突發(fā)事件下城市軌道交通網(wǎng)絡(luò)客流重分布預(yù)測(cè)方法研究與應(yīng)用

葉紅霞

(廣州地鐵集團(tuán)有限公司，510330，廣州//工程師)

在城市軌道交通網(wǎng)絡(luò)化運(yùn)營(yíng)階段，網(wǎng)絡(luò)中某一個(gè)車站或某一線路發(fā)生突發(fā)事件，若不能快速恢復(fù)，受網(wǎng)絡(luò)連鎖效應(yīng)的影響，必將導(dǎo)致相鄰車站乃至全線的行車組織調(diào)整及客流滯留，嚴(yán)重時(shí)還將影響鄰線及全網(wǎng)的客流組織工作，造成安全隱患。突發(fā)事件下，乘客的心理和行為會(huì)發(fā)生不同于常態(tài)的變化。特別是在網(wǎng)絡(luò)化運(yùn)營(yíng)條件下，可能產(chǎn)生出行方式的轉(zhuǎn)移、起訖點(diǎn)的重置、路徑的重選及短時(shí)間內(nèi)大量客流聚集等行為，導(dǎo)致客流需求在網(wǎng)絡(luò)上的時(shí)空分布發(fā)生突變。傳統(tǒng)的客流預(yù)測(cè)方法已不再適用于該情況[1-3]，有必要專門針對(duì)突發(fā)事件下的客流特征進(jìn)行分析，掌握事件影響在網(wǎng)絡(luò)中的傳播擴(kuò)散路徑，合理界定受影響客流及其分布狀態(tài)。文獻(xiàn)[4-5]通過(guò)仿真方法研究了列車延誤對(duì)客流的影響，但并未考慮列車延誤會(huì)對(duì)乘客的出行選擇產(chǎn)生影響，進(jìn)而進(jìn)一步改變網(wǎng)絡(luò)客流分布。

本文基于突發(fā)事件下乘客出行行為特征變化的分析，根據(jù)突發(fā)事件的特點(diǎn)預(yù)測(cè)受影響客流規(guī)模及其分布，為及時(shí)高效生成應(yīng)急處置方案提供決策支持，保證乘客出行安全，提高服務(wù)水平。

1 突發(fā)事件下乘客出行行為特征分析

為捕捉突發(fā)事件下城市軌道交通乘客出行行為特征，2016年4月在廣州地鐵線網(wǎng)開(kāi)展了突發(fā)事件下乘客出行行為的問(wèn)卷調(diào)查，回收調(diào)查問(wèn)卷共計(jì)5 653份。對(duì)調(diào)查結(jié)果(如圖1所示)的分析顯示：

(1)突發(fā)事件下乘客可能采取的替代出行方式包括繼續(xù)選擇軌道交通出行、選擇組合方式出行、選擇退出系統(tǒng)3大類，包括6個(gè)方案：①方案1，繼續(xù)等待原線路恢復(fù)運(yùn)營(yíng)后出行；②方案2，選擇軌道交通內(nèi)其他備選路徑出行(有備選路徑的情況下)；③方案3，選擇地鐵+公交組合方式出行；④方案4，選擇地鐵+出租車組合方式出行；⑤方案5，直接退出系統(tǒng)，選擇公交方式出行；⑥方案6，直接退出系統(tǒng)，選擇出租車方式出行。

a) 出行方案選擇

b) 影響乘客路徑選擇的各核心因素比例圖1 突發(fā)事件下廣州地鐵乘客出行屬性調(diào)查結(jié)果

(2)列車延誤10 min以內(nèi)時(shí)，乘客選擇軌道交通出行的比例高達(dá)78.4%，遠(yuǎn)高于退出的比例；而且選擇軌道交通其他備選路徑的乘客多于繼續(xù)等待原路徑恢復(fù)運(yùn)營(yíng)的乘客。

(3)列車延誤10 min以上時(shí)，退出軌道交通系統(tǒng)的乘客比例明顯增大；在退出軌道交通系統(tǒng)的乘客中，選擇地鐵+出租車的組合交通方式或出租車的乘客遠(yuǎn)少于選擇其他方案的乘客。

(4)對(duì)于軌道交通系統(tǒng)內(nèi)有備選路徑且乘客選擇剩余路徑繞行時(shí)，花費(fèi)時(shí)間少、換乘次數(shù)少、路程較短、換乘過(guò)程步行時(shí)間短仍是影響乘客路徑選擇的核心因素。

