CN103632212B - 一种时变用户均衡动态网络演化客流预测***和方法 - Google Patents

Abstract

一种时变用户均衡动态网络演化客流预测***和方法，属于城市轨道交通安全技术领域。***包括AFC***、视频终端等；网络数据库与客流清分模块、客流修正模块和客流分析模块依次相连；客流视频分析模块分别与网络数据库和客流修正模块相连。视频终端、AFC***将旅客信息数据传输并储存于网络数据库中；客流视频分析模块对从实时视频数据进行分析，客流修正模块采用AUKF算法进行预处理；利用客流预测算法对客流数据进行拟合和预测，通过人机交互终端提供查询等服务。本发明满足了多用户对突发事件情况下路网短时客流预测的需求，实现了对有限理性的客流进行实时的分配和动态预测，满足了企业用户对客流信息的实时查看、共享和决策。

Description

一种时变用户均衡动态网络演化客流预测***和方法

技术领域

本发明涉及一种时变用户均衡动态网络演化客流预测***和方法，属于城市轨道交通安全技术领域。

背景技术

随着我国城市轨道交通建设的增长，其安全运营和应急调度的重要性日益突显。特别是面对非常规突发事件时，尚缺乏一种方法可以实时的对城市轨道交通在突发事件下的客流分布情况进行快速有效的仿真和预测，从而保证运营决策部门做出正确的决策。

现有轨道交通网络出行起讫点（Origin and Destination，OD）分布主要针对离线数据进行常态网络估计，而突发事件下，OD估计则必须在实时数据支持下进行在线估计，同时能够自适应网络结构变化对估计***的影响，从而动态跟踪客流需求的显著变化。

突发事件下，由于网络连通性及拥堵特征的变化，乘客可能甚至必须改变其日常均衡路径决策，使得轨道交通网络客流出现不均衡时变状态，现有的***和方法很难对突发情况下的动态网络状态进行准确估计。

基于自适应无迹卡尔曼滤波器(Adaptive Unscented Kalman Filter,AUFK)和前景积累理论的客流均衡分配方法与应用的研究已经较为成熟。现有的轨道交通 网络视频平台提供了大量可以利用的客流视频资源，历史OD客流也可以为我们对突发事件情况下短时客流预测提供依据。如何将现有技术和资源相结合，实现突发事件下路网客流的短时预测，是一个需要解决的技术问题。

自适应无迹卡尔曼滤波以线性卡尔曼Kalman滤波为框架，以无损变换为基础采用确定性采样策略逼近非线性分布的方法。采用状态方程和观测方程组成的线性随机***的状态空间来描述滤波器，并利用状态方程的递推性，按线性无偏最小均方误差估计准则，用递推算法对该滤波器的状态变量做最佳估计，从而求得滤掉噪声的有用信号的最佳估计。

自动售检票***（AFC,Auto Fare Collection）中心，是集计算机技术、信息收集和处理技术、机械制造于一体的自动化售票、检票***，具有很强的智能化功能，可以精确的对每天轨道交通路网的客票数据进行统计、储存和传输，为获取路网历史客流数据提供了便捷条件；

视频终端，是具有视频分析计数功能的摄像设备，分布于车站的扶梯、站台、通道等位置，用于对轨道交通实时客流数据进行检测，并对客流数据进行传输，为获取路网实时客流状况提供了可能。

积累前景理论（Cumulative Prospect Theory,CPT）最早由Tversky和Kahneman于1992年提出。CPT同时考虑了不确定因素和风险的前景，并分别考虑损失和获得，很好的解释了人们在选择实验中反应出来的结构效应（等量的不同表达形式并不能决定相同的偏好顺序）、偏好的非线性（相同的概率变化量对偏好的影响不一致）、资源依赖（在不确定性决策中，人们的选择意愿不仅受不确定程度影响，还受自身能力的制约）、追求风险（当人们面临小概率赢得大的奖励或面临确定的损失和定概率的较大损失时，表现出风险追求） 和规避损失（人们对损失感受比等量的获得要强得多）。积累前景理论的模型表述如下：

一个前景P的出现结果p_i，则表示为(x₁,p₁;x₂,p₂;...;x_n,p_n)。将结果x_i降序排列为x₁≥x₂≥...≥x_n（此时，参考点或现状是0），该序列为相对于现状的变化。正的结果是获得，负的结果是损失。于是，积累前景理论的模型可以表示为：

$\begin{array}{c}\mathrm{CPT}(x_1,p_1;x_2,p_2;...;x_n,p_n)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}[w^{+}(p_1+...+p_i)-w^{+}(p_1+...+p_{i-1})]U\left(x_i\right)+\\ \underset{i=k+1}{\overset{n}{\mathrm{\Σ}}}[w^{-}(p_i+...+p_n)-w^{-}(p_{i+1}+...+p_n)]U\left(x_i\right)\end{array}$

其中：x₁≥...≥x_k≥0≥x_k+1≥...≥x_n。这里，U(x)为价值函数，给每一个结果赋予一个实值，它是严格递增的；W(p)是概率权重函数，w^-为损失的概率权重，w⁺为收益的概率权重；决策权重π(p)由概率权重函数w^-和w⁺生成，在区间[0,1]内严格递增，且在0和1处的值为0和1.令：

$\mathrm{\π}=\left\{\begin{array}{c}{w}^{+}(p_1+...+p_i)-w^{+}(p_1+...+p_{i-1}),i\≤k\\ w^{-}(p_1+...+p_n)-w^{-}(p_{i+1}+...+p_n),i>k\end{array}\right.$

那么，CPT可以转化为下述等式：

$\mathrm{CPT}=(x_1,p_1;x_2,p_2;...;x_n,p_n)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{\mathrm{\π}}_{i}U\left(x_i\right)$

基于深度优先Deletion Algorithm删除路径搜索算法的核心思想是通过在有向图中已有的最短路径上删除某条弧，并寻找替换的弧以寻找下一条可选的最短路径。删除算法实际上是通过在有向图中增加附加节点和相应的弧来实现的。

发明内容

本发明针对现有的***和方法很难对突发情况下的动态网络状态进行准确估计的不足，提出了一种时变用户均衡动态网络演化客流预测***和方法。

一种时变用户均衡动态网络演化客流预测***，该***包括AFC***、视 频终端、客流分析服务中心***和人机交互终端；其中，

AFC***，用于提供旅客刷卡明细数据；

视频终端，获取实时视频数据，并从中提取出实时的客流数据；

客流分析服务中心***，用于对历史客流数据和实时视频数据进行分析，得到客流分布预测结果，并将预测结果发送给人机交互终端；

人机交互终端，由设定数目的计算机组成，用于突发事件信息的输入以及具***置的客流分布预测查询；

客流分析服务中心***包括网络数据库、客流清分模块、客流修正模块和客流分析模块，其中，

网络数据库与客流清分模块、客流修正模块和客流分析模块依次相连；

网络数据库分别与AFC***和视频终端相连。

本发明还提供一种时变用户均衡动态网络演化客流预测方法，该方法包括以下步骤：

步骤1：视频终端将获取的实时数据传输并储存于网络数据库中，AFC***将旅客刷卡明细数据传输并储存于网络数据库中；

步骤2：客流清分模块对从网络数据库中获取的旅客刷卡明细数据进行清分，并将清分得到的车站的进出站量、换乘站的换乘量、线路的断面客流量等数据传输至客流修正模块，同时客流修正模块从网络数据库中获取实时客流数据；（人们在乘坐地铁刷卡的时候，进站时间地点和出站时间地点都是会被记录下来的。所谓的清分就是根据这些信息，利用客流分配算法对客流进行分配，得到的结果就是车站的进出站量、换乘站的换乘量、线路的断面客流量这些基础客流数据表。参见以下旅客刷卡明细表、断面流量表等。）

旅客刷卡明细表

字段	名称	类型	是否为空	说明
					CardDate	数据日期	Char(8)	否	YYYYMMDD
ProductCode	产品编号	Char(6)	否
					CardID	票卡编号	Varchar(30)	否
CardType	票卡种类	Varchar(10)	否
					InStaCode	进站车站编码	Char(4)	否
InStaTime	进站时间戳	Char(19)	否	例：2012-10-3115:09:00
					InLineCode	进站线路编号	Char(2)	否
OutStaCode	出站车站编码	Char(4)	否
					OutStaTime	出站时间戳	Char(19)	否	例：2012-10-3115:09:00
OutLineCode	出站线路编号	Char(2)	否

