大型活動期間城市軌道交通客流在AFC數(shù)據(jù)中的預(yù)測

摘要：準確預(yù)測城市軌道交通客流期間的客流量是城市交通管理和運營部門采取計劃的重要參考，也是確?；顒影踩闹匾ＷC。在大型活動期間城市交通軌道的歷史客流量的基礎(chǔ)上，分析了客流分量，構(gòu)建了背景客流預(yù)測和主動客流模型。為了在大型活動期間準確預(yù)測城市軌道交通，本文我們以2018年杭州國際博覽中心為例，使用GM-ARIMA進行軌道交通客流預(yù)測分析。

關(guān)鍵詞：AFC;數(shù)據(jù);大型活動;城市軌道;預(yù)測

目前，我國己成為世界上城市軌道交通發(fā)展最快的國家之一。至2017年，全國己有34個城市擁有城市軌道交通系統(tǒng)，總運營里程達5038.9公里。北京地鐵、廣州地鐵等，網(wǎng)絡(luò)化運營模式不斷深入，對運營安全、效率與服務(wù)質(zhì)量提出了更高的要求。日常運營組織過程中，系統(tǒng)運營狀態(tài)是制定科學合理的運營決策的重要依據(jù)，因此運營部門特別關(guān)注如何能夠及時準確地把握路網(wǎng)的運營狀態(tài)。近年來，隨著我國城市軌道交通的快速發(fā)展及大型活動舉辦的次數(shù)逐漸增加，城市軌道交通在大型活動期間承擔的客流運輸比重逐漸提高，大型活動的舉辦導致客流急劇增長，為城市軌道交通運營帶來了巨大的壓力。2018年國慶黃金周期間，杭州市共接待游客1776.14萬人次。如果能準確預(yù)測大型活動期間城市軌道交通客流的生成與分布規(guī)律，既是城市交通管理和運營部門制定交通管制措施、編制車輛開行方案的重要依據(jù)，也是大型活動安全順利舉辦的重要保障。因此，在本文中，我們利用一些城市軌道交通作為自動檢票系統(tǒng)來收集網(wǎng)站和 OD歷史客流數(shù)據(jù)，并在分析大型活動期間城市軌道客流的前提下，分解不同的客流分量，并分別為主動客流和背景客流構(gòu)建模型，通過預(yù)測客流量，以為城市交通提供出行便利。

一、活動和背景客流分析

因為在大型活動過程中，客流量的變化不同于每日客流量。我們將大型活動期間的城市客流分為兩類：活動相關(guān)和背景客流。主要是到活動形式，時間，場所的影響，背景客流是指在大型活動期間原有常規(guī)客流，也是城市日常軌道交通客流規(guī)律。我們以2018年杭州國際博覽中心為例，該展貿(mào)易展會是規(guī)模較大的展覽會，能夠為展商開發(fā)多級市場搭建國際國內(nèi)品牌推廣平臺，該展覽會持續(xù)時間為三天。在會展場館臨近的兩個城市軌道點在活動期間內(nèi)的進站背景客流量以及活動客流量變化情況，與背景客流不同，活動客流量與規(guī)模，布局等因素有關(guān)，導致活動期間無明顯的七天周期性變化。有三天的變化周期，這項活動約為背景客流量的2.5倍。通過對上述客流特征的分析，可以用下式表示城市軌道交通客流與大背景活動背景客流的關(guān)系。

其中，T是交通流量，B是背景客流量，A是活躍客流量。事件期間的總乘客流量等于活動OD乘客流量和背景入口和出口乘客的總和。

二、背景客流預(yù)測模型

對于未來活動期間的背景客流預(yù)測，我們可以將背景客流轉(zhuǎn)換為月平均入站和出站以及OD客流量的預(yù)測。我們選擇了事件發(fā)生之前和之后沒有其他事件以及乘客之間類似的每日流量作為參考數(shù)據(jù)的月份。在比較參考月中，月平均每日客流量用作背景客流，其順序與大型事件的K日相同。結(jié)果發(fā)現(xiàn)，發(fā)生活動期間背景進出站客流量具有一定的趨向性，以及周期性，我們可以利用ARIMA模型用于大型活動期間的進出站客流，以進行準確預(yù)測。

三、活動客流預(yù)測模型

毗鄰展覽場地的城市軌道交通站點為地鐵一號線，包括武林廣場站，西湖文化廣場站等，景點距離不到1000米。與活動場館有一定的重合區(qū)域，其中存在兩個站點分別武林廣場站與西湖文化廣場站。此外，根據(jù)歷史AFC數(shù)據(jù)，預(yù)計博覽會前后兩個站點之間的流量變化將與其他兩個站點進行比較，作為對該事件影響較大的站點。線網(wǎng)其他站點作為沒有受到影響的站點。具體變化情況如下圖所示。

我們根據(jù)圖可看發(fā)現(xiàn)在近幾年，每年開展博覽會期間客流量相比前期客流量來說有顯著減少，由于大規(guī)模事件期間客流量的減少以及一些難以滿足的隨機因素的存在，我們在大規(guī)模事件中引入小波變換到軌道軌道。在不同尺度上分析乘客流動時間，序列數(shù)據(jù)，并獲得低頻近似信號和高頻細節(jié)信號。重建后對每個尺度進行單分支重建，對于重建后的低頻檢測信號，由于其接近原始數(shù)據(jù)變化趨勢，因此選用 ARIMA模型做進行預(yù)測，對于重構(gòu)之后各個尺度的細節(jié)信號，包括多年來活動期間的不確定因素，客戶可以使用 ARIMA模型進行預(yù)測，最后所有單重建數(shù)據(jù)預(yù)測都以相同的比例疊加?？梢栽诖笫录陂g形成活動流量的預(yù)測值，數(shù)據(jù)來源于網(wǎng)絡(luò)統(tǒng)計。

四、模型驗證

在本次實驗中，我們選擇了2018年杭州國際博覽中心的AFC交通數(shù)據(jù)，并預(yù)測了2019年博覽會期間的實際客流量。基于小波分解和重建ARIMA模型的主動客流平均誤差，我們發(fā)現(xiàn)兩個模型的誤差分別為4.3%和3.2%。事件期間主要客流量的總背景可疊加，兩站的交通誤差將降至3.7%和2.5%。同時，武林廣場站，西湖文化廣場站兩個站的預(yù)測誤差也有所減少。由于第三期和五一期間存在一定程度的重疊，我們對交易會前十天的入境和出境活動進行了預(yù)測。預(yù)測背景入境和出境客流背景OD客流，活動入境和出境客流，OD客流使用公式疊加，可以得出結(jié)論，客流流入和流出大規(guī)模事件期和實際OD量。我們根據(jù)活動影響的一些關(guān)鍵站點比較活動期間日?；顒拥念A(yù)測值和實際值，并比較兩個模型的準確性?；谛〔ǚ纸夂椭亟ˋRIMA模型的主動客流平均誤差，我們發(fā)現(xiàn)兩個模型的誤差分別為4.3%和3.2%。事件期間主要客流量的總背景可疊加，兩站的交通誤差將降至3.7%和2.5%。同時，武林廣場站與西湖文化廣場站兩個站的預(yù)測誤差也有所減少。

小結(jié)

本文通過分析客流，提出了在大型活動期間活動客流與背景客流分解法，針對活動客流，采用小波分解與重構(gòu)的ARIMA模型，發(fā)現(xiàn)在大型活動期間，客流具有趨勢性以及一些難以預(yù)見的隨機因素。通過分析，我們發(fā)現(xiàn)這種模型預(yù)測大型活動期間進站客流量準確度較好。具有較好的精度。

參考文獻：

[1] ?汪波，黃建玲，韓寶明. 基于AFC數(shù)據(jù)的城市軌道交通實時客流預(yù)測方法及系統(tǒng)：.

[2] ?王思韜，韓斌，蒲琪. 基于移動通信數(shù)據(jù)分析的Elman神經(jīng)網(wǎng)絡(luò)城市軌道交通客流預(yù)測[J]. 城市軌道交通研究，2017（9）.

[3] ?張清，張雷，劉亞飛，et al. 基于時間序列的擴展ARIMA-SV城市軌道交通客流預(yù)測不確定性分析與研究[J]. 科技展望，2017（29）：176-177.

作者簡介：朱雯曦（1986-），女（漢），浙江紹興，碩士，講師，主要研究領(lǐng)域為人工智能、大數(shù)據(jù)分析、電子商務(wù)技術(shù)。

基金項目：2018年度浙江省高校訪問工程師“校企合作項目”，項目編號 FG2018133

（作者單位：紹興職業(yè)技術(shù)學院）