CN108805347B - 基于客流池的地铁站外关联区域客流估计方法 - Google Patents
基于客流池的地铁站外关联区域客流估计方法 Download PDFInfo
- Publication number
- CN108805347B CN108805347B CN201810567313.3A CN201810567313A CN108805347B CN 108805347 B CN108805347 B CN 108805347B CN 201810567313 A CN201810567313 A CN 201810567313A CN 108805347 B CN108805347 B CN 108805347B
- Authority
- CN
- China
- Prior art keywords
- passenger flow
- passenger
- pool
- model
- area
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 230000008569 process Effects 0.000 claims abstract description 26
- 238000005070 sampling Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 21
- 238000007689 inspection Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 20
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 238000005311 autocorrelation function Methods 0.000 description 19
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 18
- 238000011160 research Methods 0.000 description 13
- 238000002955 isolation Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 101100438426 Drosophila melanogaster Art4 gene Proteins 0.000 description 1
- 240000007232 Illicium verum Species 0.000 description 1
- 235000008227 Illicium verum Nutrition 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000004308 accommodation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/40—Business processes related to the transportation industry
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于客流池的地铁站外关联区域客流估计方法,首先,对数据预处理并根据客流特征确定客流池的输入。其次,计算地铁站外关联区域客流阈值。然后,确定地铁站外关联区域客流估计模型。最后,将每一采样周期对应的输入和输出进行迭代,对迭代过程中的每组网络层采用残差学习,减少误差提高精度,获得较为精确的客流估计数量。本发明提出的站外关联区域客流估计模型,可为今后的站点限流措施及站点预警管理提供理论依据。
Description
技术领域
本发明涉及地铁站区域客流估计领域,尤其涉及基于客流池的地铁站外关联区域客流估计方法。
背景技术
地铁站外关联区域范围的确定是对关联区域客流估计的关键,在轨道交通建设规划的早期,站点关联区域的范围受地铁站点的位置、站点周边土地开发程度、配套设施分布等因素影响。站点关联区域范围的研究也是对客流空间分布规律的分析,通过对站外关联区域范围的研究,为建立站外关联区域客流估计模型提供了前提条件。现有技术中,地铁站外关联区域范围的确定最初以经验值得到站点的经验吸引量,由于主观性强,缺乏说服力,广大学者逐渐将研究方法转向统计分析,利用实地调研的方式提高研究成果的准确性,最主要的研究方法是通过分析接驳方式与接驳总量来估计地铁站点的吸引量。
对客流的准确估计是提高轨道交通运营安全的关键,其中对客流数量的估计属于交通量预测的重要组成部分,如“四阶段法”。常见客流预测方法有以下几种:根据乘客出行OD进行预测、非集计模型法等,但这些方法均以四阶段法为基础,根据客流OD的分类进行预测方法应用最为广泛。
关于站外关联区域范围及客流估计方法已有***的研究方法,总结现有站外关联区域客流估计方法研究主要存在以下问题:
