數(shù)據(jù)驅(qū)動(dòng)的城市軌道交通前瞻性乘客路徑誘導(dǎo)方法及應(yīng)用

盧錦生，糜子越，王雪琴，許心越

（1.廣州地鐵集團(tuán)有限公司 運(yùn)營事業(yè)總部，廣東 廣州 510220；2.北京交通大學(xué) 軌道交通控制與安全國家重點(diǎn)實(shí)驗(yàn)室，北京 100044)

0 引言

目前，部分城市的軌道交通線路出現(xiàn)了一定程度的擁擠，運(yùn)營企業(yè)需要采取客流誘導(dǎo)措施，緩解擁擠現(xiàn)象，以滿足乘客日益增長的出行需要。其中，前瞻性的客流誘導(dǎo)通過推送路網(wǎng)狀態(tài)信息給即將出行和已在旅途中的乘客，影響這些乘客的出行選擇，而乘客可以根據(jù)客流誘導(dǎo)信息了解線網(wǎng)擁堵狀況，及時(shí)更改出行路徑或調(diào)整出行時(shí)間；管理者可以依據(jù)誘導(dǎo)信息提前疏導(dǎo)客流，促使路網(wǎng)供需平衡，有效緩解困難區(qū)間或高峰小時(shí)的乘客運(yùn)輸壓力，改善線網(wǎng)供需不均衡的狀況。

近年來，國內(nèi)外學(xué)者在城市軌道交通乘客出行誘導(dǎo)方法和系統(tǒng)方面已有許多研究成果，宋紅穎[1]基于實(shí)時(shí)斷面客流，采用改進(jìn)Dijkstra 算法規(guī)劃乘客當(dāng)前時(shí)刻的最優(yōu)路徑。顏開[2]采用列車滿載率飽和有效路徑生成模型，基于當(dāng)前區(qū)間滿載率和乘客查詢信息，分配各路徑客流，為來客規(guī)劃出行路徑。趙若愚[3]基于歷史運(yùn)營數(shù)據(jù)識(shí)別路網(wǎng)擁堵時(shí)段，并基于實(shí)時(shí)客流數(shù)據(jù)發(fā)布誘導(dǎo)信息。陳嵩楠[4]提出添加換乘延遲阻抗的綜合客流分配模型。綜上，當(dāng)前乘客路徑推薦研究及系統(tǒng)多偏重于基于實(shí)時(shí)客流數(shù)據(jù)的誘導(dǎo)和歷史數(shù)據(jù)分析識(shí)別，而對(duì)于前瞻性路網(wǎng)狀態(tài)識(shí)別和路徑規(guī)劃研究較少[5]。

在路網(wǎng)狀態(tài)預(yù)測(cè)方面，房麗俠等[6]分析影響交通擁擠的因素，采用決策樹模型預(yù)測(cè)交通流擁擠狀態(tài)。賀國光等[7]通過小波分解理論與重構(gòu)方法預(yù)測(cè)短時(shí)交通流量。張文[8]基于地鐵擁擠分析結(jié)果構(gòu)建云模型，識(shí)別換乘站的擁擠情況。但是，地鐵擁擠的形成機(jī)理復(fù)雜，難以準(zhǔn)確掌握，因而以上研究結(jié)果的可靠性和精確性不高，而深度學(xué)習(xí)模型不需要提前掌握作用機(jī)理，在交通流領(lǐng)域已被廣泛研究和應(yīng)用，如長短期記憶模型、門控循環(huán)單元(Gated Recurrent Unit，GRU)模型常用于交通量的預(yù)測(cè)[9]。因此，基于歷史滿載率數(shù)據(jù)，利用GRU 進(jìn)行未來路網(wǎng)狀態(tài)預(yù)測(cè)，然后利用Logit 模型計(jì)算乘客推薦路徑。

1 前瞻性乘客路徑誘導(dǎo)模型

首先，通過GRU 模型預(yù)測(cè)區(qū)間滿載率，然后根據(jù)區(qū)間滿載率和在車時(shí)間、換乘時(shí)間、等待時(shí)間，確定各路徑的乘客廣義出行費(fèi)用效用值，再利用Logit 模型計(jì)算乘客對(duì)路徑的選擇概率。根據(jù)基本路徑數(shù)據(jù)集中的路徑選擇概率，對(duì)這些路徑進(jìn)行排序并提供給乘客，以實(shí)現(xiàn)乘客出行誘導(dǎo)。因此，前瞻性路徑誘導(dǎo)模型分為2 個(gè)部分：①基于歷史滿載率數(shù)據(jù)，利用GRU 模型預(yù)測(cè)城市軌道交通路網(wǎng)未來15 min 的區(qū)間滿載率；②基于預(yù)測(cè)的滿載率數(shù)據(jù)和基本路徑數(shù)據(jù)集(即每個(gè)OD 對(duì)的可行路徑集合)，利用Logit 模型計(jì)算每個(gè)OD 對(duì)基本路徑集中各路徑的選擇概率，得到相應(yīng)的路徑排序結(jié)果。

