韦家碾客流预测及客运组织对策分析

杨其芝 张海波 李 健 徐艳玲

（西南交通大学希望学院，四川 成都 610400）

1 绪论

城市轨道交通是城市居民的重要出行方式之一，具有运量大、安全、舒适等特点[1]。城市轨道交通的客流预测对于线网的规划有长远意义，城市轨道交通的建设也需要客流数据的支撑。从长期客流预测来看，对于线网规划途径的区域、车站的建设提供了关键的数据支撑；从短期的客流预测来看，能够合理地安排车站的客运组织方案满足乘客的出行需求[2]。

许多国内外学者进行了客流预测方面的研究，1962年芝加哥区域交通研究中提出了经典预测理论——交通规划四阶段法，将预测分为四个阶段预测[3]，至今为止，仍然有学者选择四阶段法进行研究和改进。1984 年，IwaoOkutanif[4]将卡尔曼滤波理论运用到动态短期客流的预测中。1997 年，BartVanArem[5]结合了当时已有的短时交通流预测理论，提出预测技术的精度亟待提高，明确了短时交通流预测的必要性。罗小强[6]基于“四阶段”预测法，提出情景分析的城市轨道交通客流预测思路，2014 年，卜新春[7]和吴艳平[8]分别通过引入广义出行费用函数和通过分析轨道交通预测与其之外的地面交通预测之间的关系建立客流预测模型。城市轨道交通的客流预测对于线网的规划有长远意义，城市轨道交通的建设也需要客流数据的支撑。从长期客流预测来看，对于线网规划途径的区域、车站的建设提供了关键的数据支撑；从短期的客流预测来看，能够合理地安排车站的客运组织方案满足乘客的出行需求基于此，本文通过循环神经网络进行客流预测。

2 循环神经网络模型

循环神经网络是一种用于处理序列数据的神经网络。RNN 称为递归神经网络，其特点是存储先前的数据并将其用于当前输出。

在图1 中，RNN 作为一个序列模型，这里的xt-1、xt、xt+1则作为这个简单的RNN 模型的输入层。x 表示t 时刻的输入，Ot表示t 时刻的输出，St表示样本在时间t 处的记忆。输出层是由在时间t 处的记忆和t 时刻的输出所决定的。

图1 RNN 网络结构

当预测下一个时刻的数据时，在这里运用softmax 需要用一个权重矩阵V，用公式表示为：

3 基于循环神经网络的客流预测

韦家碾站的工作日客流呈现明显的双向型特征。其中部分实际客流量如表1 所示。

表1 某年2.20 日-2.28 日韦家碾站客流量

循环神经网络的客流预测是在在anaconda3 中进行编程，在做客流预测时，在输入X 时需要重新对X 和Y进行整理后重新定义。这里的X 为i 至i+3 的数据集，而Y 则是第i+3 个数据。n_steps=3 则是输入的X 考虑3 个步长，n_features=1 为当前的时间序列数为1。在1.4 日-3.7 日的客流数据中，总共有63 个数据。而这里的index=53 为在63 个数据中的前53 个数据作为样本进行训练。epoch_num=11000 则是代表着训练11000 次。

在整个编程完成后进行试运行，可以发现每次运算得出的客流预测在每次的训练中模拟得出的结果不尽相同，具有随机性。因此，在运行LSTM 模型时需要不止一次地运行该模型。通过多次训练与实际的客流进行对比，在得出的所有最优模型结果中选择误差较小的一组数据作为最后的客流预测结果，如图2。predict 为预测值，true 为实际值，从上往下依次为3 月1 日至3 月7 日的客流数据。

图2 RNN 客流预测结果

从图3 中看到两条曲线在3.4 日时误差较大，是由于韦家碾的单日客流量较小，工作日的客流量在15000人次而周末大约在10000 人次。并且由于进行训练数据有53 个，数量并不是很多，因此在anaconda3 中的数据较少在图中显示误差较为明显。

