地鐵項目階段工作v0

1、城軌線網(wǎng)客流時空相關(guān)性摘要目前多數(shù)客流方法僅利用目標站點客流的歷史數(shù)據(jù)，未利用線路和線網(wǎng)其它相關(guān)站點的客流數(shù)據(jù)，結(jié)果未能表達站點之間客流數(shù)據(jù)的空間相關(guān)性。針對城軌線網(wǎng)車站的客流，本文提出一種基于神經(jīng)網(wǎng)絡(luò)算法時空相關(guān)性的預(yù)測模型，模型輸入由兩部分組成，其一，當前車站的歷史數(shù)據(jù)，其二，其它相關(guān)車站的時空數(shù)據(jù)；模型輸出即為所的客流量。利用 Pearson 算法，分析當前站點客流數(shù)據(jù)的時間相關(guān)性，提取相關(guān)性較大的時段的數(shù)據(jù)作為歷史數(shù)據(jù)。提出兩層的時空數(shù)據(jù)構(gòu)建方法：1）利用 Pearson 算法，分析當前站點與本線路其它站點、當前站點與交叉線路站點的空間相關(guān)性；2）提取與當前車站空間相關(guān)性較高的車站，計

2、算時間相關(guān)性；3）提取相關(guān)性較高的時間段客流數(shù)據(jù)作為時空數(shù)據(jù)。實驗基于廣州城軌 2 號線和 8 號線的分時客流數(shù)據(jù)，成網(wǎng)條件下 2模型對實際客號線三元里車站的出站客流量。實驗結(jié)果表明本文時空流數(shù)據(jù)的擬合精度優(yōu)于時間模型。：城軌線網(wǎng)、相關(guān)性分析、客流、神經(jīng)網(wǎng)絡(luò)引言(城軌的發(fā)展狀況)近年來，由于進程不斷加快，城軌線網(wǎng)規(guī)模的繼續(xù)擴大、網(wǎng)絡(luò)結(jié)構(gòu)不斷復(fù)雜，勢必引起軌道交通線網(wǎng)的客流時空分布發(fā)生巨大的變化。而城市軌道交通最明顯的特征就是客流變化的時變性。(線網(wǎng)的作用) 線網(wǎng)的功能是統(tǒng)籌和綜合管理線路，對能源進行集中管理，提供應(yīng)急指揮功能，協(xié)調(diào)各線路運力。 (客流按波動調(diào)整，將會造成的意義) 城軌運力安排不

3、當，列車運行頻率如不能擁擠、平峰浪費的運營低效。針對客流序列的特征趨勢及影響，構(gòu)建適合我國城市軌道交通客流的模型方法，科學有效的獲得軌道交通系統(tǒng)中各線路流量、進出站量，對滿足居民的出行需求、軌道交通的管理決策具有重要的現(xiàn)實意義和社會經(jīng)濟價值1。（目前方法）雖然軌道交通日益復(fù)雜化，但目前的客流問題都基于單一車站的客流，根據(jù)該車站的歷史客流數(shù)據(jù)進行。（缺陷）現(xiàn)有方法明顯忽略網(wǎng)絡(luò)化運營情況下線網(wǎng)中的車站之間的相互影響，導(dǎo)致在進行客流時忽視空間相關(guān)性，拉低了的擬合精度。（方法的特點）線網(wǎng)不同與線路，線網(wǎng)的客流錯綜復(fù)雜，車站之間相互影響。（別人的工作，解決了什么，有什么不足）等人2利方法進行大量的。Ch

