基于GRNN神經(jīng)網(wǎng)絡(luò)的地鐵疏散預(yù)警及對(duì)策研究

馬成正　姜秋耘

(1. 柳州鐵道職業(yè)技術(shù)學(xué)院運(yùn)輸管理學(xué)院　廣西柳州　545007； 2. 南京地鐵運(yùn)營有限責(zé)任公司　南京　210012)

?

基于GRNN神經(jīng)網(wǎng)絡(luò)的地鐵疏散預(yù)警及對(duì)策研究

馬成正1姜秋耘2

(1. 柳州鐵道職業(yè)技術(shù)學(xué)院運(yùn)輸管理學(xué)院廣西柳州545007； 2. 南京地鐵運(yùn)營有限責(zé)任公司南京210012)

摘要針對(duì)國內(nèi)地鐵車站客流無序性和突發(fā)性的現(xiàn)狀，提出基于廣義回歸神經(jīng)網(wǎng)絡(luò)GRNN的地鐵車站客流預(yù)警模型。以南京地鐵全線網(wǎng)某時(shí)段客流數(shù)據(jù)為輸入樣本，運(yùn)用GRNN神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練與測(cè)試，得出預(yù)測(cè)數(shù)據(jù)并對(duì)比實(shí)際數(shù)據(jù)進(jìn)行誤差分析。結(jié)果表明：預(yù)測(cè)數(shù)據(jù)擬合，精度可行。將預(yù)測(cè)數(shù)據(jù)與南京地鐵實(shí)時(shí)客流預(yù)警系統(tǒng)相結(jié)合，提出突發(fā)性大客流應(yīng)急情況下的運(yùn)營服務(wù)對(duì)策措施，為地鐵運(yùn)營管理單位避免突發(fā)大客流造成人員踩踏、恐慌等事故提供參考。

關(guān)鍵詞地鐵；神經(jīng)網(wǎng)絡(luò)；誤差分析；客流預(yù)警；對(duì)策

目前,大型城市正逐漸形成以地鐵為骨干、公交為輻射、出租車為補(bǔ)充的公共交通出行方式，其中地鐵又具有準(zhǔn)點(diǎn)、快捷、安全、舒適的獨(dú)特優(yōu)勢(shì)，在追求能耗小、污染少、運(yùn)量大的社會(huì)綜合效益背景下，世界上許多國家都確立了優(yōu)先發(fā)展軌道交通的方針，大量高精尖設(shè)備及工程技術(shù)人員云集在地鐵建設(shè)及運(yùn)營的一線[1-3]。而地鐵車站周邊往往規(guī)劃建設(shè)密集的商場(chǎng)、寫字樓、大型活動(dòng)場(chǎng)館等建筑，極易形成局部大規(guī)?？土鞯耐蝗痪奂c消散。突發(fā)大客流的產(chǎn)生，往往是在較短時(shí)間、較小范圍內(nèi)聚集大量超出車站，尤其是換乘車站運(yùn)輸能力的客流，加之在多線運(yùn)營的地鐵城市，大規(guī)模客流已由簡(jiǎn)單的孤線單站聚散模式向深度網(wǎng)絡(luò)化區(qū)域性聚散模式轉(zhuǎn)變[4-6]。當(dāng)突發(fā)大客流超過車站的

承載能力時(shí)，如疏散不暢，極易形成客流交叉擁堵，甚至產(chǎn)生恐慌性踩踏等安全事故。因此，建立地鐵車站客流預(yù)警機(jī)制，并制訂合理的應(yīng)急疏散和運(yùn)營組織方案，對(duì)保障地鐵運(yùn)營的安全、順暢具有十分重要的意義。

1地鐵車站客流GRNN神經(jīng)網(wǎng)絡(luò)預(yù)警模型

對(duì)于地鐵車站客流預(yù)測(cè)問題，長(zhǎng)期以來地鐵建設(shè)方主要聚焦在線路規(guī)劃咨詢階段，并以此作為城市立體交通網(wǎng)絡(luò)規(guī)劃依據(jù)，而對(duì)于地鐵建成后的運(yùn)營客流預(yù)警較少關(guān)注。