图3 RNN 客流预测真实值与预测值对比图

4 基于Anylogic 的客运组织优化

运用Anylogic 进行地铁站模型仿真时，主要有以下几个步骤：

4.1 建立Anylogic 模型。首先利用行人库中的矩形墙绘制出站台层，由于韦家碾站是侧式站台，矩形墙中间预留出轨行区的空间。

4.2 设置车站设备的数量。对闸机数量，自动售票机数量，自动扶梯的长度、宽度，楼层的高度等进行设置。

4.3 设置参数。根据车站客流量的实际情况，对每个出入口的进站乘客数量进行设置。

4.4 运行建立好的模型。对建立好的仿真模型进行试运行，根据下方的报错进行修改直至调整好。

4.5 建立行人流程模型。将行人库中建立的模块用一定的逻辑顺序进行连接，可以根据实际情况赋予逻辑流程的参数，使模型按照设定的方式运行。

据韦家碾地铁站的实际情况，绘制出地铁站的基本模型，包括了站台层、站厅层、自动扶梯、闸机、出口等。在进行地铁模型的建立时，对于应急疏散没有影响的设备或区域进行简化。韦家碾地铁站分为站厅层和站台层，站台层长120m，宽21m，两边的站台分别宽约8m，轨行区宽5m。站台与站厅间隔约5m，站厅与地面间隔15m，A、B 端各有五个TVM、一个客服中心和一个安检机。韦家碾的上下行站台各有三部自动扶梯、一部直升梯和两个步梯。通过Anylogic 进行仿真，如图4。在Anylogic 进行仿真时，需要建造新的墙去约束行人在付费区与进、出站闸机形成封闭的图形。在建立好地铁站的基本框架后，需要建立目标线和线服务。在各个出入口建立目标线，在自动售票机和进出站闸机建立线服务。对应的自动售票机和进出站闸机数量有多少个，服务数和队列数就设置成多少。在站厅层乘车的一方建立目标线，代表着屏蔽门也意味着乘客在这里乘车，如图5 所示。

图4 韦家碾站立体图

图5 韦家碾站平面图

根据韦家碾地铁站的平面图，绘制出地铁站的基本模型，包括了站台层、站厅层、自动扶梯、闸机、出口等，并根据实际情况设定模块的参数，得到的行人流程图如图6。行人从列车到达时产生，根据“就近原则”选择最近的扶梯从站台层到站厅层，再通过出站闸机出站，优先选择最近的出口出站[30]。具体的出站流程图如图7。韦家碾的进站客运组织中根据实际各个出入口产生行人的数量，在仿真过程中对A、B、C、D、E 口行人的产生进行设置，其中行人产生主要集中在A 口和E。因此，在进行参数设置时，A、E 口的到达速率比C、D、E 高。出站客运组织由每列车到站，行人从到站列车中产生。高峰时间列车间隔大约为120s，平峰期间列车间隔大约为180s-240s。根据预测得出的3.1-3.7 日客流结果里，选择预测值最大的一天进行仿真。

图6 行人进站路径图

图7 行人出站路径图

如图8 所示，可以明显看出运行10 分钟后在安检处、A 端的进站闸机的密度增加。随着站厅层行人的密度增加，一直到高峰结束安检处的拥堵不会消失。由于A、B 端的出站闸机都要比进站闸机多，而出站客流却要比进站客流少，从图中也可看出出站客流是在可控的范围内。因此，在保留原有的基础设施的情况下对韦家碾地铁站进行优化。

图8 仿真运行10min 时站厅行人密度图

主要采取的措施有两个：

a.在安检处增加一个安检机，安检处的拥堵主要是由于安检机的过包速度有限。由于早高峰行人较多而安检机的过包数量及速度导致了行人的等待，因此增加安检机有助于加快行人过包速度，缓解安检处的拥堵。

b.A 口安检机前用伸缩立柱摆放排队绕行。由工作人员引导排队的乘客绕行到B 端进行安检。

如图9 所示，在对客运组织进行优化后，随着时间的增加安检处的密度大部分始终维持在黄色。随着时间的流逝，安检处的行人会呈现持续增加的趋势，即使行人密度图出现少部分出现红色区域也在可控范围内。通过两种方案客流密度的对比，在安检处增加一个安检机并设置绕行是可行且有用的

图9 优化后仿真10min 时站厅行人密度图

5 结论

本文首先通过循环神经网络对韦家碾日常客流进行预测，在进行客流预测后，对韦家碾日常客流的客运组织进行分析，选择客流预测得出结果中预测值最大的一天作为仿真的参数。通过Anylogic 进行仿真发现在工作日的A 端安检处存在拥堵。在保留原有的设备设施下，对韦家碾客运组织进行优化。在增加安检机和采取绕行措施后，通过前后两个方案的行人密度图对比可以看出，经过优化后的方案安检处的拥堵现象得到缓解，因此这个方案是可行的。