(1)对站外关联区域的研究相对较少,未将站外关联区域归属为重点区域。且在对重点区域客流估计研究中,未表示乘客到达地铁站点时的通勤时间与选择交通工具概率之间的数量关系。
(2)客流估计方法中大多针对断面客流进行估计,区域客流的估计研究较少。且区域客流估计常用客流密度表示,无法量化区域客流数量。
发明内容
为了解决上述技术问题,本发明提供一种基于客流池的地铁站外关联区域客流估计方法,通过非平稳时间序列模型表征客流池的输入和输出,利用守恒定律来确定每一采样周期客流池内的净存量。为降低迭代过程中可能出现的累计误差,引入图像处理中残差网络算法,通过训练每次迭代过程中的误差,降低迭代步骤中出现的累计误差,从而提高关联区域客流估计模型的精度。具体采取如下技术方案:
该方法包括如下步骤:
(1)数据预处理并根据客流特征确定客流池的输入
首先对客流池客流流入速率f(t)进行数据归一化和小波去噪,然后对处理后的数据进行白噪声检验,当f(t)属于白噪声序列时,序列中不存在需提取的时间规律,不采用f(t)作为客流池的输入;若f(t)不属于白噪声序列,采用f(t)作为客流池的输入;
(2)计算地铁站外关联区域客流阈值
在站点关联区域内最大容纳客流数量Qmax计算方法为
Qmax=a·Se/Sp
a=a1×a2
a2=1/1+x
Sp=(bs+bx)×(ds+dx)
其中,a表示客容量系数,Se表示站外直接关联区域的有效面积,Sp表示乘客个体占地面积,a1表示队形因素系数;a2表示代运系数,x表示乘客携带大件行李的比例,Sp表示单个乘客占地面积,bs表示乘客肩膀宽度,bx表示乘客左右心理距离,ds表示乘客身体厚度,ds表示乘客前后心理距离;
(3)确定地铁站外关联区域客流估计模型
模型中,
f(t)=f(t)walk+f(t)bike+f(t)bus
g(t)=n(g(t)l+gp)+m(g(t)nl+gp)
式中,Q(T)表示当前T时刻客流池内客流数量,f(t)表示客流池客流流入速率,g(t)表示客流池客流流出速率,Qmax表示在站点关联区域内最大容纳客流数量,f(t)walk表示客流池步行客流流入速率,f(t)bike表示客流池自行车客流流入速率,f(t)bus表示客流池公交车客流流入速率,g(t)l为有包乘客安检通道通行速率,g(t)nl为无包乘客安检通道通行速率,n为有包乘客安检通道个数,m为无包乘客安检通道个数,gp表示地铁工作人员对乘客的安全检查所耗费的速率;
(4)将每一采样周期对应的输入和输出进行迭代,建立深度残差网络,对迭代过程中的每组网络层采用残差学习,最后获得客流池的客流数量。
优选地,步骤(4)中建立深度残差网络的具体方式为:
对迭代过程中的每组网络层采用残差学习:
yT=h(qT)+Q(T)+qT
qT=f(yT)
其中,yT为一个通过若干堆叠的网络层进行映射关系的拟合,h(qT)为一个恒等映射,Q(T)表示T时刻客流池估计值,qT表示T时刻客流池估误差输入,f(yT)为激活函数;
通过递归,得到任意深层次单元T的特征表达:
附图说明
图1是本发明的方法流程图。
图2是客流池原理图。
图3是站点关联区域示意图。
图4是残差网络算法流程示意图。
具体实施方式
本发明通过建立基于客流池的站外关联区域客流估计模型,采用视频处理中深度残差网络算法,对站外关联区域客流进行估计。其具体流程如图1所示。
(1)地铁站外关联区域客流估计模型
(1.1)关联区域客流估计模型
将各种交通方式到站换乘地铁客流的最大聚集效益处作为地铁站点的关联区域,其关联区域即为“客流池”,“客流池”内的客流变化情况遵循守恒定律。
所谓“客流池”可简单理解为贮藏客流的无物理隔离的池,与水池概念相似。一个水池的储水量取决于水池的进水量及出水量,同样道理,在一定区域内,客流的流量取决于进入该区域的客流以及离开该区域的客流。其原理图2如下图所示:
假定T时刻关联区域客流的人数为Q(T),在T时刻关联区域内各种交通方式的客流到达函数为f(t),安检处客流进站速率即客流池内客流的流出速率为g(t)。在T时刻客流池内的客流量满足如下方式:
其推导过程为:
Q(T)=f(T)-g(T)+Q(T-1)
Q(T-1)=f(T-1)-g(T-1)+Q(T-2)
Q(T-2)=f(T-2)-g(T-2)+Q(T-3)
...
式中,Q(T)表示当前T时刻客流池内客流数量,f(t)表示客流池客流流入速率,g(t)表示客流池客流流出速率。其中f(t)是各种交通方式客流的到站函数,可根据客流到站规律分析得到;g(t)表示安检处的通行函数且该函数存在上限即安检处最大通行能力gmax,在突发大客流或早晚高峰的情况下,安检处的通行能力通常维持在gmax。
所定义的客流池虽然不具有物理边界,但仍存在最大客流容量Qmax。当通过计算得到某一时刻的客流池容量Q(T)超过了Qmax时,则意味着此时的客流池发生了“溢流”现象,此时的客流池的客流数量达到了峰值,此时的客流池容量Q(T)不能继续用计算得到的值来代表,此时Q(T)=Qmax。
综上,客流池的客流估计模型为:
(1.2)关联区域客流估计模型说明