近年來，鑒于地鐵車站相對(duì)密閉狹小的空間特性及全國發(fā)生的若干起影響較大的人員踩踏傷亡事故，引起了地鐵運(yùn)營方及相關(guān)學(xué)者的關(guān)注，開始投入研究地鐵客流預(yù)警模型。其中，主要有時(shí)間序列方法、回歸分析法、事故樹、事件數(shù)、威布爾分布、灰色理論等方法[7]，但這些方法普遍存在人為因素過多，預(yù)警指標(biāo)及事件概率難以確定，以致無法客觀給出預(yù)警結(jié)果;或者需要的數(shù)據(jù)分析存在滯后性，難以運(yùn)用到突發(fā)性的客流預(yù)警當(dāng)中等問題。

廣義回歸神經(jīng)網(wǎng)絡(luò)GRNN作為并行計(jì)算模型的一種，往往不需要精確定義被建模對(duì)象的動(dòng)態(tài)特性參數(shù)及內(nèi)部之間的關(guān)系，只需要給出對(duì)象的輸入/輸出數(shù)據(jù)，通過非線性映射網(wǎng)絡(luò)本身的學(xué)習(xí)功能就可以達(dá)到預(yù)測(cè)或評(píng)估的目的。同時(shí)相比BP、RBF等需要?jiǎng)虞m百次樣本訓(xùn)練、預(yù)測(cè)收斂速度慢的神經(jīng)網(wǎng)絡(luò)模型，廣義回歸神經(jīng)網(wǎng)絡(luò)GRNN在聚類分析能力、數(shù)據(jù)擬合能力及樣本學(xué)習(xí)速度上有著較大的優(yōu)勢(shì)。GRNN模型結(jié)構(gòu)如圖1所示。

圖1　GRNN模型結(jié)構(gòu)

網(wǎng)絡(luò)的第一層為徑向基隱含層，該層的權(quán)值函數(shù)(‖dist‖)為歐氏距離函數(shù)，用于計(jì)算網(wǎng)絡(luò)輸入與第一層的權(quán)值IW1,1之間的距離，b1為隱含層的閾值。采用高斯函數(shù)作為網(wǎng)絡(luò)隱含層的傳遞函數(shù)[8]：

網(wǎng)絡(luò)的第二層為線性輸出層，其權(quán)函數(shù)(nprod)為規(guī)范化點(diǎn)積權(quán)函數(shù)。通過計(jì)算網(wǎng)絡(luò)的向量n2，并將結(jié)果n2提供給線性傳遞函數(shù)a2=pureline(n2)，計(jì)算網(wǎng)絡(luò)輸出[8]。

一周內(nèi)工作日、雙休日車站運(yùn)營時(shí)段的客流分布具備普遍規(guī)律性，一般工作日有平峰期及早、晚高峰期之分，而雙休日的客流通常比較分散、均衡，遇到國家法定重大節(jié)日,客流數(shù)據(jù)又會(huì)產(chǎn)生突發(fā)變化。為避免諸多不可預(yù)期的影響因子對(duì)模型的干擾，選取每條地鐵運(yùn)營線路客流量為輸入樣本，形成整體線網(wǎng)樣本，以個(gè)體車站為目標(biāo)樣本，即網(wǎng)絡(luò)的輸出。所有數(shù)據(jù)均進(jìn)行歸一化處理，光滑因子需不斷嘗試獲得最佳值(限于篇幅，本文以0.1為例)。

目前，已經(jīng)有一些比較成熟的神經(jīng)網(wǎng)絡(luò)軟件包，其中又以MATLAB神經(jīng)網(wǎng)絡(luò)工具箱應(yīng)用最為廣泛[9]。在MATLAB R2008a中創(chuàng)建GRNN用于客流預(yù)警，創(chuàng)建格式為net=netgrnn(P_train,T_train,i)，其中，P_train和T_train分別為輸入樣本和目標(biāo)樣本，i為光滑因子。

2實(shí)例分析

2.1換乘客流預(yù)測(cè)

結(jié)合南京地鐵運(yùn)營的實(shí)際情況進(jìn)行實(shí)例分析。目前，南京地鐵運(yùn)營線路包括1、2、3、10、S1、S8線，運(yùn)營里程225 km，服務(wù)車站121座，配置運(yùn)營列車201輛，日均客運(yùn)量超過210萬乘次。

