭东（1983—），男，硕士，副教授，研究方向为铁道机车、城市轨道交通车辆技术。