断面流量表

进出站客流数据表

车站换乘客流数据表

所述客流清分模块对从网络数据库中获取的旅客刷卡明细数据进行清分方法如下：

（1）根据城市轨道交通网络的实际情况，将广义旅行时间作为出行阻抗时，路段阻抗A_ij如下式：

A_ij＝t_ij；

式中t_ij为相邻车站i,j之间的列车运行时间；

通过车站：

B_k＝t_k；

其中，节点阻抗B_k表示乘客在车站花费的时间；

换乘车站为：

$B_k^{\mathrm{pq}}=t_k^{\mathrm{pq}}\×\mathrm{\α}=(D_k^{\mathrm{pq}}/V_{\mathrm{br}}+H_q/2)\×\mathrm{\α};$

其中，t_k为列车在k站的停站时间；为在k站由线路p转至线路q的换乘时间，包括换乘走行时间和候车等待时间，其中，换乘走行时间等于换乘距离除以乘客的平均步速V_br，而候车时间可以取换乘路线发车间隔H_q的一半。

（3）对w的第m条路径上的总出行阻抗的表达方式如下：

$T_m^w=\underset{i,j}{\mathrm{\Σ}}{A}_{\mathrm{ij}}+\underset{k}{\mathrm{\Σ}}{B}_k+\underset{k}{\mathrm{\Σ}}{B}_k^{\mathrm{pq}},\∀m,w;$

根据以上公式可以分别计算出各个路径的阻抗从而得出路网的阻抗矩阵，并结合路网的邻接矩阵，根据基于深度优先的删除路径搜索算法得到K条渐短路径，从中筛选出有效路径，并对路径的客流分配比例进行计算：当有效路径集合元素唯一时，该有效路径承担100%的客流；当有效路径集合的元素不唯一时，则使用全无全有法进行客流分配，最终得到车站的进出站量、滞留人数、换乘站的换乘量、线路的断面客流量这些基础客流数据表。

步骤3：客流修正模块对非均衡模型输出的分配矩阵和实时客流数据调用AUKF算法进行预处理，对模型进行在线更新和矫正，准确跟踪***状态的实时变化，以适应路网结构变化之后的客流分布改变，并根据修正后客流数据作为后续客流分布预测的输入数据。

调用AUKF算法对算法进行预处理进行如下分析，以车站进站量为例对分析过程进行介绍：

Q₁(t+k)为t时刻以后k个时间段的车站L上的进站客流量；设V(t)是t时刻的车站进站客流量，V(t-1)是t时刻前一个时间段的车站进站客流量。考虑m个时段车站进站客流量对车站L上的进站客流量的影响。

车站的进站客流量修正模型为：

$Q_1^{*}(t+k)=H_{0}V\left(t\right)+H_{1}V(t-1)+H_{2}V(t-2)+...+H_{m-1}V(t-m+1)+w\left(t\right)$

式中H₀,H₁,H₂,...,H_m-1为参数矩阵；H_i＝[c′₁(t),c′₂(t),...,c′_n(t)]；c是状态变量；V(t)＝[v₁(t),v₂(t),...,v_n(t)]^T为客流量向量；为预测的进站客流量；w(t)为观测噪声，即为视频记录的进站客流量与模型输出的进站客流量的误差绝度值，w(t)的协方差矩阵为R(t)。

做出如下变换：

$\left\{\begin{array}{c}A\left(t\right)=[V^T\left(t\right),V^T(t-1),...,V^T(t-m+1)]\\ X\left(t\right)={(H_0,H_1,...,H_{m-1})}^T\\ y\left(t\right)=Q_l^{*}(t+k)\end{array}\right.$

可得到：

$\left\{\begin{array}{c}X\left(t\right)=B\left(t\right)X(t-1)+u(t-1)\\ y\left(t\right)=A\left(t\right)X\left(t\right)+w\left(t\right)\end{array}\right.$

式中y(t)为观察向量；X(t)为状态向量；A(t)为观察矩阵；B(t)为状态转移矩阵；B(t)＝I，u(t-1)为模型噪声，假定为零均值的白色噪声，他的协方差矩阵为Q(t-1)。

利用卡尔曼滤波理论，可以得到如下方程组：

$\left\{\begin{array}{c}\stackrel{\‾}{X}\left(t\right)=B\left(t\right)\stackrel{\‾}{X}(t-1)+K\left(t\right)[Q_l^{*}(t+k)-A\left(t\right)\stackrel{\‾}{X}\left(t\right|t-1)]\\ K\left(t\right)=p\left(t\right|t-1)A^T\left(t\right){[A\left(t\right)p\left(t\right|t-1)A^T\left(t\right)+R\left(t\right)]}^{-1}\\ P\left(t\right|t-1)=B(t-1)P(t-1)B^T(t-1)+Q(t-1)\\ P\left(t\right)=[I-K\left(t\right)A\left(t\right)]p\left(t\right|t-1)\\ P\left(0\right|0)=P_0\end{array}\right.$

式中为更新的状态估计，K(t)最优卡尔曼增益，p(t|t-1)为预测估计协方差矩阵，P(t)为更新的协方差估计，P(0|0)为初始状态的协方差估计，为对角阵。

当确定后，车站进站客流量的修正值为

$Q_L^{*}(t+k)=A\left(t\right)\stackrel{\‾}{X}\left(t\right)$

以上过程可以有效的修正客流分配算法带来的实际客流量的偏差，从而得到修正后的进站量数据，其余出站量、换乘站的换乘量、线路的断面客流量这些基础客流数据表的数据修正过程跟上述过程相同。

步骤4：当人机交互终端没有突发事件对客流分析模块输入时，执行步骤5，否则，执行步骤6；

步骤5：客流分析模块利用客流预测算法对客流数据进行拟合和预测，得到日常情况下的预测客流数据，并将预测客流数据发送到人机交互终端以供查询；

所述客流预测算法为对客流数据进行拟合和预测方法，所述客流预测算法为基于混合核函数的支持向量机。采用聚类分析的方法将客流分为周一到周五的工作日客流和周六周日休息日的客流分别进行预测。如图5所示，预测方法的流程如下所述：

（1）首先构建核函数：

$K_{\mathrm{mix}}=\sqrt{\frac{\mathrm{\λ}}{2}}{K}_{\mathrm{poly}}+(1-\sqrt{\frac{\mathrm{\λ}}{2}})K_{\mathrm{rbf}},$

其中，多项式核函数K_poly＝[(x·x_i)+1]^d，径向基核函数K_rbf＝exp[-||x-x_i||²/2σ²]。x_i为核函数的宽度，x是输入变量，λ是一个常数。

选定模型内参数。模型内参数包括惩罚因子C和不敏感因子ε，多项式阶数d＝2。根据试算值与经验值，得到模型内参数：C＝100,ε＝0.01,d＝2。

选取误差函数，预设误差，误差分析采用均方误差（MSE）：

$\mathrm{MSE}=\frac{1}{l}\underset{i=0}{\overset{l}{\mathrm{\Σ}}}{(y_i-{\hat{y}}_i)}^2$

其中y_i是测试样本的期望输出，是预测值，l表示样本点的个数。去预设误差为10^-3。

（2）构造参数对：分别取不同的混合奇函数和径向基函数隐含层节点数得到N对不同的参数对。选取一对参数对，输入训练样本进行训练，得到预测函数。

（3）测试模型：输入测试样本，通过预测函数得到测试样本的实际输出数据；

（5）计算误差并记录该组参数所对应的误差及预测函数。利用测试样本的期望输出及测试样本的实际输出数据，通过误差函数计算得到对应的均方误差；

（6）记录误差，判断参数对个数是否达到N，若达到N则进行下一步，否则返回（3）；

（7）选取一组参数对训练模型：选取产生最小误差的参数对并判断该误差是否小于预设误差，若小于预设误差则进行下一步，否则返回（2），以最小误差对应的参数为中心，构建新的二维网络平面；

（8）输出预测模型：得到满足预设误差的最优参数对级预测模型；

（9）得到预测结果：利用上述预测模型，将客流数据输入，进行预测并得到预测结果。

步骤6：客流分析模块根据事故信息调整路网拓扑结构，利用随机用户均衡交通分配模型对客流分布进行推演和预测，并将预测得到预测客流数据发送到人机交互终端以供查询；

在突发事件情况下，路径的通行时间是一个随机变量。这种条件下，路径的出行时间及其概率分布成为出行者的选择依据。每一条可行路径对应着一个 实际的出行效用变量x及其概率函数p。根据前景理论的原理，出行者在路网通行时间不确定的条件下是有限理性的，选择行为的依据是对出行路径的感知效用，感知效用的获得依赖于主观效用函数与主观概率函数：