2 突發(fā)事件下城市軌道交通網(wǎng)絡(luò)客流預(yù)測(cè)算法

2.1 模型框架

突發(fā)事件下，城市軌道交通網(wǎng)絡(luò)客流包括正?？土骱褪苡绊懣土?大類，其難點(diǎn)是在正常狀態(tài)下的歷史或?qū)崟r(shí)客流的基礎(chǔ)上，分析并預(yù)測(cè)受影響客流的規(guī)模與分布。對(duì)此，本文首先建立突發(fā)事件下受影響客流的界定方法，對(duì)受影響的路徑、OD(起訖點(diǎn))對(duì)和乘客進(jìn)行界定；然后，建立突發(fā)事件下受影響乘客的出行選擇行為模型；再次，構(gòu)造突發(fā)事件下多方式出行備選路徑集，預(yù)測(cè)受影響乘客在網(wǎng)絡(luò)上的重分布；最后，通過(guò)清分清算實(shí)現(xiàn)受影響客流以列車為載體在軌道交通網(wǎng)絡(luò)上的分配。具體算法的框架如圖2所示。

圖2 突發(fā)事件下客流預(yù)測(cè)算法的整體框架圖

2.2 受影響客流界定方法

若乘客選擇某路徑出行，該路徑同時(shí)滿足以下條件：① 乘客原計(jì)劃出行路線途經(jīng)受影響的車站或線路；② 乘客到達(dá)第一個(gè)受影響的車站的時(shí)刻在該車站受影響的時(shí)間范圍內(nèi)；③ 乘客乘車方向和運(yùn)營(yíng)中斷方向一致，則該路徑為受影響出行路徑，利用該路徑出行乘客為受突發(fā)事件影響的乘客。

假設(shè)受突發(fā)事件影響的車站集合為Sinterrupt，則受影響客流界定算法的數(shù)學(xué)描述為:

式中：

Spass——途徑車站集合；

tstart,i,j——線路i上第j個(gè)車站受突發(fā)事件影響的開(kāi)始時(shí)間；

tend,i,j——線路i上第j個(gè)車站受突發(fā)事件影響的結(jié)束時(shí)間；

Si,k——突發(fā)事件造成線路i的初始受影響的車站為線路的第k個(gè)車站。

其中，本研究認(rèn)為OD對(duì)客流中所有乘客的出行路徑都不滿足式(1)才認(rèn)為該OD對(duì)客流不受突發(fā)事件影響，否則該OD對(duì)客流為受影響OD客流。具體界定流程為：

步驟1：根據(jù)正常狀態(tài)下的有效路徑集合和路徑選擇模型，確定每條路徑的選擇概率；

步驟2：根據(jù)突發(fā)事件發(fā)生的車站、區(qū)間和預(yù)估的中斷時(shí)間，確定受影響的時(shí)間范圍；

步驟3：基于正常狀態(tài)下的有效路徑集合、受影響的時(shí)間范圍，篩選受影響路徑；

步驟4：基于正常狀態(tài)下的進(jìn)站量、路徑選擇概率和受影響路徑，得到受影響客流。

2.3 受影響客流重分布預(yù)測(cè)算法

突發(fā)事件發(fā)生后，網(wǎng)絡(luò)部分出行路徑將受到影響，造成乘客原本選擇的有效路徑不可行，此時(shí)乘客會(huì)根據(jù)自身所獲得的實(shí)時(shí)信息做出相應(yīng)的出行方案的改變。

2.3.1 突發(fā)事件下乘客出行選擇行為建模

考慮非集計(jì)模型能從個(gè)人選擇的角度模擬出行者的決策過(guò)程，能體現(xiàn)出行者的選擇特性，較適用于突發(fā)事件下出行方案的轉(zhuǎn)變。其遵循效用最大化的假說(shuō)，若Ui,n為出行者n選擇方案i時(shí)的效用，An為與出行者n對(duì)應(yīng)的選擇方案的集合。當(dāng)Ui,n>Uj,n時(shí)，出行者n將選擇i方案。而出行者n選擇方案i的概率為：

式中：

Pi,n——出行者n選擇方案i的概率；

Xk,i,n——出行者n選擇方案i的第k個(gè)變量值；

θk——待定系數(shù)。

基于調(diào)查數(shù)據(jù)，選取固定啞元、延誤時(shí)間、出行時(shí)間、出行費(fèi)用、換乘次數(shù)設(shè)定為模型參數(shù)。其中，方案1和方案2的參數(shù)值可通過(guò)運(yùn)營(yíng)單位的清分比例獲得；方案3—6的參數(shù)值可基于電子地圖API(應(yīng)用程序編程接口)提取受影響OD對(duì)間公交車、出租車的出行時(shí)間和費(fèi)用；最后，采用極大似然法對(duì)模型參數(shù)進(jìn)行標(biāo)定。結(jié)果表明，非集計(jì)模型能較好地模擬突發(fā)事件下乘客出行選擇行為，具體如表1、表2所示。

