深度学习算法在城市轨道交通客流短时预测中运用分析

摘要：为准确把握轨道交通短时客流量的变化情况，在深度学习算法基础上，提出短时客流量预测的方法，分别构建基于LSTM神经网络和NGO-VMD-LSTM的预测模型，以某轨道交通换乘站和邻近小区的居住站为对象，以30"min为时间段，对客流时序数据进行训练，预测一段时间内的客流量变化趋势。根据研究结果可知，NGO-VMD-LSTM模型能够充分提取客流波动特征，可提高高峰时段的车站管理效率，为轨道交通运营部门的车辆调度、乘客管理等提供参考依据。

关键词：深度学习算法""轨道交通""客流短时预测""LSTM模型

中图分类号：U231.92

Application"Analysis"of"Deep"Learning"Algorithm"in"Short-Term"Prediction"of"Urban"Rail"Transit"Passenger"Flow

HE"Jiangjiang""ZHANG"Peng""WANG"Fangling

Guangzhou"Railway"Polytechnic，"Guangzhou，"Guangdong"Province，"511300"China

Abstract："In"order"to"accurately"grasp"the"change"of"short-term"rail"transit"passenger"flow，"on"the"basis"of"Deep"Learning"Algorithm，"this"paper"puts"forward"the"short-time"passenger"flow"prediction"method，"andnbsp;construct"prediction"models"based"on"LSTM"neural"network"and"NGO-VMD-LSTM"respectively."With"a"rail"transit"transfer"station"and"the"neighboring"residential"stations"as"the"object，"it"trains"the"passenger"flow"time"series"data"for"a"period"of"30"minutes，"predicts"the"flow"trend"over"a"period"of"time."According"to"the"research"results，"the"NGO-VMD-LSTM"model"can"fully"extract"the"characteristics"of"passenger"flow"fluctuation，"improve"the"efficiency"of"station"management"during"peak"hours，"and"provide"a"reference"for"the"vehicle"dispatching"and"passenger"management"of"the"rail"transit"operation"department.

Key"Words："Deep"Learning"Algorithm;"Rail"transit;"Short-term"passenger"flow"prediction;"LSTM"model

当前国内轨道交通发展速度加快，运营线路不断增加，交通网络日益完善，客流量逐渐增加，常常出现客流过度饱和情况，特别是在早晚高峰期，很容易因人流拥挤引发安全事故。对此，相关部门应引入深度学习算法，通过LSTM模型、NGO-VMD-LSTM模型的构建和应用，学习大量输入数据的特征规律，提高运算速度，对短时客流量进行准确预测，提前制订科学可行的疏导方案，使轨道交通运营更加顺畅有序，切实保障乘客的生命安全，提高出行体验。

1"轨道交通客流预测模型的构建

1.1"LSTM模型

循环神经网络中各神经元之间通过链式结构相互连接，可用于处理存在时序关系的数据。在此基础上，利用该网络捕捉短时客流的时序特点，能够有效提高精准度。以往的循环神经网络应用时，如若需要处理大量时序数据，很容易因记忆衰退速度过快导致梯度消失，无法取得理想的训练效果。针对上述问题，LSTM模型创建时，将LSTM细胞单元引入进来，采用输出门、输入门和遗忘门等结构，实现选择性的记忆保存和删除，使传递的信息更加可控，赋予该模型长期记忆功能。LSTM细胞单元经过门限结构，对原有记忆进行更新，将所需记忆传递到指定位置。在此期间，先根据前一阶段的细胞单元输入，利用遗忘门剔除无价值信息，确定上一时间段的单元状态，确定有多少需要被保留下来，模型如下：

式（1）中：ft表示输入门权值向量；Wf表示遗忘门相匹配的权重向量；表示sigmoid函数中，输出[0，1]范围内的数值，其中0为彻底遗忘，1为全部记忆，然后将其传递到候选门中，使细胞状态得以更新，公式如下：