4、en目前，國內(nèi)外學者對交通的客流用-黃轉(zhuǎn)換方法對臺北捷運的客流數(shù)據(jù)進行分析，該方法充分考慮了軌道交通客流的時變特征，有效解決客流數(shù)據(jù)的非線性、復(fù)雜性問題，但該方3法仍僅限于將站點視為獨立的點進行，未能擴展至軌道交通路網(wǎng)?？紤]了大型活動對城軌客流的影響，通過分析潛在的大客流時間點，對五棵松車站的客流使用灰色進行分類，得到預(yù)設(shè)時間段的出站客流量，其存4利用了路網(wǎng)模型，并在這在的問題是灰色算法對實際客流量的擬合精度較低。的空間信息，提出了一種基于時空依賴性的區(qū)域路網(wǎng)短時客流基礎(chǔ)上利用時空自回歸差分移動平均模型未來路網(wǎng)的客流數(shù)據(jù)。該模型充分考慮了路網(wǎng)的空間相關(guān)性，且效果優(yōu)于時間模型。不過該模型是針對公

5、路交通流的特征，對軌道交通客流沒有適用性。（自己方法的意義）當前城市軌道交通領(lǐng)域客流方法僅針對客流的時變特征進行分析和預(yù)測，將車站視為一系列孤立的點，未能體現(xiàn)在網(wǎng)絡(luò)化運營條件下相關(guān)車站客流量對車站的影響。而本文時空相關(guān)性客流模型從城軌網(wǎng)絡(luò)化運營的角度考慮線網(wǎng)車站的客流問題。在該模型中，輸入由兩部分組成，其一，當前車站的歷史數(shù)據(jù)，其二，其它相關(guān)車站的時空數(shù)據(jù)；模型輸出即為所的客流量。利用 Pearson 算法，分析當前站點客流數(shù)據(jù)的時間相關(guān)性，提取相關(guān)性較大的時段的數(shù)據(jù)作為歷史數(shù)據(jù)。提出兩層的時空數(shù)據(jù)構(gòu)建方法：1) 利用 Pearson算法，分析當前站點與本線路其它站點、當前站點與交叉線路站點的

6、空間相關(guān)性；2) 提取與當前車站空間相關(guān)性較高的車站，計算時間相關(guān)性；3) 提取相關(guān)性較高的時間段數(shù)據(jù)作為時空數(shù)據(jù)。 利用 Elman 神經(jīng)網(wǎng)絡(luò)建立模型，并使用該模型對城軌線網(wǎng)的客流進行。1 客流數(shù)據(jù)的特點城市軌道交通客流量指在時間內(nèi)城軌線的旅客流向方向和人數(shù)的總和。城市軌道交通的客流具有一定的時序特征，即客流量會隨著時間的變化規(guī)律而變化，其中最明顯的是客流量以周期，在每一周有相似的客流變化趨勢。但是客流又會受到其它的影響，導(dǎo)致每個周期內(nèi)的客流的變化不盡相同，使之具有一定的非平衡的趨勢特征?？土魇莿討B(tài)變化的，對實際客流數(shù)據(jù)進行分析和統(tǒng)計，了解客流在時間、空間上的變化規(guī)律，根據(jù)得到的變化規(guī)律對已

7、建成的線路來編址和調(diào)整行車計劃，從而使發(fā)車間隔、行車調(diào)度更符合客流變化規(guī)律，取得運力和運量的平衡，為乘客提供更好的乘車條件。城市軌道交通的線路固定，并與其它交通方式相互分離，較少受到外界的干擾，且列車運行時間固定。隨著城市交通壓力的增大而越來越復(fù)雜，客流量也隨著時間的不斷變化而變化。為了反映客流的這種變化情況，得到較為準確的結(jié)果。在進行客流前，首先應(yīng)該掌握客流的時序特征及變化趨勢。對于城軌線網(wǎng)客流短期來說，歷史客流量的統(tǒng)計分析，是有針對性地提出方結(jié)果的前提基礎(chǔ)。例如，廣州城軌 2 號線案、改進方法及得到較為準確的三元里站的客流如圖 1 所示。30002500200015001000三元里站 1

8、5分鐘入站客流 三元里站 15分鐘出站客流5000圖 1三元里站分時客流通過對圖 1 三元里站的歷史客流數(shù)據(jù)進行分析，可以從中發(fā)現(xiàn)該車站的客流2014/2/23 0:82014/2/23 11:112014/2/23 22:142014/2/24 9:162014/2/24 20:192014/2/25 7:212014/2/25 18:242014/2/26 5:272014/2/26 16:292014/2/27 3:322014/2/27 14:352014/2/28 1:372014/2/28 12:402014/2/28 23:422014/3/1 10:452014/3/1 21:

9、482014/3/2 8:502014/3/2 19:532014/3/3 6:562014/3/3 17:582014/3/4 5:12014/3/4 16:42014/3/5 3:62014/3/5 14:92014/3/6 1:11具有如下特征：（1）周間特征。在不考慮節(jié)假日客流的情況下，客流量以一個周期，每個周期內(nèi)的客流變化規(guī)律相似。每周客流的變化趨勢和客流量大體相同，每周同一天對應(yīng)的客流趨勢相差不大。（2）特征。一般情況下，每周五的客流量最大，是一周客流的最，其它工作日的客流量相對較為平均，而周末的客流量最小，為該周的客流低谷。如前所述，每周的平均客流量變化不大，但具體到每周的各天其

10、客流變化還是存在較大的波動。（3）日內(nèi)特征。根據(jù)不同的用地類型，天內(nèi)的變化特征各不相同。對于商業(yè)用地，工作日存在明顯的早和晚。根據(jù)社會工作時間和的不同，早一般存在于上班時間段內(nèi)，而晚一般存在下班時間段內(nèi)。2 客流模型的設(shè)計和實現(xiàn)為較好地對城軌線網(wǎng)客流進行分析和，本文以相關(guān)性Elman 神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，結(jié)合軌道交通客流的業(yè)務(wù)需要，提出一種客流時空相關(guān)性的客流模型。本文模型流程如圖 2 所示。圖 2 客流模型訓(xùn)練及流程其中時間及空間相關(guān)性分析城軌車站客流的時間及空間相關(guān)程度并從中尋相關(guān)性分析階段訓(xùn)練階段階段構(gòu)建訓(xùn)練向量結(jié)束時間相關(guān)性分析生成模型輸出結(jié)果空間相關(guān)性分析計算相對誤差客流數(shù)據(jù)的處理確定模

11、型輸入向量確定時段Elman 網(wǎng)絡(luò)輸入并進行訓(xùn)練開始找對車站的客流量影響較大的車站歷史數(shù)據(jù)及其它相關(guān)車站的時空數(shù)據(jù)，而Elman 神經(jīng)網(wǎng)絡(luò)結(jié)合客流時序變化的特點，適用于時序變化的問題。2.1 客流時空相關(guān)性分析在確定 Elman 神經(jīng)網(wǎng)絡(luò)的輸入輸出向量時，需要考慮各個輸入向量與輸出向量之間的相關(guān)系數(shù)，以確定輸入向量與輸出向量是否相關(guān)，從而確定是否能夠從輸入向量的變化反映出輸出向量的變化。常見的相關(guān)系數(shù)有 Pearson 相關(guān)系數(shù)(積差相關(guān)系數(shù))、Gamma 相關(guān)系數(shù)、Kendalls Tau-b 相關(guān)系數(shù)、Spearman 相關(guān)系數(shù)等。這里選用 Pearson 相關(guān)系數(shù)，Pearson 相關(guān)系

12、數(shù)又稱積差相關(guān)系數(shù)。Pearson 相關(guān)系數(shù)描述兩個隨yi 之間的線性相關(guān)程度的強弱，它通過下面的公式計算：量 xi 和N xiyi xi yir = N x2 ( xi)2 N y2 ( yi)2ii相關(guān)系數(shù) r 的絕對值越大，相關(guān)性越強。相關(guān)系數(shù)越接近于 1 或-1，相關(guān)度越強，相關(guān)系數(shù)越接近于 0，相關(guān)度越弱。通過對上節(jié)的軌道交通分時客流特點進行分析，可以得到軌道交通車站的短時出站客流在時間上呈現(xiàn)一定的規(guī)律性的變化。根據(jù)廣州軌道交通三元里站的歷史客流數(shù)據(jù)得到圖 3。圖 3a天內(nèi)客流量相關(guān)關(guān)系圖 3b 周間客流量相關(guān)關(guān)系圖 3 客流量的時間相關(guān)關(guān)系(時間段粒度：15 分鐘)圖 3 表明三元

13、里站的當前時刻客流量相對于前一時刻客流量及本周當前時刻客流量相對于前一周當前時刻客流量的關(guān)系，從圖 3 中可以看出明顯的線性關(guān)系。因此，從時間維度考慮，同一車站的客流量在全日運營時段分布規(guī)律具有相對穩(wěn)定的特征，且與上周同一日期類型的客流規(guī)律類似。因此在分析車站客流時間相關(guān)性時，需要考慮兩部分的歷史客流：其一為時間段的前幾個時間段的該車站客流量；其二為歷史客流為上一周相同日期類型的時間段的該車站客流量及時間段前后幾個時間段的車站客流量。通過分析 2014 年 2 月至 3 月的廣州軌道交通二、八號線的出站客流數(shù)據(jù)，構(gòu)建出站客流向量。選擇三元里地鐵站作為站點，通過 Pearson 相關(guān)系數(shù)計算該站

14、客流相關(guān)性及周間客流量相關(guān)性，得到相關(guān)性系數(shù)分別如表 1 所示。表 1 三元里站客流量相關(guān)性關(guān)系由表 1 可知，當前時間段的出站客流量與前一時間段的客流量有很強的相關(guān)性，為 0.975，隨著時段的向前推移，相關(guān)性逐漸減小，但依然有一定的相關(guān)性，故在這分析結(jié)果基礎(chǔ)上選擇相關(guān)性系數(shù)大于 0.930 的出站客流作為當前車站的歷史數(shù)據(jù)的輸入向量。同時，軌道交通線網(wǎng)由不同空間位置上的車站組成。每個車站的客流規(guī)律是不同的，但由于線路存在交叉，因此車站都會受到線路或交叉線的車站的客流的影響。根據(jù)廣州軌道交通二、八號線的歷史客流數(shù)據(jù)，得到下圖 4，該圖表明了三元里站的客流量相對于中大站的客流量的關(guān)系，從圖中也

15、可以看出明顯的線性關(guān)系。因此為了目標站點的出站客流量，通過將其與線網(wǎng)中的其它車站的進站客流進行相關(guān)性分析，得到客流相關(guān)度較大的車站，并對這些車站使用上述的時間相關(guān)性分析，得到對應(yīng)車站相關(guān)度較大的客流時段。三元里客流量相關(guān)關(guān)系出站客流量相關(guān)性前四時間段（15 分鐘）0.7891前三時間段（15 分鐘）0.8647前二時間段（15 分鐘）0.9300前一時間段（15 分鐘）0.9757當前時間段（15 分鐘）1.0上二時間段（15 分鐘）0.9279上一時間段（15 分鐘）0.9679上周同一時間段（15 分鐘）0.9773上周后一時間段（15 分鐘）0.9547上周后二時間段（15 分鐘）0.9

16、097圖 4 客流量的空間相關(guān)關(guān)系(時間段粒度：15 分鐘)通過獲取其它車站的客流向量，分析向量之間的 Pearson 相關(guān)系數(shù)，得到車站相關(guān)系數(shù)結(jié)果如下圖 5 所示。圖 5站間相關(guān)系數(shù)根據(jù)圖 5 的站間相關(guān)系數(shù)，選擇相關(guān)系數(shù)大于 0.89 的站點作為相關(guān)站點。故選擇越秀公園、中大、火車站作為相關(guān)站點進行時間相關(guān)性分析，得到相關(guān)車站客流時間相關(guān)性如表 2 所示。表 2 針對三元里車站的基于空間相關(guān)性的時間相關(guān)性根據(jù)表 2 相關(guān)度結(jié)果，取這三個車站的相關(guān)系數(shù)最大的時間段為時空相關(guān)性Pearson 相關(guān)系數(shù)前一時段(15 分鐘)前二時段(15 分鐘)前三時段(15 分鐘)前四時段(15 分鐘)前五