（a）主观效用函数v(x)，即为出行者根据各条路径实际效用形成的主观效用，表征了实际效用水平对出行者心理的影响。

（b）主观概率函数w(p)，即为出行者根据路径效用的实际发生概率形成的主观发生概率，表征了实际效用概率函数p对感知效用的影响。

这里实质上是利用路径的出行效用代替了传统客流分配时使用的广义时间作为路径选择时的阻抗。

出行者在决策时，会对按时到达目的地的概率有要求，这个要求的概率可视为出行者对路径出行时间可靠度的要求。

行程时间的可靠度： 为出行者希望到达目的地的心理预期时间，可以表示为：由于路径出行时间是连续随机分布，上式可以转化为：其中是路径出行时间分布函数的反函数，所以，是路段交通流量的函数，即出行者的心理路径出行时间的预期值为路径k的第ρ百分位的出行时间。如图3所示，由正态分布的积累分布函数可得：

$\mathrm{\ρ}=\frac{1}{\mathrm{\σ}\sqrt{2\mathrm{\π}}}{\∫}_{-\∞}^{T_k^0}\exp (-\frac{(x-\mathrm{\μ})}{{2\mathrm{\σ}}^2})\mathrm{dx},$

出行者依据已有的出行经验，确定OD对间的路径感知出行时间的参考点以确保能够按时到达目的地。在出发时间确定的情况下，参考点可以将路径出行时间分为早到和迟到。由于OD对间有许多不同的出行路径。当参考时间为各 条路径预期出行时间的函数，OD对r间出行参考时间是其最小的路径预期出行时间，即 $T_r=\max \left(T\right|{\mathrm{\ζ}}_r^k\left(\mathrm{\ρ}\right)\≥T,\∀k\∈K_r).$

根据出行者对按时到达目的地的概率的不同要求，将出行者分为M类，表示为 ${\mathrm{\ρ}}_r^j,j=1,...,M$

这些概率的数值在实际应用时可以通过调查赋值，则：

${\max T}_r^j$

$s.t.T_r^j-{\mathrm{\ζ}}_r^k\left({\mathrm{\ρ}}_r^j\right)\≤0,\∀k\∈K_r,$

上式是线性规划方程，存在唯一的最优解，根据强对偶定理，表述为：

$1-\underset{k\∈K_r}{\mathrm{\Σ}}{\mathrm{\λ}}_r^{k,j}=0$

$T_r^j-\underset{k\∈K_r}{\mathrm{\Σ}}{\mathrm{\λ}}_r^{k,j}{\mathrm{\ζ}}_r^k\left({\mathrm{\ρ}}_r^j\right)=0$

${\mathrm{\λ}}_r^{k,j}\≥0,\∀k\∈K_r$

${\mathrm{\ζ}}_r^k\left({\mathrm{\ρ}}_r^j\right)-T_r^j\≥0,\∀k\∈K_r$

式中，为约束条件的拉格朗日乘子

设出行者在选择路径出行时以最大感知出行效用为目标，则可以得到交通流量的均衡分配结果。出行者在决定出行路径前，对各条路径的出行效用进行评估，路径的前景效用曲线在损失区比在受益区陡峭，表征了现在的损失要比潜在的收益对出行者有更大的影响，在受益区出行者表现为风险规避，在损失区表现为风险寻求。

根据积累前景理论（Cumulative Prospect Theory,CPT），在收益时，主观概率w⁺(p)的计算式为：

$w^{+}\left(p\right)=\frac{p^{\mathrm{\γ}}}{{(p^{\mathrm{\γ}}+{(1-p)}^{\mathrm{\γ}})}^{\frac{1}{\mathrm{\γ}}}}$

在损失时，主观概率w^-(p)的计算式为：

$w^{-}\left(p\right)=\frac{p^{\mathrm{\δ}}}{{(p^{\mathrm{\δ}}+{(1-p)}^{\mathrm{\δ}})}^{\frac{1}{\mathrm{\δ}}}}$

设定OD对r间的路径出行时间的参考点为x_r，则其中路径k的感知路径出行时间为：

$v_r^k={\∫}_{x_r}^{x_m}\frac{{\mathrm{dw}}^{+}(1-F_r^k\left(x\right))}{\mathrm{dx}}\·v_r\left(x\right)\mathrm{dx}+{\∫}_{x_z}^{x_r}\frac{{\mathrm{dw}}^{-}\left(F_r^k\left(x\right)\right)}{\mathrm{dx}}\·v_r\left(x\right)\mathrm{dx}$

其中：

$v_r\left(x\right)=\left\{\begin{array}{cc}{(x_r-x)}^a,& x<x_r\\ -\mathrm{\&lambda;}{(x-x_r)}^{\mathrm{\&beta;}},& x\&GreaterEqual;x_r\end{array}\right.$

式中，x为实际路径出行时间，为OD对r间路径k的感知出行时间，x_m和x_r分别为路径k上出行时间的上限和下限，α,β为常数。

结合建立的效用函数，利用均衡客流分析模块寻求交通网络的最终用户均衡状态。

在确定在交通网络[N,A]中，所有路段流量的集合v＝(v₁,…,v_a,…v_|A|)^T，以及路径流量与路段流量的关系其中，N和A分别为轨道交通路网中的节点和路段，v_a为路段a上的交通流量，其中|·|表示集合的基数，为路径k∈K_r上的交通流量，f为所有路径上的交通流量的集合，K_r为所有路径的集合，r代表起点，为路径流量和路段流量的关联矩阵；R和S代表网络中的OD对集合，Q^rs表示从起点r∈R出发到s∈S的随机交通量，p^rs表示从r到s的所有路径，由于出行需求是随机的，所以在从r到s的路径p∈p^rs和路段a∈A上的交通量q_p和q_a。

在获知出行者的出行效用后，可以进行用户均衡的客流分配。令各类出行者对OD对r间路径k的感知出行效用为基于累计前景理论的交通网路用户均衡状态可以表示为：

$\left\{\begin{array}{cc}{f}_r^{k,j}>0& U_r^{k,j}={\mathrm{\&pi;}}_r^j\\ f_r^{k,j}=0& U_r^{k,j}\&le;{\mathrm{\&pi;}}_r^j\end{array}\right.,\&ForAll;k\&Element;K_r,r\&Element;R,j=1,...,M$

式中，为路径k上的第j类用户的交通流量，

则用户均衡的条件如下：

$v_a=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{r\&Element;R}{\mathrm{\&Sigma;}}\underset{k\&Element;K_r}{\mathrm{\&Sigma;}}{\mathrm{\&delta;}}_{a,r}^k{f}_r^{k,j},\&ForAll;a\&Element;A---\left(5\right)$

出行效用的参考点选择如下：

路径感知出行效用的计算公式如下：

$U_r^{k,j}={\&Integral;}_{t_{-r}^k}^{T_r^j}\frac{\mathrm{dw}\left({\mathrm{\&psi;}}_r^k\left(x\right)\right)}{\mathrm{dx}}{g}_r^j\left(x\right)\mathrm{dx}+{\&Integral;}_{T_r^j}^{t_r^{-k}}-\frac{\mathrm{dw}(1-{\mathrm{\&psi;}}_r^k\left(x\right))}{\mathrm{dx}}{g}_r^j\left(x\right)\mathrm{dx},---\left(11\right)$

上式中，为OD对r间第j类乘客的出行需求，利用变分不等式变换可以求解上述非线性方程得出最优解，即达到用户均衡的客流分布，从而得到最终的路网客流预测结果，并通过人机交互终端输出；

在进行计算时，首先给定一个收敛检验误差，利用经过修正的客流数据计算路径的交通流量和出行时间分布，进而利用公式（6）-（9）计算出相应的参考 点，利用（10）和（11）计算每条路径的感知出行效用，利用当前客流量分布和感知出行效用计算出最速下降方向和步长，然后更新路径客流量，如此循环直至误差在收敛检验误差之内，模型达到最优结果。最后对各个车站的进出站量、滞留人数、换乘量、断面客流量等数据进行统计计算，得出最终结果并输出。

步骤7：人机交互终端为突发事件信息的数字化传输和客流分析结果的查询提供服务。

本发明的有益效果：本发明满足了多用户对突发事件情况下路网短时客流预测的需求，实现了对有限理性的客流进行实时的分配和动态预测，满足了企业用户对客流信息的实时查看、共享和决策。

附图说明

图1是本发明***结构框图。

图2是本发明方法流程图。

图3是本发明前景理论中出行可靠度与出行时间概率分布的对照示意图。

图4是本发明实施例的路网结构图。

图5是本发明中正常情况下的客流预测流程图。

图6是本发明实施例中正常情况下的客流预测数据图。

具体实施方法

下面将参照附图，对本发明的具体实施方法进行更全面的描述。

图1是发明的客流预测***的一个应用例的结构框图。如图1所示，该***包括AFC***、视频终端、客流分析服务中心***和人机交互终端；其中， 客流分析服务中心***包括网络数据库、客流清分模块、客流修正模块和客流分析模块，其中，网络数据库与客流清分模块、客流修正模块和客流分析模块依次相连；客流视频分析模块分别与网络数据库和客流修正模块相连；网络数据库分别与AFC***和视频终端相连；客流分析模块与人机交互终端相连。

图2是本发明的客流预测方法的一个实施例的流程图。如图2所示，一种时变用户均衡动态网络演化客流预测方法，该方法包括以下步骤：

步骤1：视频终端将获取的实时数据传输并储存于网络数据库中，AFC***将旅客刷卡明细数据传输并储存于网络数据库中；

步骤2：客流清分模块对从网络数据库中获取的旅客刷卡明细数据进行清分，并将清分得到的车站的进出站量、换乘站的换乘量、线路的断面客流量等数据传输至客流修正模块，同时客流修正模块从网络数据库中获取实时客流数据；（人们在乘坐地铁刷卡的时候，进站时间地点和出站时间地点都是会被记录下来的。所谓的清分就是根据这些信息，利用客流分配算法对客流进行分配，得到的结果就是车站的进出站量、滞留人数、换乘站的换乘量、线路的断面客流量这些基础客流数据表。参见以下旅客刷卡明细表、断面流量表等。）

旅客刷卡明细表

字段	名称	类型	是否为空	说明
					CardDate	数据日期	Char(8)	否	YYYYMMDD
ProductCode	产品编号	Char(6)	否
					CardID	票卡编号	Varchar(30)	否
CardType	票卡种类	Varchar(10)	否
					InStaCode	进站车站编码	Char(4)	否
InStaTime	进站时间戳	Char(19)	否	例：2012-10-3115:09:00
					InLineCode	进站线路编号	Char(2)	否
OutStaCode	出站车站编码	Char(4)	否
					OutStaTime	出站时间戳	Char(19)	否	例：2012-10-3115:09:00
OutLineCode	出站线路编号	Char(2)	否

断面流量表

进出站客流数据表

车站换乘客流数据表

所述客流清分模块对从网络数据库中获取的旅客刷卡明细数据进行清分方法如下：

（1）根据城市轨道交通网络的实际情况，将广义旅行时间作为出行阻抗时，路段阻抗A_ij如下式：

A_ij＝t_ij；

式中t_ij为相邻车站i,j之间的列车运行时间；

通过车站：

B_k＝t_k；

其中，节点阻抗B_k表示乘客在车站花费的时间；

换乘车站为：

$B_k^{\mathrm{pq}}=t_k^{\mathrm{pq}}\&times;\mathrm{\&alpha;}=(D_k^{\mathrm{pq}}/V_{\mathrm{br}}+H_q/2)\&times;\mathrm{\&alpha;};$

其中，t_k为列车在k站的停站时间；为在k站由线路p转至线路q的换乘时间，包括换乘走行时间和候车等待时间，其中，换乘走行时间等于换乘距离除以乘客的平均步速V_br，而候车时间可以取换乘路线发车间隔H_q的一半。

（3）对w的第m条路径上的总出行阻抗的表达方式如下：

$T_m^w=\underset{i,j}{\mathrm{\&Sigma;}}{A}_{\mathrm{ij}}+\underset{k}{\mathrm{\&Sigma;}}{B}_k+\underset{k}{\mathrm{\&Sigma;}}{B}_k^{\mathrm{pq}},\&ForAll;m,w;$

根据以上公式可以分别计算出各个路径的阻抗从而得出路网的阻抗矩阵，并结合路网的邻接矩阵，根据基于深度优先的删除路径搜索算法得到K条渐短路径，从中筛选出有效路径，并对路径的客流分配比例进行计算：当有效路径集合元素唯一时，该有效路径承担100%的客流；当有效路径集合的元素不唯一时，则使用全无全有法进行客流分配，最终得到车站的进出站量、滞留人数、换乘站的换乘量、线路的断面客流量这些基础客流数据表。

步骤3：客流修正模块对非均衡模型输出的分配矩阵和实时客流数据调用AUKF算法进行预处理，对模型进行在线更新和矫正，准确跟踪***状态的实时变化，以适应路网结构变化之后的客流分布改变，并根据修正后客流数据作为后续客流分布预测的输入数据。

调用AUKF算法对算法进行预处理进行如下分析，以车站进站量为例对分析过程进行介绍：

Q₁(t+k)为t时刻以后k个时间段的车站L上的进站客流量；设V(t)是t时刻的车站进站客流量，V(t-1)是t时刻前一个时间段的车站进站客流量。考虑m个时段车站进站客流量对车站L上的进站客流量的影响。

车站的进站客流量修正模型为：

$Q_1^{*}(t+k)=H_{0}V\left(t\right)+H_{1}V(t-1)+H_{2}V(t-2)+...+H_{m-1}V(t-m+1)+w\left(t\right)$

式中H₀,H₁,H₂,...,H_m-1为参数矩阵；H_i＝[c′₁(t),c′₂(t),...,c′_n(t)]；c是状态变量； V(t)＝[v₁(t),v₂(t),...,v_n(t)]^T为客流量向量；为预测的进站客流量；w(t)为观测噪声，即为视频记录的进站客流量与模型输出的进站客流量的误差绝度值，w(t)的协方差矩阵为R(t)。

做出如下变换：

$\left\{\begin{array}{c}A\left(t\right)=[V^T\left(t\right),V^T(t-1),...,V^T(t-m+1)]\\ X\left(t\right)={(H_0,H_1,...,H_{m-1})}^T\\ y\left(t\right)=Q_l^{*}(t+k)\end{array}\right.$

可得到：

$\left\{\begin{array}{c}X\left(t\right)=B\left(t\right)X(t-1)+u(t-1)\\ y\left(t\right)=A\left(t\right)X\left(t\right)+w\left(t\right)\end{array}\right.$

式中y(t)为观察向量；X(t)为状态向量；A(t)为观察矩阵；B(t)为状态转移矩阵；B(t)＝I，u(t-1)为模型噪声，假定为零均值的白色噪声，他的协方差矩阵为Q(t-1)。

利用卡尔曼滤波理论，可以得到如下方程组：

$\left\{\begin{array}{c}\stackrel{\&OverBar;}{X}\left(t\right)=B\left(t\right)\stackrel{\&OverBar;}{X}(t-1)+K\left(t\right)[Q_l^{*}(t+k)-A\left(t\right)\stackrel{\&OverBar;}{X}\left(t\right|t-1)]\\ K\left(t\right)=p\left(t\right|t-1)A^T\left(t\right){[A\left(t\right)p\left(t\right|t-1)A^T\left(t\right)+R\left(t\right)]}^{-1}\\ P\left(t\right|t-1)=B(t-1)P(t-1)B^T(t-1)+Q(t-1)\\ P\left(t\right)=[I-K\left(t\right)A\left(t\right)]p\left(t\right|t-1)\\ P\left(0\right|0)=P_0\end{array}\right.$

式中为更新的状态估计，K(t)最优卡尔曼增益，p(t|t-1)为预测估计协方差矩阵，P(t)为更新的协方差估计，P(0|0)为初始状态的协方差估计，为对角阵。

当确定后，车站进站客流量的修正值为

$Q_L^{*}(t+k)=A\left(t\right)\stackrel{\&OverBar;}{X}\left(t\right)$

以上过程可以有效的修正客流分配算法带来的实际客流量的偏差，从而得 到修正后的进站量数据，其余出站量、换乘站的换乘量、线路的断面客流量这些基础客流数据表的数据修正过程跟上述过程相同。

步骤4：当人机交互终端没有突发事件对客流分析模块输入时，执行步骤5，否则，执行步骤6；

步骤5：客流分析模块利用客流预测算法对客流数据进行拟合和预测，得到日常情况下的预测客流数据，并将预测客流数据发送到人机交互终端以供查询；

所述客流预测算法为对客流数据进行拟合和预测方法，所述客流预测算法为基于混合核函数的支持向量机。采用聚类分析的方法将客流分为周一到周五的工作日客流和周六周日休息日的客流分别进行预测。如图5所示，预测方法的流程如下所述：

（1）首先构建核函数：

$K_{\mathrm{mix}}=\sqrt{\frac{\mathrm{\&lambda;}}{2}}{K}_{\mathrm{poly}}+(1-\sqrt{\frac{\mathrm{\&lambda;}}{2}})K_{\mathrm{rbf}}$

其中，多项式核函数K_poly＝[(x·x_i)+1]^d，径向基核函数K_rbf＝exp[-||x-x_i||²/2σ²]。x_i为核函数的宽度，x是输入变量，λ是一个常数。

选定模型内参数。模型内参数包括惩罚因子C和不敏感因子ε，多项式阶数d＝2。根据试算值与经验值，得到模型内参数：C＝100,ε＝0.01,d＝2。

选取误差函数，预设误差，误差分析采用均方误差（MSE）：

$\mathrm{MSE}=\frac{1}{l}\underset{i=0}{\overset{l}{\mathrm{\&Sigma;}}}{(y_i-{\hat{y}}_i)}^2$

其中y_i是测试样本的期望输出，是预测值，l表示样本点的个数。去预设误差为10^-3。

（2）构造参数对：分别取不同的混合奇函数和径向基函数隐含层节点数得到N对不同的参数对。选取一对参数对，输入训练样本进行训练，得到预测函数。

（3）测试模型：输入测试样本，通过预测函数得到测试样本的实际输出数据。

（5）计算误差并记录该组参数所对应的误差及预测函数。利用测试样本的期望输出及测试样本的实际输出数据，通过误差函数计算得到对应的均方误差。

（6）记录误差，判断参数对个数是否达到N，若达到N则进行下一步，否则返回3.

（7）选取一组参数对训练模型：选取产生最小误差的参数对并判断该误差是否小于预设误差，若小于预设误差则进行下一步，否则返回（2），以最小误差对应的参数为中心，构建新的二维网络平面；

（8）输出预测模型：得到满足预设误差的最优参数对级预测模型

（9）得到预测结果：利用上述预测模型，输入客流数据，进行预测并得到预测结果。

步骤6：客流分析模块根据事故信息调整路网拓扑结构，利用随机用户均衡交通分配模型对客流分布进行推演和预测，并将预测得到预测客流数据发送到人机交互终端以供查询；

在突发事件情况下，路径的通行时间是一个随机变量。这种条件下，路径的出行时间及其概率分布成为出行者的选择依据。每一条可行路径对应着一个实际的出行效用变量x及其概率函数p。根据前景理论的原理，出行者在路网通行时间不确定的条件下是有限理性的，选择行为的依据是对出行路径的感知效用，感知效用的获得依赖于主观效用函数与主观概率函数：

（a）主观效用函数v(x)，即为出行者根据各条路径实际效用形成的主观效用，表征了实际效用水平对出行者心理的影响。

（b）主观概率函数w(p)，即为出行者根据路径效用的实际发生概率形成的 主观发生概率，表征了实际效用概率函数p对感知效用的影响。

这里实质上是利用路径的出行效用代替了传统客流分配时使用的广义时间作为路径选择时的阻抗。

出行者在决策时，会对按时到达目的地的概率有要求，这个要求的概率可视为出行者对路径出行时间可靠度的要求。

行程时间的可靠度： 为出行者希望到达目的地的心理预期时间，可以表示为：由于路径出行时间是连续随机分布，上式可以转化为：其中是路径出行时间分布函数的反函数，所以，是路段交通流量的函数，即出行者的心理路径出行时间的预期值为路径k的第ρ百分位的出行时间。如图3所示，由正态分布的积累分布函数可得：

$\mathrm{\&rho;}=\frac{1}{\mathrm{\&sigma;}\sqrt{2\mathrm{\&pi;}}}{\&Integral;}_{-\&infin;}^{T_k^0}\exp (-\frac{(x-\mathrm{\&mu;})}{{2\mathrm{\&sigma;}}^2})\mathrm{dx}$

出行者依据已有的出行经验，确定OD对间的路径感知出行时间的参考点以确保能够按时到达目的地。在出发时间确定的情况下，参考点可以将路径出行时间分为早到和迟到。由于OD对间有许多不同的出行路径。当参考时间为各条路径预期出行时间的函数，OD对r间出行参考时间是其最小的路径预期出行时间，即 $T_r=\max \left(T\right|{\mathrm{\&zeta;}}_r^k\left(\mathrm{\&rho;}\right)\&GreaterEqual;T,\&ForAll;k\&Element;K_r).$

根据出行者对按时到达目的地的概率的不同要求，将出行者分为M类，表示为 ${\mathrm{\&rho;}}_r^j,j=1,...,M$

这些概率的数值在实际应用时可以通过调查赋值，则：

$\max T_r^{j}s.t.T_r^j-{\mathrm{\&zeta;}}_r^k\left({\mathrm{\&rho;}}_r^j\right)\&le;0,\&ForAll;k\&Element;K_r$

上式是线性规划方程，存在唯一的最优解，根据强对偶定理，表述为：

$1-\underset{k\&Element;K_r}{\mathrm{\&Sigma;}}{\mathrm{\&lambda;}}_r^{k,j}=0$

$T_r^j-\underset{k\&Element;K_r}{\mathrm{\&Sigma;}}{\mathrm{\&lambda;}}_r^{k,j}{\mathrm{\&zeta;}}_r^k\left({\mathrm{\&rho;}}_r^j\right)=0$

${\mathrm{\&lambda;}}_r^{k,j}\&GreaterEqual;0,\&ForAll;k\&Element;K_r$

${\mathrm{\&zeta;}}_r^k\left({\mathrm{\&rho;}}_r^j\right)-T_r^j\&GreaterEqual;0,\&ForAll;k\&Element;K_r$

式中，为约束条件的拉格朗日乘子

设出行者在选择路径出行时以最大感知出行效用为目标，则可以得到交通流量的均衡分配结果。出行者在决定出行路径前，对各条路径的出行效用进行评估，路径的前景效用曲线在损失区比在受益区陡峭，表征了现在的损失要比潜在的收益对出行者有更大的影响，在受益区出行者表现为风险规避，在损失区表现为风险寻求。

根据积累前景理论（Cumulative Prospect Theory,CPT），在收益时，主观概率w⁺(p)的计算式为：

$w^{+}\left(p\right)=\frac{p^{\mathrm{\&gamma;}}}{{(p^{\mathrm{\&gamma;}}+{(1-p)}^{\mathrm{\&gamma;}})}^{\frac{1}{\mathrm{\&gamma;}}}}$

在损失时，主观概率w^-(p)的计算式为：

$w^{-}\left(p\right)=\frac{p^{\mathrm{\&delta;}}}{{(p^{\mathrm{\&delta;}}+{(1-p)}^{\mathrm{\&delta;}})}^{\frac{1}{\mathrm{\&delta;}}}}$

设定OD对r间的路径出行时间的参考点为x_r，则其中路径k的感知路径出行时间为：

$v_r^k={\&Integral;}_{x_r}^{x_m}\frac{{\mathrm{dw}}^{+}(1-F_r^k\left(x\right))}{\mathrm{dx}}\&CenterDot;v_r\left(x\right)\mathrm{dx}+{\&Integral;}_{x_z}^{x_r}\frac{{\mathrm{dw}}^{-}\left(F_r^k\left(x\right)\right)}{\mathrm{dx}}\&CenterDot;v_r\left(x\right)\mathrm{dx}$

其中：

$v_r\left(x\right)=\left\{\begin{array}{cc}{(x_r-x)}^a,& x<x_r\\ -\mathrm{\&lambda;}{(x-x_r)}^{\mathrm{\&beta;}},& x\&GreaterEqual;x_r\end{array}\right.$

式中，x为实际路径出行时间，为OD对r间路径k的感知出行时间，x_m和x_r分别为路径k上出行时间的上限和下限，α,β为常数。

结合建立的效用函数，利用均衡客流分析模块寻求交通网络的最终用户均衡状态。

在确定在交通网络[N,A]中，所有路段流量的集合v＝(v₁,…,v_a,…v_|A|)^T，以及路径流量与路段流量的关系其中，N和A分别为轨道交通路网中的节点和路段，v_a为路段a上的交通流量，其中|·|表示集合的基数，为路径k∈K_r上的交通流量，f为所有路径上的交通流量的集合，K_r为所有路径的集合，r代表起点，为路径流量和路段流量的关联矩阵；R和S代表网络中的OD对集合，Q^rs表示从起点r∈R出发到s∈S的随机交通量，p^rs表示从r到s的所有路径，由于出行需求是随机的，所以在从r到s的路径p∈p^rs和路段a∈A上的交通量q_p和q_a。

在获知出行者的出行效用后，可以进行用户均衡的客流分配。令各类出行者对OD对r间路径k的感知出行效用为基于累计前景理论的交通网路用户均衡状态可以表示为：

$\left\{\begin{array}{cc}{f}_r^{k,j}>0& U_r^{k,j}={\mathrm{\&pi;}}_r^j\\ f_r^{k,j}=0& U_r^{k,j}\&le;{\mathrm{\&pi;}}_r^j\end{array}\right.,\&ForAll;k\&Element;K_r,r\&Element;R,j=1,...,M$

式中，为路径k上的第j类用户的交通流量，

则用户均衡的条件如下：

$v_a=\underset{j=1}{\overset{M}{\mathrm{\&Sigma;}}}\underset{r\&Element;R}{\mathrm{\&Sigma;}}\underset{k\&Element;K_r}{\mathrm{\&Sigma;}}{\mathrm{\&delta;}}_{a,r}^k{f}_r^{k,j},\&ForAll;a\&Element;A---\left(5\right)$

出行效用的参考点选择如下：

路径感知出行效用的计算公式如下：

$U_r^{k,j}={\&Integral;}_{t_{-r}^k}^{T_r^j}\frac{\mathrm{dw}\left({\mathrm{\&psi;}}_r^k\left(x\right)\right)}{\mathrm{dx}}{g}_r^j\left(x\right)\mathrm{dx}+{\&Integral;}_{T_r^j}^{t_r^{-k}}-\frac{\mathrm{dw}(1-{\mathrm{\&psi;}}_r^k\left(x\right))}{\mathrm{dx}}{g}_r^j\left(x\right)\mathrm{dx},---\left(11\right)$

上式中，为OD对r间第j类乘客的出行需求，利用变分不等式变换可以求解上述非线性方程得出最优解，即达到用户均衡的客流分布，从而得到最终的路网客流预测结果，并通过人机交互终端输出；

在进行计算时，首先给定一个收敛检验误差，利用经过修正的客流数据计算路径的交通流量和出行时间分布，进而利用公式（6）-（9）计算出相应的参考点，利用（10）和（11）计算每条路径的感知出行效用，利用当前客流量分布和感知出行效用计算出最速下降方向和步长，然后更新路径客流量，如此循环直至误差在收敛检验误差之内，模型达到最优结果。最后对各个车站的进出站量、滞留人数、换乘量、断面客流量等数据进行统计计算，得出最终结果并输出。

步骤7：人机交互终端为突发事件信息的数字化传输和客流分析结果的查询提供服务。

下面以某城市轨道交通路网为对象，列举一个实施例对时变用户均衡动态网络演化客流预测***和方法进行进一步说明。

某市城市轨道交通网络如图4所示，假设某市地铁1号线下行XXXX次列车到达A站后，因为故障在A站清人。此次故障共造成了中断为20分钟。则由人机交互终端的输入量为：

1号线A站预计中断时间为20分钟，运行交路为由A到E，由G到F。

客流清分模块对从网络数据库中获取的旅客刷卡明细数据进行清分，并将清分得到的车站的进出站量、换乘站的换乘量、线路的断面客流量等数据传输至客流修正模块，同时客流修正模块从网络数据库中获取实时客流数据；客流修正模块对非均衡模型输出的分配矩阵和实时客流数据调用AUKF算法进行预处理，对模型进行在线更新和矫正，准确跟踪***状态的实时变化，以适应路网结构变化之后的客流分布改变，并根据修正后客流数据作为后续客流分布预测的输入数据。

当***检测到人机交互终端将突发事件信息传入客流分析模块时，客流分析模块根据事故信息调整路网拓扑结构，估算出突发事件的影响车站范围，如图4所示。其中B、C、D站为中断车站，其他受影响车站应采取相应措施应对潜在的大客流风险。

同时利用随机用户均衡交通分配模型对客流分布进行推演和预测。

调用历史同期的客流数据，以及实时的客流数据进行交通流分配，仿真模拟得出各个受影响车站的进出站量、滞留人数、断面客流量数据。

结果如下：

B站总人数604人，其中出站客流量32人，滞留客流量572人；

C站总人数764人，其中出站客流量78人，滞留客流量686人；

D站总人数724人，其中出站客流量27人，滞留客流量697人；

事故发生后10分钟内，受影响车站的进出站量预测数据如下表所示：

车站名称	进站量	出站量
			G站	620	395
H站	161	81
			I站	127	40
J站	130	33
			K站	41	32
L站	63	12
			M站	29	5
N站	241	120
			O站	243	93
P站	285	56
			Q站	227	131
R站	8	3
			S站	16	8
T站	11	2

最终将计算结果通过人机交互模块输出给用户，以实现对用户的辅助决策功能。

对于正常情况下的客流预测，用户可以选取一天内的任何一段时间。这里假设用户选择查看某区间在未来一天每小时的断面客流量数据情况。

那么***便调用与所选日期类型相同的历史数据，通过支持向量机算法进行预测。这里选取的数据是每天06:00-24:00的客流数据，当用户选择查看每小时的断面客流量数据时，每天的数据量为18，则当调用8天的历史数据进行预测时，其输出结果如图6所示。用户可以从图上查看所需预测时期的断面客流量数值，与历史同期断面客流量的对比值，以及误差情况。

本发明满足了多用户对突发事件情况下路网短时客流预测的需求，实现了对有限理性的客流进行实时的分配和动态预测，满足了企业用户对客流信息的实时查看、共享和决策。

Claims (8)

1.一种时变用户均衡动态网络演化客流预测方法，其特征在于，该方法包括以下步骤：

步骤1：视频终端将获取的实时数据传输并储存于网络数据库中，AFC***将旅客刷卡明细数据传输并储存于网络数据库中；

步骤2：客流清分模块对从网络数据库中获取的旅客刷卡明细数据进行清分，并将清分得到的车站的进出站量、换乘站的换乘量、线路的断面客流量数据传输至客流修正模块，同时客流修正模块从网络数据库中获取实时客流数据；

步骤3：客流修正模块对非均衡模型输出的分配矩阵和实时客流数据调用AUKF算法进行预处理，对模型进行在线更新和矫正，准确跟踪***状态的实时变化，以适应路网结构变化之后的客流分布改变，并根据修正后客流数据作为后续客流分布预测的输入数据；

步骤4：当人机交互终端没有突发事件对客流分析模块输入时，执行步骤5，否则，执行步骤6；

步骤5：客流分析模块利用客流预测算法对客流数据进行拟合和预测，得到日常情况下的预测客流数据，并将预测客流数据发送到人机交互终端；

步骤6：客流分析模块根据事故信息调整路网拓扑结构，利用随机用户均衡交通分配模型对客流分布进行推演和预测；

步骤7：人机交互终端为突发事件信息的数字化传输和预测客流数据的查询提供服务。

2.根据权利要求1所述的一种时变用户均衡动态网络演化客流预测方法，其特征在于，所述客流清分模块对从网络数据库中获取的旅客刷卡明细数据进行清分，方法如下：

(1)根据城市轨道交通网络的实际情况，将广义旅行时间作为出行阻抗时，路段阻抗A_ij如下式：

A_ij＝t_ij；

式中，t_ij为相邻车站i,j之间的列车运行时间；

通过车站：

B_k＝t_k；

其中，节点阻抗B_k表示乘客在车站花费的时间；

换乘车站为：

$B_k^{pq}=t_k^{pq}\&times;\mathrm{\&alpha;}=(D_k^{pq}/V_{br}+H_q/2)\&times;\mathrm{\&alpha;};$

其中，t_k为列车在k站的停站时间；为在k站由线路p转至线路q的换乘时间，包括换乘走行时间和候车时间，其中，换乘走行时间等于换乘距离除以乘客的平均步速V_br，候车时间取换乘路线发车间隔H_q的一半；

(2)对w的第m条路径上的总出行阻抗的表达方式如下：

$T_m^w=\underset{i,j}{\&Sigma;}{A}_{ij}+\underset{k}{\&Sigma;}{B}_k+\underset{k}{\&Sigma;}{B}_k^{pq},\&ForAll;m,w;$

根据以上公式分别计算出各个路径的阻抗从而得出路网的阻抗矩阵，并结合路网的邻接矩阵，根据基于深度优先的删除路径搜索算法得到K条渐短路径，从中筛选出有效路径，并对路径的客流分配比例进行计算：当有效路径集合元素唯一时，该有效路径承担100％的客流；当有效路径集合的元素不唯一时，则使用全无全有法进行客流分配，最终得到车站的进出站量、滞留人数、换乘站的换乘量、线路的断面客流量这些基础客流数据表。

3.根据权利要求1所述的一种时变用户均衡动态网络演化客流预测方法，其特征在于，所述调用AUKF算法对算法进行预处理方法为：

设Q₁(t+k)为t时刻以后k个时间段的车站L上的进站客流量；V(t)是t时刻的车站进站客流量，V(t-1)是t时刻前一个时间段的车站进站客流量；考虑m个时段车站进站客流量对车站L上的进站客流量的影响；车站的进站客流量修正模型为：

$Q_1^{*}(t+k)=H_{0}V\left(t\right)+H_{1}V(t-1)+H_{2}V(t-2)+...+H_{m-1}V(t-m+1)+w\left(t\right)$

式中，H₀,H₁,H₂,...,H_m-1为参数矩阵；H_i＝[c′₁(t),c′₂(t),...,c′_n(t)]；c是状态变量；V(t)＝[v₁(t),v₂(t),...,v_n(t)]^T为客流量向量；为预测的进站客流量；w(t)为观测噪声，即为视频记录的进站客流量与模型输出的进站客流量的误差绝对值，w(t)的协方差矩阵为R(t)；

做出如下变换：

$\left\{\begin{array}{c}A\left(t\right)=\&lsqb;V^T\left(t\right),V^T(t-1),...,V^T(t-m+1)\&rsqb;\\ X\left(t\right)={(H_0,H_1,...,H_{m-1})}^T\\ y\left(t\right)=Q_l^{*}(t+k)\end{array}\right.$

得到：

$\left\{\begin{array}{c}X\left(t\right)=B\left(t\right)X(t-1)+u(t-1)\\ y\left(t\right)=A\left(t\right)X\left(t\right)+w\left(t\right)\end{array}\right.$

式中，y(t)为观察向量；X(t)为状态向量；A(t)为观察矩阵；B(t)为状态转移矩阵；B(t)＝I，u(t-1)为模型噪声，假定为零均值的白色噪声，他的协方差矩阵为Q(t-1)；

利用卡尔曼滤波理论，得到如下方程组：

$\left\{\begin{array}{c}\stackrel{\&OverBar;}{X}\left(t\right)=B\left(t\right)\stackrel{\&OverBar;}{X}(t-1)+K\left(t\right)\&lsqb;Q_l^{*}(t+k)-A\left(t\right)\stackrel{\&OverBar;}{X}\left(t\right|t-1)\&rsqb;\\ K\left(t\right)=p\left(t\right|t-1)A^T\left(t\right){\&lsqb;A\left(t\right)p\left(t\right|t-1)A^T\left(t\right)+R\left(t\right)\&rsqb;}^{-1}\\ p\left(t\right|t-1)=B(t-1)P(t-1)B^T(t-1)+Q(t-1)\\ P\left(t\right)=\&lsqb;I-K\left(t\right)A\left(t\right)\&rsqb;p\left(t\right|t-1)\\ P\left(0\right|0)=P_0\end{array}\right.$

式中，为更新的状态估计，K(t)为最优卡尔曼增益，p(t|t-1)为预测估计协方差矩阵，P(t)为更新的协方差估计，P(0|0)为初始状态的协方差估计，为对角阵；

当确定后，车站进站客流量的修正值为：

$Q_L^{*}(t+k)=A\left(t\right)\stackrel{\&OverBar;}{X}\left(t\right)$

以上过程可以有效的修正客流分配算法带来的实际客流量的偏差，从而得到修正后的进站量数据。

4.根据权利要求1所述的一种时变用户均衡动态网络演化客流预测方法，其特征在于，所述客流预测算法是对客流数据进行拟合和预测的方法，所述客流预测算法将客流分为周一到周五的工作日客流和周六周日休息日的客流分别进行预测；所述客流预测算法方法步骤如下：

(1)构建核函数：

$K_{mix}=\sqrt{\frac{\mathrm{\&lambda;}}{2}}{K}_{poly}+(1-\sqrt{\frac{\mathrm{\&lambda;}}{2}})K_{rbf},$

其中，多项式核函数K_poly＝[(x·x_i)+1]^d，径向基核函数K_rbf＝exp[-||x-x_i||²/2σ²]；x_i为核函数的宽度，x是输入变量，λ是一个常数；

选定模型内参数：模型内参数包括惩罚因子C和不敏感因子ε，多项式阶数d；

选取误差函数，预设误差，误差分析采用均方误差MSE：

$MSE=\frac{1}{l}\underset{i=0}{\overset{l}{\&Sigma;}}{(y_i-{\hat{y}}_i)}^2,$

其中，y_i是测试样本的期望输出，是预测值，l表示样本点的个数；去预设误差为10^-3；

(2)构造参数对：分别取不同的混合奇函数和径向基函数隐含层节点数得到N对不同的参数对；选取一对参数对，输入训练样本进行训练，得到预测函数；

(3)测试模型：输入测试样本，通过预测函数得到测试样本的实际输出数据；

(4)计算误差并记录该组参数所对应的误差及预测函数：利用测试样本的期望输出及测试样本的实际输出数据，通过误差函数计算得到对应的均方误差；

(5)记录误差，判断参数对个数是否达到N，若达到N则进行下一步，否则返回(3)；

(6)选取一组参数对训练模型；选取产生最小误差的参数对并判断该误差是否小于预设误差，若小于预设误差则进行下一步，否则返回(2)，以最小误差对应的参数为中心，构建新的二维网络平面；

(7)得到满足预设误差的最优参数对级预测模型；

(8)利用上述预测模型将客流数据输入进行预测并得到预测结果。

5.根据权利要求4所述的一种时变用户均衡动态网络演化客流预测方法，其特征在于，所述C＝100,ε＝0.01,d＝2。

6.根据权利要求1所述的一种时变用户均衡动态网络演化客流预测方法，其特征在于，所述随机用户均衡交通分配模型为：

在突发事件情况下，路径的通行时间是一个随机变量；这种条件下，路径的出行时间及其概率分布成为出行者的选择依据；每一条可行路径对应着一个实际的出行效用变量x及其概率函数p；根据前景理论的原理，出行者在路网通行时间不确定的条件下是有限理性的，选择行为的依据是对出行路径的感知效用，感知效用的获得依赖于主观效用函数与主观概率函数：

(a)主观效用函数v(x)，即为出行者根据各条路径实际效用形成的主观效用，表征了实际效用水平对出行者心理的影响；

(b)主观概率函数w(p)，即为出行者根据路径效用的实际发生概率形成的主观发生概率，表征了实际效用概率函数p对感知效用的影响；

这里实质上是利用路径的出行效用代替了传统客流分配时使用的广义时间作为路径选择时的阻抗；

出行者在决策时，会对按时到达目的地的概率有要求，这个要求的概率可视为出行者对路径出行时间可靠度的要求；

行程时间的可靠度： 为出行者希望到达目的地的心理预期时间，表示为：由于路径出行时间是连续随机分布，上式转化为：其中是路径出行时间分布函数的反函数，所以，是路段交通流量的函数，即出行者的心理路径出行时间的预期值为路径k的第ρ百分位的出行时间；由正态分布的积累分布函数得：

$\mathrm{\&rho;}=\frac{1}{\mathrm{\&sigma;}\sqrt{2\mathrm{\&pi;}}}{\&Integral;}_{-\mathrm{\&infin;}}^{T_k^0}\exp (-\frac{(x-\mathrm{\&mu;})}{2{\mathrm{\&sigma;}}^2})dx;$

出行者依据已有的出行经验，确定OD对间的路径感知出行时间的参考点以确保能够按时到达目的地；在出发时间确定的情况下，参考点将路径出行时间分为早到和迟到；由于OD对间有许多不同的出行路径；当参考时间为各条路径预期出行时间的函数，OD对r间出行参考时间是其最小的路径预期出行时间，即

根据出行者对按时到达目的地的概率的不同要求，将出行者分为M类，表示为

这些概率的数值在实际应用时可以通过调查赋值，则：

${\mathrm{maxT}}_r^j$

$\begin{array}{cc}s.t.& T_r^j-{\mathrm{\&zeta;}}_r^k\left({\mathrm{\&rho;}}_r^j\right)\&le;0,\&ForAll;k\&Element;K_r\end{array},$

上式是线性规划方程，存在唯一的最优解，根据强对偶定理，表述为：

$1-\underset{k\&Element;K_r}{\&Sigma;}{\mathrm{\&lambda;}}_r^{k,j}=0$

$T_r^j-\underset{k\&Element;K_r}{\&Sigma;}{\mathrm{\&lambda;}}_r^{k,j}{\mathrm{\&zeta;}}_r^k\left({\mathrm{\&rho;}}_r^j\right)=0$

${\mathrm{\&lambda;}}_r^{k,j}\&GreaterEqual;0,\&ForAll;k\&Element;K_r$

${\mathrm{\&zeta;}}_r^k\left({\mathrm{\&rho;}}_r^j\right)-T_r^j\&GreaterEqual;0,\&ForAll;k\&Element;K_r$

式中，为约束条件的拉格朗日乘子；

设出行者在选择路径出行时以最大感知出行效用为目标，则可以得到交通流量的均衡分配结果；出行者在决定出行路径前，对各条路径的出行效用进行评估，路径的前景效用曲线在损失区比在受益区陡峭，表征了现在的损失要比潜在的收益对出行者有更大的影响，在受益区出行者表现为风险规避，在损失区表现为风险寻求；

根据积累前景理论，在收益时，主观概率w⁺(p)的计算式为：

$w^{+}\left(p\right)=\frac{p^{\mathrm{\&gamma;}}}{{(p^{\mathrm{\&gamma;}}+{(1-p)}^{\mathrm{\&gamma;}})}^{\frac{1}{\mathrm{\&gamma;}}}};$

在损失时，主观概率w^-(p)的计算式为：

$w^{-}\left(p\right)=\frac{p^{\mathrm{\&delta;}}}{{(p^{\mathrm{\&delta;}}+{(1-p)}^{\mathrm{\&delta;}})}^{\frac{1}{\mathrm{\&delta;}}}};$

设定OD对r间的路径出行时间的参考点为x_r，则其中路径k的感知路径出行时间为：

$v_r^k={\&Integral;}_{x_r}^{x_m}\frac{{\mathrm{dw}}^{+}(1-F_r^k(x))}{dx}\&CenterDot;v_r\left(x\right)dx+{\&Integral;}_{x_z}^{x_r}\frac{{\mathrm{dw}}^{-}\left(F_r^k\right(x))}{dx}\&CenterDot;v_r\left(x\right)dx,$

其中：

$v_r\left(x\right)=\left\{\begin{array}{cc}{(x_r-x)}^a,& x<x_r\\ -\mathrm{\&lambda;}{(x-x_r)}^{\mathrm{\&beta;}},& x\&GreaterEqual;x_r\end{array}\right.$

式中，x为实际路径出行时间，为OD对r间路径k的感知出行时间，x_m和x_r分别为路径k上出行时间的上限和下限，α,β为常数；

结合建立的效用函数，利用均衡客流分析模块寻求交通网络的最终用户均衡状态；

在确定在交通网络[N,A]中，所有路段流量的集合v＝(v₁,…,v_a,…v_|A|)^T，以及路径流量与路段流量的关系其中，N和A分别为轨道交通路网中的节点和路段，v_a为路段a上的交通流量，其中|·|表示集合的基数，为路径k∈K_r上的交通流量，f为所有路径上的交通流量的集合，K_r为所有路径的集合，r代表起点，为路径流量和路段流量的关联矩阵；R和S代表网络中的OD对集合，Q^rs表示从起点r∈R出发到s∈S的随机交通量，p^rs表示从r到s的所有路径，由于出行需求是随机的，所以在从r到s的路径p∈p^rs和路段a∈A上的交通量q_p和q_a；

在获知出行者的出行效用后，进行用户均衡的客流分配：令各类出行者对OD对r间路径k的感知出行效用为基于累计前景理论的交通网路用户均衡状态表示为：

$\left\{\begin{array}{cc}{f}_r^{k,j}>0& U_r^{k,j}={\mathrm{\&pi;}}_r^j\\ f_r^{k,j}=0& U_r^{k,j}\&le;{\mathrm{\&pi;}}_r^j\end{array}\right.,\&ForAll;k\&Element;K_r,r\&Element;R,j=1,...,M$

式中，为路径k上的第j类用户的交通流量，

则用户均衡的条件如下：

$f_r^{k,j}({\mathrm{\&pi;}}_r^j-U_r^{k,j})=0,\&ForAll;k\&Element;K_r,r\&Element;R,j=1,...,M---\left(1\right)$

${\mathrm{\&pi;}}_r^j-U_r^{k,j}\&GreaterEqual;0,\&ForAll;k\&Element;K_r,r\&Element;R,j=1,...,M---\left(2\right)$

$f_r^{k,j}\&GreaterEqual;0,\&ForAll;k\&Element;K_r,r\&Element;R,j=1,...,M---\left(3\right)$

$\underset{k\&Element;K_r}{\&Sigma;}{f}_r^{k,j}-q_r^j=0,\&ForAll;k\&Element;K_r,j=1,...,M---\left(4\right)$

$v_a=\underset{j=1}{\overset{M}{\&Sigma;}}\underset{r\&Element;R}{\&Sigma;}\underset{k\&Element;K_r}{\&Sigma;}{\mathrm{\&delta;}}_{a,r}^k{f}_r^{k,j},\&ForAll;a\&Element;A---\left(5\right)$

出行效用的参考点选择如下：

$1-\underset{k\&Element;K_r}{\&Sigma;}{\mathrm{\&lambda;}}_r^{k,j}=0,r\&Element;R,j=1,...,M---\left(6\right)$

$T_r^j-\underset{k\&Element;K_r}{\&Sigma;}{\mathrm{\&lambda;}}_r^{k,j}{\mathrm{\&zeta;}}_r^k\left({\mathrm{\&rho;}}_r^j\right)=0,r\&Element;R,j=1,...,M---\left(7\right)$

${\mathrm{\&lambda;}}_r^{k,j}\&GreaterEqual;0,\&ForAll;k\&Element;K_r,r\&Element;R,j=1,...,M---\left(8\right)$

${\mathrm{\&zeta;}}_r^k\left({\mathrm{\&rho;}}_r^j\right)-T_r^j\&GreaterEqual;0,\&ForAll;k\&Element;K_r,r\&Element;R,j=1,...,M---\left(9\right)$

路径感知出行效用的计算公式如下：

$v_r^j\left(x\right)=\{\begin{array}{c}{(T_r^j-x)}^a,x\&le;T_r^j\\ -(x-T_r^j)\mathrm{\&beta;},x>T_r^j\end{array},r\&Element;R,j=1,...,M---\left(10\right)$

$U_r^{k,j}={\&Integral;}_{{\underset{\&OverBar;}{t}}_r^k}^{T_r^j}\frac{dw\left({\mathrm{\&psi;}}_r^k\right(x))}{dx}{g}_r^j\left(x\right)dx+{\&Integral;}_{T_r^j}^{{\stackrel{\&OverBar;}{t}}_r^k}-\frac{dw(1-{\mathrm{\&psi;}}_r^k(x))}{dx}{g}_r^j\left(x\right)dx,---\left(11\right)$

上式中，为OD对r间第j类乘客的出行需求，利用变分不等式变换求解上述非线性方程得出最优解，即达到用户均衡的客流分布，从而得到最终的路网客流预测结果，并通过人机交互终端输出。

7.根据权利要求6所述的一种时变用户均衡动态网络演化客流预测方法，其特征在于，所述随机用户均衡交通分配模型在进行计算时，首先给定一个收敛检验误差，利用经过修正的客流数据计算路径的交通流量和出行时间分布，进而利用公式(6)-(9)计算出相应的参考点，利用(10)和(11)计算每条路径的感知出行效用，利用当前客流量分布和感知出行效用计算出最速下降方向和步长，然后更新路径客流量，如此循环直至误差在收敛检验误差之内，模型达到最优结果；最后对各个车站的进出站量、滞留人数、换乘量、断面客流量数据进行统计计算，得出最终结果并发送到人机交互终端。

8.一种基于权利要求1所述的时变用户均衡动态网络演化客流预测方法的预测***，其特征在于，该***包括AFC***、视频终端、客流分析服务中心***和人机交互终端；其中，

AFC***，用于提供旅客刷卡明细数据；

视频终端，获取实时视频数据，并从中提取出实时的客流数据；

客流分析服务中心***，用于对历史客流数据和实时视频数据进行分析，得到客流分布预测结果，并将预测结果发送给人机交互终端；

人机交互终端，由设定数目的计算机组成，用于突发事件信息的输入以及具***置的客流分布预测查询；

客流分析服务中心***包括网络数据库、客流清分模块、客流修正模块和客流分析模块，其中，

网络数据库与客流清分模块、客流修正模块和客流分析模块依次相连；

网络数据库分别与AFC***和视频终端相连。