1.区域客流输入量
在关联区域客流估计模型中,客流输入量指客流进入已知站点的区域范围的速率。受不同交通方式的影响,选择不同交通方式的客流到达站点的规律不同,所以在计算客流输入量时应该对不同交通方式的客流进行区分。
f(t)=f(t)walk+f(t)bike+f(t)bus+···
2.区域客流输出量
客流输出量指在关联区域内客流消散的速率,本发明主要研究站外关联区域的客流,所以在确定客流消散速率时选择安检处作为站点客流消散处。客流消散速率取决于安检处的通行能力,早高峰期间,站点为提高通行效率,将安检处分为有包乘客安检通道和无包乘客安检通道,不同类型的安检通道的通行能力不同,在实际应用中应具体区分。
g(t)=n(g(t)l+gp)+m(g(t)nl+gp)
其中,g(t)l为有包乘客安检通道通行速率,g(t)nl为无包乘客安检通道通行速率,n为有包乘客安检通道个数,m为无包乘客安检通道个数。在乘客进行安检过程中,通常需要接受地铁工作人员的安全检查,这样就会进一步降低安检通道的通行速率,这里引入一个惩罚项gp来表示地铁工作人员对乘客的安全检查所耗费的速率。
3.客流最大输出量
客流最大输出量指的是安检通道最大的通行速率。对不同类型的安检通道,其最大通行能力也不同,表示需检包的安检通道的最大通行能力即需检包通道的客流池客流流出速率,表示不需检包的安检通道的最大通行能力即不需检包通道的客流池客流流出速率。
4.最大客流承载量
客流池最大客流承载量是指在站点关联区域内,该区域最大容纳客流数量即区域客流阈值,记做Qmax。
确定模型中各参数后,地铁站点关联区域客流估计模型如下所示:
模型中:
f(t)=f(t)walk+f(t)bike+f(t)bus+···
g(t)=n(g(t)l+gp)+m(g(t)nl+gp)
(1.3)到站客流估计方法
在站外关联区域客流估计模型中,客流输入量指的是在T时刻内,不同交通方式的到站客流人数。针对不同交通方式,客流到站规律有所不同。将客流数据按照观测统计的时序进行排列,就形成了时间序列。时间序列常用于空气、客流等领域,是一个通过对某一指标的时间序列进行研究从而预测其走势的过程。在轨道交通领域中,时间序列分析可以充分体现客流随时间的变化规律,利用时间序列中ARIMA模型可有效反映非平稳状态的客流变化情况。
在确定关联区域客流的输入f(t)时,应针对不同交通方式的客流所对应的非平稳时间序列进行建模。而在对f(t)进行ARIMA模型拟合前,首先应对f(t)进行判断。对给定序列f(t)进行平稳性检验即白噪声检验,当序列f(t)属于白噪声序列时,说明该序列中每一采样周期所对应的客流数据之间没有依附性,此时序列中不存在需提取的时间规律,ARIMA模型不适用于该种给定时间序列;若f(t)不属于白噪声序列,证明给定时间序列中每一时刻的客流数据都会对后续的数据产生影响,此时可以利用ARIMA模型来对某种交通方式进行规律分析。
对某种交通方式所呈现的非平稳时间序列即给定时间序列f(t),可以记做以下形式:
f(t)=μt+εt
其中μT为该交通方式的非平稳时间序列对应的时变均值函数,εt为白噪声序列。将原始f(t)序列进行d阶差分后转变为平稳序列,该过程的实质就是d阶求导的过程。Carmer分解定理理论上保障了经d阶差分后可将原始序列中的所有有效信息都提取出来的可行性,通过不断差分,原始序列中所含信息会被全部提取出来。对原始序列进行差分的过程可以记做:
式中,Φ(B)表示自回归系数多项式,Θ(B)表示移动平均系数多项式,其计算公式分别为:
Φ(B)=1-φ1B-φ2B2-···-φpBp
Θ(B)=1-θ1B-θ2B2-···-θqBq
ARIMA模型中剩余参数p,q的确定步骤如下所示:
Step1:数据预处理。对于现场采集到的客流数据,需要对其进行数据预处理。如果客流数据呈现非平稳情况,需要对数据进行零均值化处理和差分平稳化处理。
Step2:模型结构识别。原始客流数据经预处理后得到自相关函数和偏自相关函数的结构。在对目标函数进行不断训练时,目标函数模型的精度在不断提高,与此同时也会产生过度拟合的弊端。通过加入惩罚项,可以有效避免出现过度拟合,常用赤池信息准则(Akaike Information Criterion,AIC)和贝叶斯信息准则(Bayesian InformationCriterion,BIC)。两种方法所对应的表达式分别为:
AIC=-2ln(L)+2K
BIC=-2ln(L)+ln(n)*k
两种方法都可进行参数判断,但BIC只用于解决参数较少的简单模型。根据客流模型特征,本发明AIC确定参数。在AIC表达式中各参数含义为:L表示序列的极大似然估计,n为数据数量,k为模型的变量个数。为防止出现过度拟合现象,在确定模型参数时选取AIC值最小时对应的参数值。
Step3:参数标定。根据实际数据的特征,对模型中的参数进行标定。
Step4:模型检验。在进行模型检验过程中,引入统计量相对误差、绝对百分比误差。若预测精度达到预期效果,则模型参数调试成功。