17、時段(15 分鐘)前六時段(15 分鐘)相關(guān) 車站越秀公園0.933020.957670.954400.930240.888040.83217中大0.935260.939560.924350.890710.846720.79608火車站0.915320.914380.897190.865770.833060.79934的輸入。因此在考慮空間相關(guān)性時，選擇越秀公園前二時段、中大前二時段及火車站前一時段的客流量作為其它相關(guān)車站的時空數(shù)據(jù)。2.2 Elman 神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)方法利用大量歷史數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型，得到輸入輸出的映出對應(yīng)的值。Elman 神經(jīng)網(wǎng)絡(luò)是一種典射關(guān)系，然后利用給定的輸入值型的

18、動態(tài)神經(jīng)網(wǎng)絡(luò)。相對于常見的靜態(tài)神經(jīng)網(wǎng)絡(luò) BP 神經(jīng)網(wǎng)絡(luò)，它基于 BP 網(wǎng)絡(luò)內(nèi)部狀態(tài)使其具有動態(tài)特性的功能，從而克服了 BP 網(wǎng)絡(luò)為靜態(tài)并通過空間建模的問題。軌道交通客流是按照時間順序排列的數(shù)字序列，這種關(guān)系難以用確定的函數(shù)或方程進行描述。Elman 神經(jīng)網(wǎng)絡(luò)饋網(wǎng)絡(luò)的隱含層添加一個承接層以實現(xiàn)功能，從而使其能反映數(shù)據(jù)的動態(tài)特性。當時，為了識別動態(tài)特征，Elman 網(wǎng)絡(luò)增加了輸入向量的維數(shù)，從而導(dǎo)致了系統(tǒng)的結(jié)構(gòu)復(fù)雜化，降低了收斂速度。Elman 神經(jīng)網(wǎng)絡(luò)一般分為輸入層、隱含層、承接層和輸出層，其一般結(jié)構(gòu)5如圖 6 所示。對比 BP 神經(jīng)網(wǎng)絡(luò)，Elman 網(wǎng)絡(luò)有一個特別的隱含層，稱為承接層。該層從普

19、通的隱含層接受到信息，并通過處理后前向輸出到隱含層。網(wǎng)絡(luò)在某一時段的輸入不僅包含當前的輸入值，同時包含承接層的輸入值，而承接層的輸入值為前一時段隱含層的輸出值。因為它們有這樣一種反饋連接，所以該網(wǎng)絡(luò)被訓(xùn)練后能夠識別基于時間變化的模式。承接層xc(k)W1W3x(k)W2輸出單元隱含層單元輸入單元輸入為u(k-1)輸出為y(k)圖 6 Elman 神經(jīng)網(wǎng)絡(luò)模型假設(shè) u(k)為 Elman 網(wǎng)絡(luò)輸入值，x(k)為隱含層的輸出值，xc(k)為承接層的輸出值，那么 Elman 神經(jīng)網(wǎng)絡(luò)的數(shù)學表達為：x(k) = f(W1xc(k) + W2(u(k 1)xc(k) = x(k 1)y(k) = g(W

20、3x(k)其中， W1、W2、W3分別為承接層神經(jīng)單元到隱含層神經(jīng)單元的連接權(quán)重矩陣、輸入層神經(jīng)單元到隱含層神經(jīng)單元的連接權(quán)重矩陣、隱含層神經(jīng)單元到輸出層神經(jīng)單元的連接權(quán)重矩陣。函數(shù) f()為隱含層神經(jīng)單元的傳遞函數(shù)；函數(shù) g()為輸出層神經(jīng)單元的傳遞函數(shù)，是隱含層的線性組合。對于 Elman 神經(jīng)網(wǎng)絡(luò)， 隱藏層節(jié)點數(shù)本文采用如下式來確定， h =in + out + ，( 0 10)。上式中 h、in、out分別表示隱層、輸入層、輸出層的神經(jīng)單元數(shù)。隱含神經(jīng)元的傳遞函數(shù)采曲正切 S 形函數(shù)，輸出層神經(jīng)元的傳遞函數(shù)采用線性函數(shù)。3 實驗分析3.1 實驗數(shù)據(jù)與評價標準本文的實驗數(shù)據(jù)采用廣州市軌道

21、交通二、八號線的車站客流數(shù)據(jù)。到的數(shù)據(jù)共包含廣州軌道交通二、八號線上的 35 個車站的進站客流量和出站客流量。數(shù)據(jù)的間隔為 15min時間段為 2014 年 2 月 23 日到 2014 年 3 月 6 日。采用均誤差(MSE)這種公認的標準評價方法對本文的算法進行評價6。1n2MSE =n(xi xi)i=1其中，x = x1, x2, , xn為實際客流數(shù)據(jù)，x = x1, x2, , xn為對應(yīng)的客流預(yù)測數(shù)據(jù)。3.2 三元里分時客流及結(jié)果分析通過對三元里的出站客流進行分析，從中抽取分時客流數(shù)據(jù)樣本共 379 組。選擇 299 組樣本作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集，余下的 80 組樣本作為測試集。同

22、時，為了加快神經(jīng)網(wǎng)絡(luò)的收斂速度，在神經(jīng)網(wǎng)絡(luò)訓(xùn)練前將客流量歸一化到-1,1區(qū)間內(nèi)7。在僅考慮時間相關(guān)性的情況下，神經(jīng)網(wǎng)絡(luò)模型的輸入層神經(jīng)元數(shù)為 5，分別為上一時段客流量、上周同一時段客流量、上周后一時段客流量、前一時段客流量和前二時段客流量；輸出層神經(jīng)元數(shù)為 1，為目標時段客流量。經(jīng)過多次實驗，隱含層神經(jīng)元數(shù)選擇為 6。采用自適應(yīng)學習速率的動量梯度下降反向算法訓(xùn)練 Elman 神經(jīng)網(wǎng)絡(luò)。經(jīng)過訓(xùn)練之后，度及絕對誤差如圖 7 所示。結(jié)果對測試樣本的擬合程圖 7a 時間相關(guān)性結(jié)果圖 7b結(jié)果與實際值的絕對誤差圖 7 考慮時間相關(guān)性的結(jié)果及絕對誤差在考慮時空相關(guān)性的情況下，神經(jīng)網(wǎng)絡(luò)模型的輸入層神經(jīng)元數(shù)為 8 分別為上一時段客流量、上周同一時段客流量、上周后一時段客流量、前一時段客流量、前二時段客流量、火車站前一時段客流量、中大前一時段客流量和越秀公園前二時段客流量；輸出層神經(jīng)元數(shù)為 1，為目標時段客流量。經(jīng)過多次實驗，隱含層神經(jīng)元數(shù)選擇為 8。采用自適應(yīng)學習速率的動量梯度下降反向算法訓(xùn)練 Elman 神經(jīng)網(wǎng)絡(luò)。經(jīng)過訓(xùn)練之后，差如圖 8 所示。結(jié)果對測試樣本的擬合程度及絕對誤圖 8a 時空相關(guān)性圖 8b結(jié)果結(jié)果與實際值的絕對誤差圖 8 考慮時空相關(guān)性的結(jié)果及絕對誤差通過觀察與分析，采用時空相關(guān)性的 Elman 神經(jīng)網(wǎng)絡(luò)進行車站出站短時客流時，結(jié)果更為準確，同時