1.1 基于門控循環(huán)單元(GRU)的區(qū)間滿載率預(yù)測(cè)模型

基于GRU 的區(qū)間滿載率預(yù)測(cè)模型在已知?dú)v史區(qū)間滿載率的情況下，利用一種具有特殊結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)，求未來的區(qū)間滿載率。GRU 具有2 個(gè)門控單元，分別為更新門和重置門。這2 個(gè)門控單元主要用于選擇保留或遺忘多少過去的信息，從而解決循環(huán)神經(jīng)網(wǎng)絡(luò)的梯度消失和梯度爆炸的問題。GRU 的計(jì)算圖如圖1 所示。

圖1 GRU 的計(jì)算圖Fig.1 Computational graph of GRU

GRU 的輸入用矩陣X= [xt-p+1，xt-p+2，…，xt]表示。其中，xt是一個(gè)向量，表示t時(shí)刻各區(qū)間的滿載率；p為歷史時(shí)間步的數(shù)量。由圖1 可知，GRU 包括更新門zt、重置門rt2 個(gè)門控單元。

（1）更新門。更新門zt能夠保留并決定保留多少過去的信息，從而提取時(shí)間序列里的長期相關(guān)性，計(jì)算公式為

式中：zt是一個(gè)向量，表示更新門的計(jì)算結(jié)果；σ(·)是sigmoid 函數(shù)；xt為t時(shí)刻的輸入向量；ht-1為t- 1時(shí)刻的隱藏狀態(tài)向量；Wzh，Wzx分別為更新門中ht-1和xt對(duì)應(yīng)的權(quán)重矩陣；bz為更新門的偏置向量。

（2）重置門。重置門rt能夠選擇遺忘多少過去的信息，進(jìn)而確定保留當(dāng)前時(shí)刻輸入信息的比例，因而重置門可以提取序列里的短期相關(guān)性，計(jì)算公式為

公式 ⑵ 和 ⑶ 中，權(quán)重矩陣Wrh，Wzh，Wh～h下角標(biāo)中的h即為隱藏單元數(shù)(即隱藏節(jié)點(diǎn)數(shù))。

1.2 乘客路徑選擇Logit 模型

乘客路徑選擇Logit 模型根據(jù)GRU 模型計(jì)算得到的未來區(qū)間滿載率，結(jié)合在車時(shí)間、換乘時(shí)間、等待時(shí)間，確定各條路徑的乘客廣義出行費(fèi)用效用值，據(jù)此計(jì)算各路徑的選擇概率。其中，乘客選擇的路徑集從既有的地鐵運(yùn)營系統(tǒng)中獲取，也可以按照既有文獻(xiàn)的方法獲取[10]。

乘客廣義出行費(fèi)用包括固定乘客廣義出行效用和隨機(jī)效用2 部分，計(jì)算公式為

固定乘客出行路徑廣義費(fèi)用包括在車費(fèi)用、換乘費(fèi)用，以及擁擠感知費(fèi)用，計(jì)算公式為

擁擠感知費(fèi)用C(p,q)是衡量出行舒適度的重要指標(biāo)，即乘客群體在有位置可坐、列車無位置可坐但還未滿載和列車超載3 種情況下的擁擠敏感性。設(shè)m0為有位置可坐和列車無位置可坐但還未滿載的滿載率臨界值，m1為列車無位置可坐但還未滿載和列車超載的滿載率臨界值?；趨^(qū)間滿載率[3]，構(gòu)建擁擠感知費(fèi)用計(jì)算公式為

式中：φ1，φ2分別為列車無位置可坐但還未滿載和列車超載感知系數(shù)；m(p,q)表示區(qū)間(p，q)的斷面滿載率。

根據(jù)Logit 模型的計(jì)算原理，推導(dǎo)得出選擇第k條路徑出行的概率為定乘客廣義出行費(fèi)用。為了減少誤差，使用相對(duì)效用差代替效用絕對(duì)差。