Step5:模型确定。将检验合格后的模型导出,用于实际客流估计中。
(1.4)地铁站外关联区域客流阈值
在估计站外关联区域客流时,不仅需要解决“怎样估计”,得到估计结果时,还需合理利用估计结果。对站外关联区域客流阈值Qmax的计算,不仅是关联区域客流估计模型中迭代过程的判断条件,还可作为地铁站点客流预警判断的依据。将站外关联区域客流值量化,区域内客流最大阈值可作为客流预警依据。站外关联区域客流阈值的确定直接影响了地铁站点的预警机制。现阶段对于地铁站点的客流预警仅限于站内站台等候区域、站内扶楼梯区域及检票闸机区域的客流分布情况,针对站外关联区域的客流估计及预警研究相对较少。
为保障乘客有序安检,站点外通常会设置隔离栏。地铁站外直接关联区域通常情况下受站点隔离栏等基础设施布置的影响,区域可能会呈现出不规则图形如图3所示。
在乘客排队进站过程中,乘客会在站外直接关联区域候检,在计算站外直接关联区域预警阈值时,站外直接关联区域的客流容纳量是衡量客流阈值的最直观指标。直接关联区域客流最大容量可以通过乘客个体面积与站外直接关联区域的有效面积进行计算,理论上乘客遵循站外隔离栏引导,排队进站安检,可以得到直接关联区域最大容量:
Qmax=a·Se/Sp
其中,Qmax表示站外直接关联区域最大容量,a表示客容量系数,Se表示站外直接关联区域的有效面积,Sp表示乘客个体占地面积。
由于现实情境中乘客排队会与理论有一定差别,需要引入a对理论计算出的最大容量进行修正。a受客流排队进站队形因素系数a1和乘客大件行李代运系数a2影响,其计算公式为:
a=a1×a2
地铁站外直接关联区域如果覆盖到隔离栏以外的区域,就会导致乘客并不会严格按照隔离栏的顺序进行排队候检。在候检过程中,熟悉的人之间距离会比陌生人近一些,陌生人之间会存在一定的心理距离,这样就导致站外直接关联区域的最大阈值会和理论数据发生偏差,可利用队形因素系数a1进行修正,其取值范围为1.1≤a1≤1.25。
对于不同类型的站点,乘客构成会有所差别。乘客中携带大件行李或购物手拉车时也会挤占站外直接关联区域内乘客空间,可以用代运系数a2来修正其挤占的区域。a2的取值通常需要根据不同站点的客流特征决定,按照乘客携带大件行李的比例x来计算a2的取值,其计算公式为:
a2=1/1+x
计算公式中,Sp表示单个乘客占地面积。在乘客排队候检过程中,乘客之间会保持一定的心理距离,在计算乘客个体占地面积时需要加入心里距离。其计算公式为:
Sp=(bs+bx)×(ds+dx)
式中,bs表示乘客肩膀宽度,bx表示乘客左右心理距离,ds表示乘客身体厚度,ds表示乘客前后心理距离。
根据站点的实际布局,地铁站点站外直接关联区域的阈值计算方法为:
Qmax=a·Se/Sp
a=a1×a2
a2=1/1+x
Sp=(bs+bx)×(ds+dx)
(2)地铁站外关联区域客流估计算法
(2.1)深度残差网络概念
理想情况下,当已知客流池输入和输出时,只需将每一采样周期对应的输入和输出进行迭代,即可获得客流池的客流数量即站外关联区域客流数量。在实际应用中,由于输入和输出需要依靠ARIMA模型进行估计,在迭代过程中容易产生累计误差,在后续的计算中使对站外直接关联区域的客流估计误差不断增大,严重影响模型精度。
为了抵消迭代过程中的累计误差对后续客流估计的影响,本发明引入在图像处理过程中,为保障模型精度不受网络迭代的影响而建立的深度残差网络(Deep ResidualNetwork)的思想。残差网络(ResNet)允许逐层深入表征所有模型,使前馈式/反向传播算法顺利进行,拥有较强的表征能力、优化能力和归纳能力。
深度残差网络假设存在一个浅层网络(Shallow Net)已达到饱和准确率,此时在浅层网络后加入恒等映射层(Identity Mapping),这样不但增加了网络深度,还不会增加误差。深度残差网络引入了残差网络结构(Residual Network),每一次残差学习都会对应一个构建单元,通过残差网络结构可以加深网络训练层次,并且能够保障误差处于置信区间以内。
(2.2)关联区域客流深度残差网络
针对地铁站外关联区域的客流,假设yT是一个通过若干堆叠的网络层进行映射关系的拟合,Q(T)表示T时刻客流池估计值,用qT表示T时刻客流池估误差输入。多层非线性层次可以逐渐逼近某个复杂函数的假设等价于它可以渐进的逼近残差函数,即Q(T)+qT(假设输入和输出属于相同维度),则新的逼近函数可以表达为Q(T)+qT。
对迭代过程中的每组网络层采用残差学习,可以表现为以下形式:
yT=h(qT)+Q(qT)
qT=f(yT)
其中h(qT)为一个恒等映射,f(yT)为激活函数。由于h(q)和f(y)都是恒等映射,即h(qT)=qT,f(yT)=yT,在对深度残差网络进行训练中的前项和反向传播阶段,信号可从一个单元传递到另一单元,使训练更加简单且不失真。此时,上述公式可表达为:
qT+1=qT+Q(T)+qT
通过递归,可以得到任意深层次单元T的特征表达:
构建深度残差网络降低模型退化程度的算法流程示意图如图4所示:
该表达的优良特性表现在:对任意深的单元T的特征qT可以表达为浅层单元t的特征加上形如的残差函数,表明了任意单元T和t之间都具有残差特性,在训练残差网络过程中可以提高模型精度,降低累计误差对后续客流估计的影响。
(3)实例分析
(3.1)八角游乐园地铁站到站客流估计
1.步行客流估计模型
Step1:数据预处理
对八角游乐园地铁站B进站口的交通流量进行实时监测,时间从早6:50至9:00,时间间隔为5分钟,采样连续十周周一的交通流量,根据不同交通方式划分共得到1040个样本数据。根据前九天的数据进行模型建立,用最后一组数据进行估计检验。为了消除数据以外的随机客流对采样数据的干扰,采用小波技术对原始采样数据进行消噪处理。
Step2:模型结构识别
经观察,步行客流所形成的时间序列呈现非平稳状态,为识别模型结构,首先应对其序列进行一阶差分,差分得到的自相关函数及偏自相关函数如表1所示。在对原始数据进行差分时,通常差分项数达到10后,目标函数开始收敛,所以通常情况下在进行差分时,最多差分项数为10。
表1差分结果
计算得到原始数据的自相关函数值以及偏自相关函数值后,通过观察其对应项数的函数值确定客流估计模型的参数取值范围。
Step3:参数估计
从计算结果以看出,偏自相关函数的前三项明显不是0,由此可以确定ARIMA模型中的p=3。而图表中自相关函数的第一项不为0,且第二、三项处于置信区间以内。为了使q的取值更加全面,q可以取[1,3]。对于p,q不同的组合值,根据AIC判断标准,计算各组合的AIC值,见表2。
表2AIC计算值
用所建模型对前九天的数据进行拟合,将经AIC确定后的参数带入模型中建立步行客流的ARIMA模型。
Step4:模型检验
根据所建立的模型,对最后一天的数据进行检验,表3列出了估计值以及实测值,及其相对误差,可以看出精度已经相对较高。在整体客流估计过程中,有个别时间点精度有所下降,可以通过更多的海量历史数据来不断完善模型,提高模型的估计精度。
表3相对误差结果
Step5:验证小波去噪结果
在应用ARIMA模型对客流进行估计的过程中,为验证小波技术对模型的影响,应将未进行去噪的原始数据带入ARIMA模型进行参数验证,之后对比小波技术对模型输出的影响,其结果如下表4所示:
表4验证去噪效果
对经数据处理后的预测值和未进行数据处理的预测值的相对误差数据进行对比。
结果显示,未经小波去噪的估计值有个别点偏离实测值较多,且偏离程度较大,而经小波去噪后各时间节点相对误差几乎都处于置信区间15%以内,明显提高了客流估计的精度。
2.自行车客流估计模型
Step1:数据预处理
Step2:模型结构识别
从自行车步行客流变化趋势可以看出,自行车客流所形成的时间序列呈现非平稳状态。为识别模型结构,首先应对客流数据进行一阶差分,差分得到的自相关函数及偏自相关函数如表5所示。在对原始数据进行差分时,通常差分项数达到10后,目标函数开始收敛,所以通常情况下在进行差分时,最多差分项数为10。
表5模型计算
通过计算原始客流数据的自相关函数值以及偏自相关函数值,观察其分解项数所对应的函数值,标定客流估计模型的参数取值范围。
Step3:参数估计
从表中计算结果显示,偏自相关函数前三项明显不为0,由此判断ARIMA模型参数的p=3。而图表中自相关函数的第一项明显不为0,且第二第三项处于置信区间以内。为了使q的取值更加全面,q可以取[1,3]。对于p,q不同的组合值,根据AIC判断标准,计算各组合的AIC值,见表6。同样选择AIC值较小的一组作为模型参数。
表6AIC计算结果
Step4:模型检验
根据所建立的模型,对最后一天的数据进行检验,表7列出了估计值以及实测值,及其相对误差,可以看出精度已经相对较高。
表7模型检验
Step5:验证小波去噪结果
应用ARIMA模型对客流进行估计的过程中,为验证小波技术对模型的影响,应将未进行去噪的原始数据带入ARIMA模型进行参数验证,之后对比小波技术对模型输出的影响,其结果如下表8所示。
表8相对误差对比
结果显示,未经小波去噪的估计值有个别点偏离实测值较多,且偏离程度较大,而经小波去噪后各时间节点相对误差相对收敛,明显提高了客流估计的精度。
3.公交客流估计模型
Step1:数据预处理
Step2:模型结构识别
对客流序列进行一阶差分,计算结果如表9所示。计算得到原始数据的自相关函数值以及偏自相关函数值后,通过观察其对应项数的函数值确定客流估计模型的参数取值范围。
表9
Step3:参数估计
计算结果显示,偏自相关函数的前三项明显不是0,由此可以确定ARIMA模型中的p=3。而图表中自相关函数的第一项明显不为0,且第二第三项处于置信区间以内。为了使q的取值更加全面,q可以取[1,3]。对于p,q不同的组合值,根据AIC判断标准,计算各组合的AIC值,见表10。
表10AIC结果
计算得到的参数值带入ARIMA模型,从而建立公交车客流的ARIMA模型,之后根据前九天的实际数据对第十天的数据进行预测。
Step4:模型检验
根据所建立的模型,对最后一天的数据进行检验,表11列出了估计值以及实测值,及其相对误差,可以看出精度已经相对较高。