式（2）中：Ct表示当前时刻细胞状态；C为输入门的偏置量；Ct-1表示选门权值向量。根据上述模型，通过各门限结构件的相互作用，可使循环神经网络的长期依赖问题得到良好解决，细胞之间的链式结构更加完善，能够延长该模型的记忆时间，遗忘信息经过长时间训练后仍可全部记忆，还可结合模型输入，使当前细胞状态得到灵活调整[1]。

1.2"NGO-VMD-LSTM模型构建

轨道交通中进站客流数据较多，具有诸多不确定性，属于非平稳时间序列。为使客流数据在不同时间段的变化趋势得以展现，可在LSTM模型基础上传创建组合模型，即NGO-VMD-LSTM模型，使预测效果得到进一步提升。在客流预测中，该组合模型包含两个部分，即客流数据分解重构、整合，流程如下。首先，确定模型输入，将历史进站客流数据输入组合模型内，作为一维时间序列；其次，确定VMD算法参数，取值范围为[K，a]，因NGO算法的更新速度较快，在上述区间内选值更易取得最佳计算结果，将组合模型内的历史进站客流数据分解开来，获得大量IMF和1个Res。在VMD算法应用中，需要整合历史客流数据，将其根据时间尺度的不同，分成1个Res和多个IMF，全部分量相加之和与历史客流数据相同，数据的物理意义并未变化，计算公式如下：

式（3）中：表示站点i的历史客流值；n表示客流值分解后所得的IMF数量；表示第i个IMF分量；Res表示分解后余量。

因分量众多，无法将不同频率下的客流量特点准确表示出来，采用Pearson相关系数进行检验，以系数值为依据表示相关度，使分量得以重构，再输入LSTM模型内训练，将重构完毕的全部分量预测结果相加，便是进站客流量的预测结果[2]。

2"轨道交通客流预测模型的实际应用

2.1"数据采集和处理

本研究数据源于某城市轨道交通的闸机刷卡记录，研究开始前将AFC数据预处理，转换成LSTM模型可识别的数据。对于不同类型的站点来说，客流分布特点和进站时间规律也不尽相同，换乘站往往客流波动性更强，而周围邻近居民区的站点能够体现出市民的出行规律，客流时空分布规律相对较强。

本研究以某邻近小区的居住站点1号、某换乘站2号为对象，以AFC数据为依据，研究2023年5月1号到6月30号之间的进站客流量。进站客流量受首末班车发车时间、节假日的影响较大。对于大多数站点来说，在6：30—20：30之间的进站客流量较多，剩余时间较少，被研究的两个站点也不例外，因此该研究以6：30—20：30为研究区间，以30"min为间隔，对两个站点的进站客流情况进行调查。在预处理阶段，为使特征集间的量纲差别产生的不良影响被消除，该研究利用min-max标准化，对采集的数据归一化处理，帮助加快模型参数收敛速度，便于模型求解。

2.2"评价指标

受多种因素影响，任何预测算法在客流预测应用中，所得结果都只是无限接近真实值，但二者之间势必存在误差，可利用误差进行模型效果评价，判断不同模型的性能与应用效果。该研究采用决定系数（M1）、均方根误差（M2）、平均绝对误差（M3）作为定量评价指标。

2.2.1决定系数

该指标的作用在于评价模型拟合程度，可将模型对数据方差的比例，适用于多种模型的对比，取值范围为0～1。当取值为1时，说明模型预测的精准度达到100%；当取值为0时，说明预测准确度较差，公式如下。

M1""""（4）

式（4）中：M1表示决定系数y1表示客流量的预测值，单位为人；y2表示客流量的实际值，单位为人；y3表示预测客流量的平均值，单位为人；n表示预测客流数量。

2.2.2均方根误差

该指标是指真实值和预测结果间的差值的平方和，可展示二者间的差异程度，所得数值越小，说明模型预测的准确度越高，公式如下：

式（5）中：M2表示均方根误差。

2.2.3平均绝对误差

该指标为真实值和预测值间的绝对误差均值，可将预测结果的平均误差程度展现出来，当MAE数值越小时，说明预测准确度越高，公式如下。

式（6）中，M3表示平均绝对误差；n表示预测客流数量"[3]。

2.3"参数设置

该研究采用TensorFlow学习框架进行模型构建，利用ReLU激活函数，以MSE为损失函数，LSTM模型设置3层，有效避免过拟合情况发生。在各个LSTM层后方增加Dropout层，利用网络检索的方式，确定迭代次数的数值，该法的搜索面积较大，所得出的迭代次数取值可进行批量处理。