利用2015年5—6月每周周二各線的客流歷史統(tǒng)計(jì)數(shù)據(jù)作為網(wǎng)絡(luò)的訓(xùn)練樣本(見表1)，以7月前兩周周二的客流歷史統(tǒng)計(jì)數(shù)據(jù)作為網(wǎng)絡(luò)的外推測(cè)試樣本，鑒于地鐵換乘站客流的特殊性，選取既有線7座換乘站客流值為預(yù)警目標(biāo)樣本(見表2)。

表1　輸入樣本數(shù)據(jù)(各線客流)

表2　目標(biāo)樣本數(shù)據(jù)(換乘站客流)

注：數(shù)據(jù)來源于南京地鐵ACC自動(dòng)售檢票清分系統(tǒng)。

利用上節(jié)創(chuàng)建的地鐵車站客流預(yù)警GRNN模型，將歸一化后的樣本數(shù)據(jù)進(jìn)行訓(xùn)練與測(cè)試。部分MATLAB代碼如下：

*****************************

P=mapminmax(p,0,1);

[T,ts]=mapminmax(t,0,1);

P_train=[P(:,1) P(:,2) P(:,3) P(:,4) P(:,5) P(:,6) P(:,7) P(:,8)];

T_train=[T(:,1) T(:,2) T(:,3) T(:,4) T(:,5) T(:,6) T(:,7) T(:,8)];

P_test=[P(:,9) P(:,10)];

T_test=[T(:,9) T(:,10)];

for i=0.1

net=newgrnn(P_train,T_train,i);

y_xl=sim(net,P_train)

y_Psc=sim(net,P_test)

end

*****************************

經(jīng)反歸一化處理后的預(yù)測(cè)輸出與實(shí)際客流樣本見表3，繪制MATLAB對(duì)比圖如圖2所示。

表3　換乘站預(yù)測(cè)數(shù)據(jù)與實(shí)際數(shù)據(jù)誤差分析　　乘次/d

圖2　換乘站預(yù)測(cè)數(shù)據(jù)與實(shí)際數(shù)據(jù)對(duì)比

2.2短時(shí)客流預(yù)測(cè)

作為客流預(yù)警，地鐵運(yùn)營管理單位及政府公共安全部門更為關(guān)注的是短時(shí)段預(yù)測(cè)。短時(shí)客流工作日與雙休日呈現(xiàn)不同峰值與斷面。本文避開節(jié)假日，選取南京地鐵鼓樓車站2015年10月12—15日早高峰7：00—7：30每隔5min短時(shí)客流數(shù)據(jù)為輸入樣本，與7：30—8：00外推測(cè)試樣本建立映射關(guān)系，預(yù)測(cè)10月16日外推樣本客流走勢(shì)，樣本數(shù)據(jù)見表4。

表4　短時(shí)客流樣本數(shù)據(jù)(鼓樓站)

注：數(shù)據(jù)來源于南京地鐵ACC自動(dòng)售檢票清分系統(tǒng)。

GRNN神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和MATLAB程序與2.1節(jié)類似，本文不再贅述。經(jīng)反歸一化處理后的預(yù)測(cè)輸出與實(shí)際客流樣本見表5，繪制MATLAB對(duì)比圖見圖3。

表5　短時(shí)客流預(yù)測(cè)數(shù)據(jù)與實(shí)際數(shù)據(jù)誤差分析(鼓樓站)

圖3　短時(shí)客流預(yù)測(cè)數(shù)據(jù)與實(shí)際數(shù)據(jù)對(duì)比

從表5可知，相對(duì)誤差大致處于可接受區(qū)間。其中7:30—7:35及7:55—8:00短時(shí)客流預(yù)測(cè)出現(xiàn)較大誤差，其原因一是樣本數(shù)據(jù)采集偏少，GRNN網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練不夠；二是周五時(shí)段同比輸入樣本出現(xiàn)較大波動(dòng)；三是需要不斷調(diào)試光滑因子。

3客流預(yù)警系統(tǒng)

基于廣義回歸神經(jīng)網(wǎng)絡(luò)GRNN對(duì)客流進(jìn)行預(yù)測(cè)，同時(shí)輔助實(shí)時(shí)視頻監(jiān)控，是有效解決地鐵車站客流預(yù)警難題的成功探索。南京地鐵利用高清低照度攝像機(jī)對(duì)客流進(jìn)行實(shí)時(shí)監(jiān)控，并利用智能視頻分析服務(wù)器(8路CIF/D1/720P)對(duì)客流影像進(jìn)行辨識(shí)與評(píng)估，上傳大客流預(yù)警平臺(tái)服務(wù)器(DELL R420)，最終在PC及手機(jī)客戶端實(shí)現(xiàn)終端報(bào)警的功能。該系統(tǒng)可以實(shí)現(xiàn)客流實(shí)時(shí)查詢(見圖4)、監(jiān)控、三色圖顯示(見圖5)、區(qū)域報(bào)表、預(yù)警彈窗、閾值設(shè)定、信息報(bào)送、數(shù)據(jù)存儲(chǔ)等功能。

當(dāng)車站客流觸及設(shè)定的警報(bào)閾值，報(bào)警信息就會(huì)以屏幕彈窗和手機(jī)信息的方式，依預(yù)警等級(jí)逐級(jí)發(fā)送至行車值班員、值班站長(zhǎng)、行車調(diào)度員、值班主任、安全管理部門、分管安全副總經(jīng)理、總經(jīng)理，成立應(yīng)急指揮機(jī)構(gòu)和現(xiàn)場(chǎng)處置小組。

圖4　客流實(shí)時(shí)查詢

圖5　三色圖

4對(duì)策與措施

車站通過能力主要受出入口及電扶梯、自動(dòng)售檢票設(shè)備、安檢設(shè)備通過能力，車站內(nèi)臨時(shí)疏導(dǎo)措施以及列車輸送能力等影響。一旦客流運(yùn)輸關(guān)鍵部位失控，無序的擁堵狀態(tài)必然會(huì)對(duì)地鐵運(yùn)營秩序和服務(wù)帶來嚴(yán)重挑戰(zhàn)。因此，車站編制大客流應(yīng)急處置預(yù)案并定期演練，建立公交接駁機(jī)制、警地聯(lián)動(dòng)機(jī)制等都是地鐵運(yùn)營方應(yīng)急管理的必備手段。此外，還可參考以下臨時(shí)性的措施。

1) 根據(jù)預(yù)測(cè)的大客流發(fā)生時(shí)間，客流人數(shù)，疏散所需時(shí)間，車站應(yīng)及時(shí)啟動(dòng)三級(jí)客流控制，同時(shí)利用廣播系統(tǒng)做好宣傳，拉設(shè)警戒線，理順購票隊(duì)伍。貯備好足夠的車票，設(shè)置臨時(shí)售票亭。

2) 若出現(xiàn)站臺(tái)擁擠現(xiàn)象時(shí)，值班站長(zhǎng)應(yīng)立即聯(lián)系進(jìn)站口站務(wù)人員，控制好進(jìn)站乘客人數(shù)，同時(shí)立即委派人員到站臺(tái)維持候車秩序，行車值班員應(yīng)變更自動(dòng)扶梯的開行方向，均設(shè)置為出站方向，力爭(zhēng)使下車乘客盡快出站，通知售票人員放緩售票速度，減少進(jìn)站客流人數(shù)。站臺(tái)人員應(yīng)加強(qiáng)對(duì)站臺(tái)乘客安全的監(jiān)控，行車值班員應(yīng)加強(qiáng)接發(fā)列車作業(yè)安全的監(jiān)控[10]。必要時(shí)，對(duì)客流進(jìn)行疏散或采取只出不進(jìn)、關(guān)站等措施。

3) 行調(diào)應(yīng)根據(jù)大客流的預(yù)測(cè)情況，有預(yù)見性地及時(shí)調(diào)整列車運(yùn)行圖，并充分利用線路上的渡線、折返線、存車線，根據(jù)各站客流情況，增加車底數(shù)或變更列車運(yùn)行交路，提高線路通過能力，從而增強(qiáng)列車輸送能力；對(duì)于換乘站大客流，行車可組織鄰線列車采取跳站停車、越行等措施，加強(qiáng)車站大客流的組織。環(huán)調(diào)注意觀察客流情況，增加站內(nèi)新風(fēng)量，緩解乘客焦躁情緒。

5結(jié)語

本文基于廣義回歸神經(jīng)網(wǎng)絡(luò)構(gòu)建地鐵車站客流預(yù)警模型，以南京地鐵ACC清分?jǐn)?shù)據(jù)為例，利用測(cè)試樣本對(duì)訓(xùn)練好的網(wǎng)絡(luò)進(jìn)行了驗(yàn)證，預(yù)測(cè)結(jié)果與實(shí)際數(shù)據(jù)誤差擬合。結(jié)合地鐵車站客流特性，提出發(fā)生大客流情況下的應(yīng)急處置對(duì)策與措施。基于GRNN神經(jīng)網(wǎng)絡(luò)的地鐵車站客流預(yù)警模型對(duì)于車站實(shí)時(shí)客流預(yù)測(cè)同樣適用。通過對(duì)前期大量樣本的學(xué)習(xí)，使訓(xùn)練后的網(wǎng)絡(luò)具有泛化能力，同時(shí)結(jié)合視頻分析技術(shù)、熱敏計(jì)數(shù)技術(shù)等輔助系統(tǒng)，可為地鐵車站大客流應(yīng)急處置提供預(yù)警與決策。

參考文獻(xiàn)

[1] 李得偉，孫宇星，黃建玲.地鐵客流預(yù)警技術(shù)基礎(chǔ)探討[J].都市快軌交通，2013,26(2)：62-66.

[2] 黃宏偉，葉永峰，胡群芳.地鐵運(yùn)營安全風(fēng)險(xiǎn)管理現(xiàn)狀分析[J].中國安全科學(xué)學(xué)報(bào)，2008,18(7)：55-62.

[3] 馬成正.地鐵設(shè)備房自動(dòng)滅火系統(tǒng)設(shè)計(jì)及經(jīng)濟(jì)性分析[J] .地下空間與工程學(xué)報(bào)，2015，11(2)：536-539.

[4] KATHERINE E.T.Park-and-Ride/Pool[M].Transportation Research Board,2005.

[5] SIMPSON R, LOPRESTI E, HAYASHI S, et al.The smart wheelchair component system[J].Journal of Rehabilitation Research & Development, 2004, 41(3B): 429-442.

[6] 張銘，王富章，李平.城市軌道交通網(wǎng)絡(luò)化運(yùn)營輔助決策與應(yīng)急平臺(tái)[J].中國鐵道科學(xué)，2012,33(1):113-120.

[7] 楊森，孟晨，王成.基于改進(jìn)灰色神經(jīng)網(wǎng)絡(luò)的故障預(yù)測(cè)方法研究[J].計(jì)算機(jī)應(yīng)用研究，2013,30(12):3625-3628.

[8] 葛哲學(xué)，孫繼平.神經(jīng)網(wǎng)絡(luò)理論與MATLAB R2007實(shí)現(xiàn)[M].北京：電子工業(yè)出版社，2007.

[9] 李春曉，李海鷹，蔣熙,等.基于廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的短時(shí)車站進(jìn)站客流量預(yù)測(cè)[J].都市快軌交通，2015,28(4):57-61.

[10] 馬成正，藍(lán)志江.基于人的認(rèn)知可靠性模型(HCR)的接車進(jìn)路辦理診斷時(shí)間的研究[J].中國安全生產(chǎn)科學(xué)技術(shù)，2012,8(7):30-34.

(編輯：曹雪明)