2 實(shí)例驗(yàn)證

為了驗(yàn)證模型的有效性，以廣州地鐵客流量較大的1 號(hào)線的3 個(gè)車站(坑口、西塱、公園前)為研究對(duì)象，選取客流量較大和有效路徑比較復(fù)雜的3 個(gè)OD 對(duì)(公園前—何棠下、西塱—長湴、坑口—清)進(jìn)行研究。3 個(gè)OD 對(duì)的基本路徑示意圖如圖2 所示。

2.1 滿載率預(yù)測(cè)

2.1.1 數(shù)據(jù)輸入

采用GRU 預(yù)測(cè)這3 個(gè)OD 對(duì)全部有效路徑涉及區(qū)間的未來15 min 滿載率。基于從廣州地鐵清分系統(tǒng)獲取的相關(guān)區(qū)間滿載率數(shù)據(jù)(2020 年4 月13日至4 月27 日，每日5 : 00—24 : 00)進(jìn)行訓(xùn)練和驗(yàn)證，滿載率數(shù)據(jù)格式如表1 所示。選取2020 年4 月13 日至26 日的數(shù)據(jù)輸入GRU 模型中進(jìn)行訓(xùn)練，基于訓(xùn)練得到的GRU 模型，預(yù)測(cè)4 月27 日9 : 00—9 : 15，9 : 15—9 : 30 和9 : 30—9 : 45 的相關(guān)區(qū)間滿載率。

表1 滿載率數(shù)據(jù)格式Tab.1 Data format of full load rate

2.1.2 GRU預(yù)測(cè)結(jié)果分析

選取2020 年4 月26 日公園前—紀(jì)念堂、西塱—坑口、坑口—花地灣(如圖2 中虛線橢圓形標(biāo)注的區(qū)間)3 個(gè)區(qū)間的滿載率預(yù)測(cè)結(jié)果進(jìn)行分析，滿載率預(yù)測(cè)擬合圖如圖3 所示。

圖2 3 個(gè)OD 對(duì)的基本路徑示意圖Fig.2 Basic paths of the three OD pairs

圖3 滿載率預(yù)測(cè)擬合圖Fig.3 Fitting of full load rate prediction

2.1.3 對(duì)比分析

選取前饋神經(jīng)網(wǎng)絡(luò)(BP)模型、支持向量機(jī)(SVR)模型和整合移動(dòng)平均自回歸(ARIMA)，與GRU 模型進(jìn)行對(duì)比。通過計(jì)算模型預(yù)測(cè)性能的評(píng)價(jià)指標(biāo)，包括均方根誤差(RMSE)、平均絕對(duì)誤差(MAE)和相關(guān)系數(shù)(R2)，滿載率預(yù)測(cè)模型預(yù)測(cè)性能對(duì)比結(jié)果如表2 所示。GRU 模型的RMSE，MAE和R2指標(biāo)均優(yōu)于其他模型，預(yù)測(cè)性能最好。

表2 滿載率預(yù)測(cè)模型預(yù)測(cè)性能對(duì)比結(jié)果Tab.2 Performance comparison of full load rate prediction models

2.2 路徑推薦

2.2.1 數(shù)據(jù)輸入

計(jì)算路徑效用需要輸入的數(shù)據(jù)包括：①靜態(tài)的在車時(shí)間和換乘時(shí)間數(shù)據(jù)；②動(dòng)態(tài)的等待時(shí)間數(shù)據(jù)(以1 h 為粒度，基于列車時(shí)刻表數(shù)據(jù)計(jì)算平均等待時(shí)間，路徑效用計(jì)算數(shù)據(jù)輸入格式如表3 所示)；③由GRU 預(yù)測(cè)得到的未來區(qū)間滿載率數(shù)據(jù)。

表3 路徑效用計(jì)算數(shù)據(jù)輸入格式 sTab.3 Input data format of path utility calculation

2.2.2 路徑推薦結(jié)果

利用上述滿載率預(yù)測(cè)結(jié)果，結(jié)合3 個(gè)OD 對(duì)中各路徑的靜態(tài)和動(dòng)態(tài)數(shù)據(jù)及換乘信息，計(jì)算各條路徑的效用及路徑選擇概率Pk。3 個(gè)OD 對(duì)各時(shí)段的路徑效用如表4 所示。其中，Logit 模型的參數(shù)采用房麗俠等[6]研究中的數(shù)據(jù)：τ= 1.535，β= 0.073，m0= 0.8，m1= 1，φ1= 0.15，φ2= 0.2。

由表4 可知，西塱—長湴的7 條路徑受滿載率預(yù)測(cè)結(jié)果的影響，路徑5，6，7 在9 : 00—9 : 15 時(shí)段的效用與9 : 15—9 : 45 的效用不同，其他路徑的效用在各時(shí)段不發(fā)生變化。公園前—何棠下、坑口—清在3 個(gè)時(shí)段的效用未發(fā)生變化。

表4 3 個(gè)OD 對(duì)各時(shí)段的路徑效用Tab.4 Path utility of the three OD pairs in each period

基于從廣州地鐵清分系統(tǒng)獲取到的4 月27 日9 : 00—9 : 15，9 : 15—9 : 30，9 : 30—9 : 45 的 實(shí) 際 滿載率數(shù)據(jù)，利用Logit 模型計(jì)算得到實(shí)際的路徑推薦結(jié)果?；贕RU 模型預(yù)測(cè)的相同時(shí)間段滿載率數(shù)據(jù)，同樣利用Logit 模型可以計(jì)算得到預(yù)測(cè)的路徑推薦結(jié)果。路徑推薦排序預(yù)測(cè)結(jié)果與實(shí)際結(jié)果對(duì)比如表5 所示。

由表5 可知，在3 個(gè)OD 對(duì)中，基于預(yù)測(cè)數(shù)據(jù)推薦的路徑排序與基于實(shí)際數(shù)據(jù)推薦的路徑排序一致，說明采用GRU 預(yù)測(cè)滿載率的結(jié)果可靠，能為乘客未來出行路徑推薦提供支撐。

由表4 和表5 可知，雖然西塱—長湴的路徑5，6，7 的效用在3 個(gè)時(shí)間段發(fā)生變化，但其路徑推薦排序并未發(fā)生變化，這是由于路徑效用中擁擠感知費(fèi)用可能會(huì)受到滿載率變化的影響，其他費(fèi)用采用靜態(tài)數(shù)據(jù)計(jì)算，因而在各時(shí)間段不發(fā)生改變。在9 : 00—9 : 15 時(shí)間段，沙涌—沙園、客村—廣州塔、廣州塔—珠江新城3 個(gè)區(qū)間滿載率均超過0.80%，而在9 : 15—9 : 30 及9 : 30—9 : 45 時(shí)間段內(nèi)，這3 個(gè)區(qū)間滿載率均低于0.80%，因而前時(shí)間段區(qū)間所包含路徑的擁擠感知費(fèi)用高于后時(shí)間段。西塱—長湴各條路徑效用明細(xì)如表6 所示。由圖1可知，以上3 個(gè)區(qū)間均存在于路徑5，6，7 中，因而這3 條路徑的擁擠費(fèi)用同時(shí)降低，其推薦排序結(jié)果不發(fā)生改變。

表5 路徑推薦排序預(yù)測(cè)結(jié)果與實(shí)際結(jié)果對(duì)比Tab.5 Comparison between the predicted path recommendation rankings and the actual situation

表6 西塱—長湴各條路徑效用明細(xì) sTab.6 Utility of each path from Xilang to Changban

以上前瞻性的誘導(dǎo)方法已經(jīng)應(yīng)用在廣州地鐵官方APP 中應(yīng)用。西塱—長湴路徑推薦結(jié)果如圖4所示，其路徑排序結(jié)果在9 : 00—9 : 15，9 : 15—9 : 30和9 : 30—9 : 45 與表5 中預(yù)測(cè)的推薦結(jié)果一致。

圖4 西塱—長湴路徑推薦結(jié)果Fig.4 Path recommendation from Xilang to Changban

3 結(jié)束語

利用基于數(shù)據(jù)驅(qū)動(dòng)的前瞻性誘導(dǎo)理論，可以為乘客提前優(yōu)化出行路徑，也可以為運(yùn)營管理者有針對(duì)性地發(fā)布客流誘導(dǎo)信息提供理論基礎(chǔ)。實(shí)例分析結(jié)果表明，利用GRU 模型預(yù)測(cè)滿載率的預(yù)測(cè)效果優(yōu)于BP，SVR 和ARIMA 模型，從而使得Logit 模型計(jì)算得到的路徑選擇概率更加準(zhǔn)確。以上2 種方法結(jié)合，能夠?qū)崿F(xiàn)精準(zhǔn)的前瞻性分析和客流組織?；跀?shù)據(jù)驅(qū)動(dòng)的前瞻性乘客誘導(dǎo)方法已在廣州地鐵官方APP 上應(yīng)用，提高了乘客出行服務(wù)水平以及運(yùn)營管理者的客流組織效率，將來還應(yīng)對(duì)路徑的推薦效果作進(jìn)一步驗(yàn)證，還應(yīng)嘗試采用問卷調(diào)查或仿真方法評(píng)估推薦結(jié)果的可靠性。