表11预测相对误差
Step5:验证小波去噪结果
在应用ARIMA模型对客流进行估计的过程中,为验证小波技术对模型的影响,应将未进行去噪的原始数据带入ARIMA模型进行参数验证,之后对比小波技术对模型输出的影响,其结果如下表12所示:
表12相对误差对比
结果显示,未经小波去噪的估计值有个别点偏离实测值较多,且偏离程度较大,而经数据处理后各时间节点相对误差收敛很多,明显提高了客流估计的精度。
(3.2)八角游乐园地铁站外关联区域阈值
计算站外直接关联区域客流阈值的计算公式为:
Qmax=a·Se/Sp
a=a1×a2
a2=1/1+x
Sp=(bs+bx)×(ds+dx)
a系数由a1和a2共同决定,根据八角游乐园地铁站的实际调研,早高峰期间乘客由于通勤习惯相识度不高,a1可取值1.15。早高峰期间通勤客流占大多数,携带大件行李的乘客大约只占5%,因此a2取值为0.95。经计算a取值为1.09。
计算得到八角游乐园地铁站直接关联区域半径为109.2米,以安检设备为圆心,109.2米以为的区域为地铁站点直接关联区域。由于站外关联区域覆盖绿化设施、快速路等公共设施,在计算站点直接关联区域面积时应去除这些公共设施的面积。根据现场实际调研情况,对直接关联区域进行测量,得到其站外关联区域有效面积为Se=684。
国内地铁客流体征参数主要依照中国香港及日本的调研数据。在计算乘客占地面积时,个体厚度平均值为0.24米,平均肩宽为0.45米。人与人心理距离取值一般为0.15至0.25之间,为遵循最安全原则,本发明的心理距离取值为0.25米。计算得到Sp=0.343。
经计算,八角游乐园地铁站直接关联区域最大客流阈值约为Qmax=2059,在站外关联区域客流最大阈值约为2059人。
(3.3)八角游乐园地铁站外关联区域客流估计模型
在对八角游乐园地铁站外关联区域客流进行估计时,采样时间为早高峰期间6:50至9:00,站点为控制乘客进站时间,通过延长进展隔离栏长度在7:00至8:30期间进行常态限流。在早高峰期间,地铁安检处以最大通行能力进行安检,经实地考核,该站点需检包的安检通道最大通行能力为g(t)l=160人/5min,不需检包的安检通道最大通行能力为g(t)nl=200人/5min,且两种安检通道各只开一个即模型中m=n=1。早高峰期间安检通道以最大通行能力进行安检,即客流池的流出客流速率固定。
由于三种交通方式都涵盖在了站外直接关联区域以内,无需再对三种客流进入客流池的时间进行改变,对不同交通方式到达站点的速率进行叠加即为客流池的输入速率。
则T时刻八角游乐园地铁站外关联区域的客流估计模型为:
f(t)=f(t)walk+f(t)bike+f(t)bus
g(t)=g(t)l+g(t)nl
在训练迭代过程中出现的误差时,选择用前九天的调研数据训练残差,并对最后一天的实际客流进行预测。
(3.4)八角游乐园地铁站外关联区域客流预警
在对地铁站外关联区域客流估计并进行预警的过程中,关联区域内客流变化情况是唯一的决定性指标。短时客流预警作为一种预警***,具有预见、警示、决策建议功能。为即将出现的高峰期客流等情况作出预警,为站点客流控制提供理论依据,提高站点运营效率。为了反映预警情况,将警情分为红色、黄色、绿色[53],三种颜色分别代表不同情况下站外关联区域客流分布情况,对警度进行划分时,可以根据站点特征进行确定。
八角游乐园地铁站点为了延长高峰期客流进站时间,延长了站外的隔离栏长度。
由于乘客在隔离栏内行走,需要按照隔离栏引导方向行走,在计算隔离栏区域的阈值时,不用再考虑乘客间左右的心理距离,仅计算前后心理距离即可,计算得到最大客容量为Qmax=1541.08。
经计算,隔离栏区域最大容纳客流的阈值约占站外关联区域客流阈值的七成左右,为确定车站预警级别,需要对车站预警级别进行人为划分。当站外关联区域客流数量小于隔离栏区域最大容客阈值时,定义此时预警警情为绿色;当站外关联区域客流数量大于隔离栏区域最大阈值而小于站外关联区域最大容客阈值时,定义此时预警警情为黄色;当站外关联区域客流数量大于站外关联区域最大容客阈值时,定义此时预警警情为红色。根据对站外关联区域客流的估计结果,对站点进行警情判断,如表13所示:
表13站点预警情况
预警结果可以看出,以上时间段内客流量都不会超出隔离栏处最大容客量阈值,也不会超出站外关联区域最大容客量阈值。说明在早高峰期间八角游乐园地铁站设置延长的隔离栏对其客流起到了引导作用,保障了地铁运营的安全。
对地铁站点关联区域客流状况的预警,为地铁运营管理提供了理论依据,为后续站外关联区域的客流控制提供了指导。
Claims (1)
1.一种地铁站外关联区域客流估计方法,其特征在于,该方法包括如下步骤:
(1)数据预处理并根据客流特征确定客流池的输入
首先对客流池客流流入速率f(t)进行数据归一化和小波去噪,然后对处理后的数据进行白噪声检验,当f(t)属于白噪声序列时,序列中不存在需提取的时间规律,不采用f(t)作为客流池的输入;若f(t)不属于白噪声序列,采用f(t)作为客流池的输入;