國家標(biāo)準(zhǔn)《輕軌設(shè)計(jì)規(guī)范》送審稿順利通過專家審查 2016年5月17日,住房和城鄉(xiāng)建設(shè)部(以下簡(jiǎn)稱住建部)城市軌道交通標(biāo)準(zhǔn)化技術(shù)委員會(huì)(以下簡(jiǎn)稱標(biāo)委會(huì))在北京主持召開了國家標(biāo)準(zhǔn)《輕軌設(shè)計(jì)規(guī)范》送審稿(以下簡(jiǎn)稱《規(guī)范》)審查會(huì)。來自北京、上海、廣州、深圳、重慶、沈陽、青島、蘇州、武漢、珠海等的14位專家組成了專家審查委員會(huì),中國工程院施仲衡院士任主任委員,中國城市軌道交通協(xié)會(huì)副會(huì)長(zhǎng)宋敏華、重慶軌道交通(集團(tuán))有限公司原董事長(zhǎng)及首席專家仲建華任副主任委員。住建部標(biāo)準(zhǔn)定額所處長(zhǎng)雷麗英、住建部標(biāo)委會(huì)秘書長(zhǎng)李鳳軍,以及住建部標(biāo)準(zhǔn)定額司、城市建設(shè)司領(lǐng)導(dǎo)出席并講話。中鐵二院工程集團(tuán)有限責(zé)任公司、中車長(zhǎng)春軌道客車股份有限公司、中鐵第四勘察設(shè)計(jì)院集團(tuán)公司、長(zhǎng)春市軌道交通集團(tuán)有限公司、大連地鐵運(yùn)營公司等參編單位代表應(yīng)邀參會(huì)。主編單位北京城建設(shè)計(jì)發(fā)展集團(tuán)股份有限公司萬學(xué)紅副院長(zhǎng)、軌道交通院院長(zhǎng)于松偉及編制組毛勵(lì)良、梁莉霞、周慶瑞、張海波等20余人代表參會(huì)。會(huì)議由住建設(shè)部標(biāo)委會(huì)研究員陳燕申主持,《輕軌設(shè)計(jì)規(guī)范》主編于松偉院長(zhǎng)進(jìn)行了編制工作匯報(bào)。通過逐章逐條審查,專家組一致認(rèn)為:《規(guī)范》結(jié)構(gòu)合理、內(nèi)容全面、重點(diǎn)突出,又引導(dǎo)了新技術(shù)、新材料、新設(shè)備等科技成果的推廣應(yīng)用;《規(guī)范》總體已達(dá)到國內(nèi)領(lǐng)先水平并具有前瞻性,填補(bǔ)了國內(nèi)輕軌領(lǐng)域標(biāo)準(zhǔn)的空白;同時(shí)《規(guī)范》實(shí)施后將拓展我國軌道交通的發(fā)展思路,在安全、質(zhì)量、節(jié)能、環(huán)保等方面,將為輕軌提供可靠保障,在控制工程造價(jià)、運(yùn)營費(fèi)用等方面也將發(fā)揮重要作用。審查會(huì)后,編制組將根據(jù)審查會(huì)提出的意見和建議,修改后上報(bào),推動(dòng)《規(guī)范》早日頒布實(shí)施。北京城建設(shè)計(jì)發(fā)展集團(tuán)股份有限公司 梁莉霞供稿

Passenger Flow Warning of Metro Station Based on GRNN and Corresponding Countermeasures

Ma Chengzheng1Jiang Qiuyun2

(1. Liuzhou Railway Vocational Technical College, Liuzhou 545007;2. Nanjing Metro Operation Co., Ltd., Nanjing 210012)

Abstract:A passenger flow warning model was introduced on the basis of the generalized regression neural network (GRNN) to solve the problems of disorder and sudden passenger flows in Chinese metro stations. The AFC data of Nanjing Metro was taken as an example and the GRNN model was used for data training and testing. The error analysis of predicted data and actual data was compared. Results showed that the predicted data was fitting to the actual ones and the accuracy is ensured. The countermeasures were derived from the predicted data and the real-time passenger flow warning system of Nanjing metro. The research will provide a reference for metro operation and management companies to avoid stampede accidents arising from sudden passenger flows. Key words: metro; neural network; error analysis; passenger flow warning; countermeasure

doi:10.3969/j.issn.1672-6073.2016.03.010

收稿日期:2015-09-17修回日期: 2015-12-08

作者簡(jiǎn)介:馬成正，男，副教授，碩士，主要從事軌道交通行車組織與運(yùn)營安全等領(lǐng)域的教學(xué)與科研工作，24416358@qq.com

基金項(xiàng)目:廣西壯族自治區(qū)教育廳科研基金項(xiàng)目(2014YB565)

中圖分類號(hào)U231 TP181

文獻(xiàn)標(biāo)志碼A

文章編號(hào)1672-6073(2016)03-0037-05