站点1的LSTM模型批量处理取值为32，迭代次数取值为500；站点1的组合模型批量处理取值为32，迭代取值为400。站点2的LSTM模型批量处理取值为32，迭代次数取值为500；站点2的组合模型批量处理取值32，迭代取值为500。对上述参数批量处理和迭代次数取值后，一同纳入已经创建的LSTM模型内展开训练，反复实验3次，计算平均值[4]。

2.4"结果分析

2.4.1"站点1的预测结果

采用LSTM模型能够计算该站客流量的周期特征、总体变化情况，但对客流峰值时段的学习能力不高。在工作日，高峰期的客流预测值低于真实值，低谷阶段的预测值超过真实值，与原始曲线之间的拟合度较差。在非工作日，峰值阶段的模型预测值和真实值偏差较大，且客流变化趋势较为复杂，模型无法准确高效地学习客流变化规律。采用组合模型能够得到该站客流量的整体情况，但客流波动较小的时段，预测波动超过单一模型[5]。究其原因，组合算法对客流分解能够获得频率属性，因此对客流波动较大时段的学习能力较强，反之则较弱。可见，组合模型尽管能够提高该站点的预测精度，但无法高效学习客流波动较小时段的特征。

2.4.2"站点2的预测结果

采用LSTM模型能够计算该站客流量的整体情况，但预测曲线的波动较大，与原始曲线之间的拟合度较差，在低谷时期的预测准确度不高，预测值超过真实值，说明该模型无法准确预测该站的客流变化趋势。究其原因，站点2为换乘站，进站客流量较大，情况较为复杂，规律性较低，该模型对站点2客流特征的学习能力不足，容易受到波动干扰，影响最终预测结果。采用组合模型能够得到该站客流量的整体情况，且高峰和低谷期的预测准确度较高，但仍与实际数值有所差异，特别是在低谷时期，客流预测值超过真实值。究其原因，当客流量较小的情况下，组合模型的学习能力不高。与单一模型相比，高峰和低谷期的预期差值明显缩小，这说明组合模型对客流波动的干扰性较小，整体预测结果准确度较高[6]。

3"结语

综上所述，随着轨道交通建设规模日益扩大，运营计划制订难度随之增加，应以短时进站客流量为依据，使车站动态管理效率得以提升。在客流量预测过程中，相关部门可采用深度学习算法，创建NGO-VMD-LSTM模型，充分提取客流波动特征。根据实例分析可知，组合模型与单一LSTM模型相比预测精准度更高，适用于非线性、非周期性波动的短时客流数据处理，且计算结果准确稳定，可为车站动态管理提供科学依据。

参考文献

[1]侯晓云，邵丽萍，李静，等.基于深度学习的城市轨道交通短时客流起讫点预测[J].城市轨道交通研究，2020，23（1）：55-58.

[2]王雪琴，许心越，伍元凯，等.基于混合深度学习模型的城轨短时客流预测[J].铁道科学与工程学报，2022，19（12）：3557-3568..

[3]卡达（Anish"Khadka）.基于深度学习的城市轨道交通短期客流预测[D].南京：东南大学，2018.

[4]张文娟，杨皓哲，张彬，等.考虑多时间尺度特征的城市轨道交通短时客流量预测模型[J].交通运输系统工程与信息，2022，22（6）：212-22.

[5]王佳琳.基于深度学习模型的城市轨道交通短时客流预测方法研究[D].北京：北京交通大学，2020.

[6]李莎，王秋雯，陈彦如，等.基于SAE-ConvLSTM深度学习模型的多站城轨短时客流预测[J].计算机应用研究，2022，39（7）：2025-2031..