(2)计算地铁站外关联区域客流阈值
在站点关联区域内最大容纳客流数量Qmax计算方法为
Qmax=a·Se/Sp
a=a1×a2
a2=1/1+x
Sp=(bs+bx)×(ds+dx)
其中,a表示客容量系数,Se表示站外直接关联区域的有效面积,Sp表示乘客个体占地面积,a1表示队形因素系数;a2表示代运系数,x表示乘客携带大件行李的比例,Sp表示单个乘客占地面积,bs表示乘客肩膀宽度,bx表示乘客左右心理距离,ds表示乘客身体厚度,ds表示乘客前后心理距离;
(3)确定地铁站外关联区域客流估计模型
模型中,
f(t)=f(t)walk+f(t)bike+f(t)bus
g(t)=n(g(t)l+gp)+m(g(t)nl+gp)
式中,Q(T)表示当前T时刻客流池内客流数量,f(t)表示客流池客流流入速率,g(t)表示客流池客流流出速率,Qmax表示在站点关联区域内最大容纳客流数量,f(t)walk表示客流池步行客流流入速率,f(t)bike表示客流池自行车客流流入速率,f(t)bus表示客流池公交车客流流入速率,g(t)l为有包乘客安检通道通行速率,g(t)nl为无包乘客安检通道通行速率,n为有包乘客安检通道个数,m为无包乘客安检通道个数,gp表示地铁工作人员对乘客的安全检查所耗费的速率;
(4)将每一采样周期对应的输入和输出进行迭代,建立深度残差网络,对迭代过程中的每组网络层采用残差学习,最后获得客流池的客流数量;
所述步骤(4)中建立深度残差网络的具体方式为:
对迭代过程中的每组网络层采用残差学习:
yT=h(qT)+Q(T)+qT
qT=f(yT)
其中,yT为一个通过若干堆叠的网络层进行映射关系的拟合,h(qT)为一个恒等映射,Q(T)表示T时刻客流池估计值,qT表示T时刻客流池估误差输入,f(yT)为激活函数;
通过递归,得到任意深层次单元T的特征表达:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810567313.3A CN108805347B (zh) | 2018-06-05 | 2018-06-05 | 基于客流池的地铁站外关联区域客流估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810567313.3A CN108805347B (zh) | 2018-06-05 | 2018-06-05 | 基于客流池的地铁站外关联区域客流估计方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108805347A CN108805347A (zh) | 2018-11-13 |
CN108805347B true CN108805347B (zh) | 2021-11-23 |
Family
ID=64088675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810567313.3A Active CN108805347B (zh) | 2018-06-05 | 2018-06-05 | 基于客流池的地铁站外关联区域客流估计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108805347B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109695215A (zh) * | 2018-12-29 | 2019-04-30 | 大连交通大学 | 安检自动限流***和限流方法 |
CN111815937B (zh) * | 2019-11-22 | 2022-01-04 | 北京嘀嘀无限科技发展有限公司 | 用于超停车辆调度的控制方法、装置、存储介质和电子设备 |
CN112906179B (zh) * | 2020-11-27 | 2022-04-19 | 西南交通大学 | 一种基于流体排队网络的城市轨道交通客流控制优化方法 |
CN113065701B (zh) * | 2021-03-30 | 2023-10-31 | 重庆交通职业学院 | 一种轨道交通客流量智能预测方法和装置 |
CN113628432B (zh) * | 2021-10-13 | 2022-01-04 | 中通服建设有限公司 | 地铁人流限流的智能预警*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105279572A (zh) * | 2015-09-16 | 2016-01-27 | 北京城建设计发展集团股份有限公司 | 城市轨道交通客流密集度指数计算与发布*** |
CN106295854A (zh) * | 2016-07-28 | 2017-01-04 | 中国民用航空总局第二研究所 | 用于分析机场安检区的旅客到达的数据处理方法及装置 |