表1 突發(fā)事件下廣州地鐵乘客選擇行為參數(shù)及其標(biāo)定結(jié)果表

表2 突發(fā)事件下廣州地鐵乘客選擇行為參數(shù)標(biāo)定結(jié)果表

2.3.2 突發(fā)事件下受影響OD重分布預(yù)測(cè)

假設(shè)受影響OD重分布后的OD流量Ii,j是根據(jù)各出行方案的選擇比例得到。假設(shè)某一受影響OD對(duì)方案1～6選擇比例分別為P1、P2、P3、P4、P5、P6，則:

(1)繼續(xù)選擇軌道交通出行的OD量為：

Is=Ii,j(p1+p2)

(3)

(2)選擇組合交通方式出行的OD量為：

Iz=Ii,j(p3+p4)

(4)

(3)選擇退出系統(tǒng)的OD量為：

Id=Ii,j(p5+p6)

(5)

式中，Is、Iz、Id分別表示選擇上述3種出行方式的受影響OD分布量。

3 實(shí)例驗(yàn)證

以2015年8月18日廣州地鐵5號(hào)線發(fā)生的突發(fā)事件為例進(jìn)行驗(yàn)證。事件概況：2015年8月18日8:48，5號(hào)線03702次列車在廣州火車站站上行關(guān)門時(shí)顯示5#車門故障，8:52組織車門解鎖后列車正常起動(dòng)。受此影響，03702次列車在廣州火車站站上行延誤240 s開(kāi)出。

利用模型推算，受此突發(fā)事件的影響，第一個(gè)受影響的車站是廣州火車站站，受影響時(shí)間范圍為8:48—8:52，期間共有1 276個(gè)OD對(duì)間的客流受影響，這些OD對(duì)客流構(gòu)成了突發(fā)事件條件下受影響客流的時(shí)空范圍，受影響客流總數(shù)為1 695人。誤差分析如下：

(1)OD預(yù)測(cè)結(jié)果：受影響OD對(duì)客流預(yù)測(cè)分時(shí)絕對(duì)誤差大于20人的比例不超過(guò)1%，且預(yù)測(cè)值與實(shí)際值散點(diǎn)分布在45°線附近，說(shuō)明預(yù)測(cè)效果較好，如圖2和3所示。

圖2 8:45—9:00時(shí)客流預(yù)測(cè)值與實(shí)際值對(duì)比圖

注：頻數(shù)表示各誤差區(qū)間出現(xiàn)的次數(shù)；累計(jì)比例表示各誤差區(qū)間出現(xiàn)次數(shù)所占的累計(jì)比例

圖3 受影響OD對(duì)客流預(yù)測(cè)的分時(shí)絕對(duì)誤差分布圖

(2)進(jìn)站量預(yù)測(cè)結(jié)果：受影響車站分時(shí)15 min進(jìn)站量、出站量預(yù)測(cè)的絕對(duì)百分比誤差均值分別為7.02%和15.10%，進(jìn)出站客流誤差均較小，預(yù)測(cè)效果較好，如表2所示。

表2 受影響車站進(jìn)、出站量預(yù)測(cè)誤差統(tǒng)計(jì)表

4 結(jié)語(yǔ)

本文基于突發(fā)事件下乘客出行行為特征變化的分析，提出了受影響客流的界定算法和突發(fā)事件下乘客出行方案選擇模型；基于多方式出行備選路徑集的構(gòu)造，建立了突發(fā)事件下網(wǎng)絡(luò)受影響客流重分布預(yù)測(cè)算法；利用廣州地鐵5號(hào)線某一突發(fā)事件數(shù)據(jù)對(duì)預(yù)測(cè)模型進(jìn)行了精度分析，受影響OD對(duì)15 min分時(shí)絕對(duì)預(yù)測(cè)誤差小于20人次的累計(jì)百分比的99.92%，由此表明，模型能較為真實(shí)地反應(yīng)突發(fā)事件下城市軌道交通網(wǎng)絡(luò)客流分布情況，可對(duì)城市軌道交通應(yīng)急處置、列車運(yùn)行方案調(diào)整等提供輔助決策依據(jù)。但本模型未考慮突發(fā)事件下城市軌道交通企業(yè)采取的應(yīng)急公交接駁等措施的影響，后續(xù)有待進(jìn)一步的優(yōu)化研究。