CN106875314A (zh) * | 2017-01-31 | 2017-06-20 | 东南大学 | 一种城市轨道交通线网客流od动态估计方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170109764A1 (en) * | 2015-10-19 | 2017-04-20 | Xerox Corporation | System and method for mobility demand modeling using geographical data |
-
2018
- 2018-06-05 CN CN201810567313.3A patent/CN108805347B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105279572A (zh) * | 2015-09-16 | 2016-01-27 | 北京城建设计发展集团股份有限公司 | 城市轨道交通客流密集度指数计算与发布*** |
CN106295854A (zh) * | 2016-07-28 | 2017-01-04 | 中国民用航空总局第二研究所 | 用于分析机场安检区的旅客到达的数据处理方法及装置 |
CN106875314A (zh) * | 2017-01-31 | 2017-06-20 | 东南大学 | 一种城市轨道交通线网客流od动态估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108805347A (zh) | 2018-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805347B (zh) | 基于客流池的地铁站外关联区域客流估计方法 | |
CN105404850B (zh) | 车站客流监测***、车站客流监测方法及车站客流管控***、车站客流管控方法 | |
CN110070713B (zh) | 一种基于双向嵌套lstm神经网络的交通流预测方法 | |
CN114783183B (zh) | 一种基于交通态势算法的监控方法与*** | |
CN104778837A (zh) | 一种道路交通运行态势多时间尺度预测方法 | |
CN106779429B (zh) | 基于afc刷卡数据的轨道换乘站点客流拥塞风险评价方法 | |
CN108665191B (zh) | 基于聚集效应的地铁站外关联区域计算方法 | |
CN111063204B (zh) | 一种基于收费站流量的高速公路车速预测模型训练方法 | |
CN110299011A (zh) | 一种基于收费数据的高速公路任意断面的交通流预测方法 | |
CN104732286A (zh) | 一种城市轨道交通车站安全态势感知方法 | |
CN102324128A (zh) | 基于ic卡记录的公交站间od客流预测方法及装置 | |
CN107767011B (zh) | 一种轨道车站行人特性采集***和服务水平动态评价方法 | |
CN108922168B (zh) | 一种中观层面事故多发道路判别的方法 | |
CN108364464B (zh) | 一种基于概率模型的公交车辆旅行时间建模方法 | |
CN110220725A (zh) | 一种基于深度学习与bp集成的地铁车轮健康状态预测方法 | |
CN115527369B (zh) | 一种空港枢纽大面积延误条件下的大客流预警与疏散方法 | |
CN109308343A (zh) | 一种基于随机波动模型的行程时间预测及可靠性度量方法 | |
CN112767684A (zh) | 一种基于收费数据的高速公路交通拥堵检测方法 | |
CN107978148A (zh) | 一种基于多源交通数据动态可靠性的交通状态预测方法 | |
Haputhanthri et al. | Short-term traffic forecasting using LSTM-based deep learning models | |
CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 | |
CN116597642A (zh) | 一种交通拥堵状况的预测方法及*** | |
Khetarpaul et al. | Bus arrival time prediction using a modified amalgamation of fuzzy clustering and neural network on spatio-temporal data | |
CN116523093A (zh) | 基于随机源荷预测的能源***的网格需求感知***及方法 | |
CN103793761B (zh) | 一种枢纽异常客流量产生因素的识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |