上海軌道交通車廂滿載率實(shí)時(shí)感知與估計(jì)

趙源

（同濟(jì)大學(xué) 道路與交通工程教育部重點(diǎn)實(shí)驗(yàn)室，上海 201804）

0 引言

近年來，城市人口快速增加，軌道交通已經(jīng)成為大眾出行首選的主要交通方式，具有安全性高、速度快、環(huán)保、容量大等多方面優(yōu)勢(shì)，越來越受到廣大乘客的歡迎。隨著城市軌道交通的發(fā)展與信息技術(shù)手段的進(jìn)步，城市軌道交通的智慧運(yùn)營已經(jīng)成為了城市軌道交通發(fā)展的重要方向，其中地鐵車廂滿載率是關(guān)系到運(yùn)營管理的重要數(shù)據(jù)之一?，F(xiàn)有車廂滿載率一般采用車輛稱重或者票卡清分的方式而得到，計(jì)算得到的滿載率以分級(jí)的方式呈現(xiàn)，表現(xiàn)方式較為粗獷，獲取的數(shù)據(jù)精度不足，不足以支撐智慧化、精細(xì)化的運(yùn)營管理。如何利用科學(xué)可靠的技術(shù)實(shí)現(xiàn)地鐵車廂內(nèi)乘客均勻度的智能調(diào)控，促進(jìn)智慧地鐵的發(fā)展，成為當(dāng)前研究的重要課題。

車廂滿載率是通過車廂額定載客量與實(shí)際載客量的比值來確定。現(xiàn)有一些關(guān)于車廂滿載率的研究論文。如：文獻(xiàn)［1］中提出，通過對(duì)車輛定員概念進(jìn)行分析，將車輛定員與擁擠度進(jìn)行探討，得出車廂定員標(biāo)準(zhǔn)應(yīng)為6 人／平米；文獻(xiàn)［2］介紹了中國和美國對(duì)于滿載率的定義，運(yùn)用對(duì)比分析和統(tǒng)計(jì)學(xué)方法，對(duì)公交車輛額定乘載人數(shù)進(jìn)行修正，建立了新的滿載率計(jì)算模型，從而實(shí)現(xiàn)對(duì)公交線路車輛滿載率理論定義的修正；文獻(xiàn)［3］在基于視頻圖像分析的基礎(chǔ)上，利用卷積神經(jīng)網(wǎng)絡(luò)提出了一種地鐵列車車廂擁擠度識(shí)別方法；文獻(xiàn)［4］在北京地鐵4 號(hào)線的斷面區(qū)間車廂進(jìn)行實(shí)地調(diào)研，從而獲取車廂立席密度，進(jìn)一步得到車廂滿載率與乘客滿意度之間的關(guān)系，建立了乘客舒適度模型函數(shù)等等。

WIFI 探針是一種新型采集客流量的設(shè)備，其可以檢測(cè)到利用智能設(shè)備連接上WIFI 用戶的MAC 地址等信息，這些信息可記錄一定的身份識(shí)別功能且具有唯一性。WIFI 探針具有擴(kuò)展性較強(qiáng)且信號(hào)傳輸不易受非視距誤差及多徑衰落影響等優(yōu)點(diǎn)。為解決當(dāng)前現(xiàn)有的地鐵車廂滿載率數(shù)據(jù)精度不夠的難題，本論文擬將使用WIFI 探針在地鐵車廂內(nèi)進(jìn)行實(shí)地客流量檢測(cè)，通過與同日同車次的車廂稱重?cái)?shù)據(jù)、斷面客流數(shù)據(jù)進(jìn)行數(shù)據(jù)融合，得到列車車廂滿載率的估計(jì)值。

1 現(xiàn)狀研究

1.1 客流數(shù)據(jù)采集技術(shù)研究

國外的軌道交通發(fā)展起步較早，關(guān)于客流數(shù)據(jù)的采集方面有了較為先進(jìn)的研究，主要是將軍用視頻數(shù)據(jù)的采集與跟蹤思路引入行人數(shù)據(jù)采集管理中。國內(nèi)外客流數(shù)據(jù)的采集方法主要分為：人工調(diào)查統(tǒng)計(jì)法、自動(dòng)檢票計(jì)票統(tǒng)計(jì)法、閉路監(jiān)視器觀察法、圖像處理技術(shù)法、無線電波監(jiān)測(cè)粗略預(yù)測(cè)法。

中國軌道交通發(fā)展起步較晚，但隨著科技的不斷進(jìn)步，在軌道交通客流采集方面，也取得了較大的進(jìn)步。圖像技術(shù)是目前適用范圍最廣的技術(shù)之一，在車站的使用頻率最高。但由于圖像識(shí)別設(shè)備價(jià)格較高，若在大范圍內(nèi)使用，將帶來高成本的壓力。紅外傳感器、壓力傳感器也是常用的客流采集技術(shù)，但其只適合低密度客流量。比如，安裝在電梯處或者公交車的入口處，并不適用地鐵車站環(huán)境。目前，中國采用的軌道交通客流采集技術(shù)［5］有：超聲波定位采集技術(shù)、自動(dòng)檢票機(jī)采集技術(shù)、人工采集技術(shù)等。各種客流采集技術(shù)的優(yōu)缺點(diǎn)詳見表1。

表1 客流采集技術(shù)對(duì)比表Tab.1 Passengers flow collection technology comparison table

1.2 數(shù)據(jù)挖掘算法研究

數(shù)據(jù)挖掘［6－9］是指從大量的數(shù)據(jù)中，通過算法發(fā)現(xiàn)其中有用信息的過程。國外對(duì)于數(shù)據(jù)挖掘技術(shù)的研究起步較早，已有了較為廣泛的應(yīng)用。如電信、金融、體育、政府管理、醫(yī)療服務(wù)等領(lǐng)域。國內(nèi)雖起步較晚，但發(fā)展較快，近幾年的研究主要集中在學(xué)習(xí)算法方面。數(shù)據(jù)挖掘的理論基礎(chǔ)可以歸結(jié)到以下幾個(gè)方面：

（1）數(shù)據(jù)歸約；

（2）數(shù)據(jù)壓縮；

（3）模式發(fā)現(xiàn)；

（4）概率理論；

（5）微觀經(jīng)濟(jì)觀點(diǎn)；

（6）歸納數(shù)據(jù)庫。

1.3 客流數(shù)據(jù)預(yù)測(cè)研究

客流預(yù)測(cè)分為短時(shí)客流預(yù)測(cè)和長時(shí)客流預(yù)測(cè)，在長時(shí)間的研究成果中，形成了各自所適用的研究模型，其中ARIMA 模型和SVM 模型的使用較為廣泛。而ARIMA 模型被廣泛適用于客流的預(yù)測(cè)，運(yùn)算步驟可以歸納為4 個(gè)階段：參數(shù)的預(yù)測(cè)、序列規(guī)則選擇、模型優(yōu)化及校驗(yàn)?？土鞯臏?zhǔn)確預(yù)測(cè)是提高軌道交通運(yùn)營安全的關(guān)鍵，其中對(duì)客流數(shù)量的預(yù)測(cè)屬于交通量預(yù)測(cè)的重要組成部分?？土黝A(yù)測(cè)與預(yù)測(cè)模型主要有神經(jīng)網(wǎng)絡(luò)模型、計(jì)量模型、非線性系統(tǒng)理論模型等。

1.4 上海軌道交通列車車廂滿載率研究現(xiàn)狀

目前有關(guān)軌道交通列車車廂滿載率的研究，大都是在獲得客流量的基礎(chǔ)上，通過計(jì)算得到列車的滿載率。獲得客流量的方法，除了傳統(tǒng)的AFC 計(jì)數(shù)裝置和人工客流調(diào)查以外，基于高清視頻識(shí)別、紅外傳感器、熱敏傳感器等自動(dòng)化客流采集技術(shù)日趨成熟。但是，由于高成本、覆蓋范圍小、精度低等問題而難以得到推廣和應(yīng)用。WIFI 探針、藍(lán)牙等技術(shù)已被用于各大商場(chǎng)客流數(shù)據(jù)采集以及車站站廳客流采集及擁堵點(diǎn)分析，但單項(xiàng)技術(shù)獲取的數(shù)據(jù)量精度仍然較低。現(xiàn)有針對(duì)軌道交通列車滿載率的研究方法，主要有車廂稱重?cái)?shù)據(jù)及票務(wù)清分?jǐn)?shù)據(jù)。車廂稱重?cái)?shù)據(jù)獲取的滿載率較為粗獷，精度不高；票務(wù)清分?jǐn)?shù)據(jù)是根據(jù)AFC 刷卡數(shù)據(jù)所獲取的斷面客流量通過清分模型得到的，其準(zhǔn)確性也有待進(jìn)一步提升。

目前上海軌道交通列車車廂實(shí)際滿載率的感知還處在研究階段，數(shù)據(jù)精度不高，尚具有一定的提升挖掘空間。

2 車廂滿載率估計(jì)方法

2.1 票務(wù)清分系統(tǒng)模型

票務(wù)清分系統(tǒng)主要是通過清分模型，將運(yùn)營過程中的票款收入，按照一定的規(guī)則分配到各運(yùn)營線路上。票務(wù)清分系統(tǒng)模型通過乘客的進(jìn)出站進(jìn)行分配，得到乘客的出行路徑，進(jìn)而得到線路的斷面客流。

清分方法的發(fā)展主要經(jīng)歷了以下幾個(gè)階段：

（1）人工分賬法；

（2）出站確認(rèn)法；

（3）基于乘客出行路徑的清分方法。

其中，基于乘客出行路徑的清分方法主要包括3 種：最短路徑清分法、K 短路徑清分法和多路徑選擇概率清分算法。乘客出行路徑的清分方法的思路及適用情況詳見表2。

表2 乘客出行路徑的清分方法對(duì)比表Tab.2 Comparison table of classification methods for passengers walking routes

2.2 車廂稱重系統(tǒng)

車廂稱重系統(tǒng)是通過安裝在車廂中的稱重傳感器，來檢測(cè)車廂中客流的一種裝置。稱重傳感器是一種將質(zhì)量信號(hào)轉(zhuǎn)變?yōu)榭蓽y(cè)量的電信號(hào)輸出的裝置。車廂稱重系統(tǒng)采集客流的基本原理為：車廂稱重系統(tǒng)通過稱重傳感器，將車廂內(nèi)采集到的數(shù)據(jù)進(jìn)行存儲(chǔ)；當(dāng)軌道交通列車運(yùn)行到站臺(tái)時(shí)，稱重系統(tǒng)自動(dòng)連接站臺(tái)區(qū)域覆蓋的無線網(wǎng)絡(luò)，并將所采集到的信息進(jìn)行“車－地”傳輸；再通過線路（既有傳輸系統(tǒng)中百兆以太網(wǎng)通道）傳輸至線路側(cè)OCC（運(yùn)行控制中心）；由OCC 綜合前置網(wǎng)絡(luò)交換機(jī)，上傳至COCC（地鐵線網(wǎng)指揮中心）綜合前置網(wǎng)絡(luò)交換機(jī)，進(jìn)入分析服務(wù)器。稱重系統(tǒng)客流數(shù)據(jù)采集過程如圖1 所示。

圖1 稱重系統(tǒng)客流數(shù)據(jù)采集過程Fig.1 Passengers flow data collection process of weighing system

上海軌道交通車廂稱重系統(tǒng)采集到的數(shù)據(jù)內(nèi)容包括：列車編號(hào)、車廂號(hào)、車廂舒適程度、車廂溫度、車廂載重、時(shí)間等信息，見表3。車廂稱重系統(tǒng)將車廂的擁擠度情況分為3 類：舒適、較擁擠、擁擠。

表3 上海軌道交通車廂稱重?cái)?shù)據(jù)Tab.3 Weighing data of Shanghai metro carriages

3 WIFI 探針采集技術(shù)

3.1 WIFI 探針功能及工作原理

WIFI 探針采用WLAN（無線局域網(wǎng)）技術(shù)實(shí)現(xiàn)，對(duì)于開啟或連接WIFI 的設(shè)備進(jìn)行數(shù)據(jù)采集。采集原理為：AP 周期性地向四周發(fā)送BEACON（信標(biāo)）幀，通知周圍的WIFI 設(shè)備（如手機(jī)、筆記本電腦等）AP 的存在；WIFI 設(shè)備也會(huì)周期的發(fā)送PROBE（探測(cè)）幀，其中包含WIFI 設(shè)備的MAC 地址（Medium Access Control）、信號(hào)強(qiáng)度（RSSI）等信息。當(dāng)AP 檢測(cè)到WIFI 設(shè)備傳送的PROBE 幀，即記錄WIFI 設(shè)備傳送的信息。因此，在WIFI 探針區(qū)域內(nèi)打開或連接WIFI 則可收集WIFI 設(shè)備信息。

在工作狀態(tài)下，對(duì)于開啟WIFI 功能或連接上WIFI 的電子設(shè)備，WIFI 探針能檢測(cè)其發(fā)送的信號(hào)且記錄生成數(shù)據(jù)文本，其中包括WIFI 設(shè)備MAC 地址、RSSI 和數(shù)據(jù)抓取的日期和時(shí)間等基礎(chǔ)信息。

3.2 WIFI 探針數(shù)據(jù)分析

將WIFI 探針數(shù)據(jù)進(jìn)行清洗，得到數(shù)據(jù)形式見表4。

表4 WIFI 探針采集數(shù)據(jù)表Tab.4 WIFI probe collection data sheet

其中，MAC 表示W(wǎng)IFI 探針采集的MAC 地址（即手機(jī)MAC 地址）；RSSI 代表WIFI 探針探測(cè)到的該幀的信號(hào)強(qiáng)度，可用于表征源設(shè)備與WIFI 探針間的距離（距離越近，信號(hào)強(qiáng)度值越趨近于0）；WIFI_TIME 指WIFI 探針抓取智能設(shè)備WIFI 信號(hào)的時(shí)間。

4 基于多源數(shù)據(jù)融合的地鐵列車車廂滿載率估計(jì)方法

4.1 長短時(shí)神經(jīng)網(wǎng)絡(luò)滿載率預(yù)測(cè)模型

通過以上的研究，實(shí)現(xiàn)了WIFI 探針數(shù)據(jù)的基本分析。為了準(zhǔn)確可靠地實(shí)現(xiàn)軌道交通列車車廂客流的預(yù)測(cè)，需建立基于采集的客流數(shù)據(jù)與實(shí)際數(shù)據(jù)間的預(yù)測(cè)模型。本文利用模型實(shí)現(xiàn)車廂客流實(shí)時(shí)預(yù)測(cè)，獲取短時(shí)車廂內(nèi)客流的動(dòng)態(tài)情況。

長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（LSTM）［10］是循壞卷積神經(jīng)網(wǎng)絡(luò)（RNN）中的一種，常用于解決一般循環(huán)卷積網(wǎng)絡(luò)中處理長期依賴梯度彌散的問題。根據(jù)站內(nèi)客流量具有短時(shí)性與短期依賴性的特點(diǎn)，本文基于循環(huán)神經(jīng)網(wǎng)絡(luò)的機(jī)理，建立了長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的客流預(yù)測(cè)模型。

4.2 實(shí)例驗(yàn)證

4.2.1 測(cè)試方案

實(shí)驗(yàn)測(cè)試是在上海軌道交通列車車廂內(nèi)布設(shè)WIFI 探針，使用WIFI 探針采集列車運(yùn)行過程中車廂中的客流量。由于列車在運(yùn)行過程中，WIFI 探針會(huì)受到地面信號(hào)的干擾，為避免這種情況出現(xiàn)，選取地下車站進(jìn)行測(cè)試。為此，選取上海軌道交通11 號(hào)線上江蘇路站－桃浦新村站為測(cè)試站點(diǎn)；由于列車車頭及車尾處不易受到前后節(jié)車廂的干擾，因此選取列車車頭處車廂及其鄰近的兩節(jié)車廂作為測(cè)試對(duì)象。測(cè)試共需8 名工作人員參與：前兩節(jié)車廂內(nèi)分別為3 個(gè)人，其中2 人在同一節(jié)車廂的前后處，高舉手持WIFI探針采集乘客手機(jī)的MAC 地址，1 人在列車運(yùn)行間隔的兩站中通過人工計(jì)數(shù)統(tǒng)計(jì)當(dāng)前車廂的客流量、拍照記錄客流量及記錄列車在每一站的停、發(fā)車時(shí)間；最后一節(jié)車廂內(nèi)設(shè)置兩人，在車廂的前后處高舉手持WIFI 探針，采集乘客手機(jī)的MAC 地址。

4.2.2 源數(shù)據(jù)預(yù)處理

利用WIFI探針采集的源客流數(shù)據(jù)建立客流量數(shù)據(jù)庫，根據(jù)設(shè)計(jì)過濾的算法進(jìn)行布設(shè)4 探針點(diǎn)采集得到的源數(shù)據(jù)進(jìn)行預(yù)處理。WIFI 探針A 的源數(shù)據(jù)處理前后的對(duì)比如圖2 所示。

圖2 WIFI 探針A 源數(shù)據(jù)過濾前后對(duì)比圖Fig.2 Comparison of WIFI probe A source data before and after filtering

從圖2 中可見：過濾前，采集得到的客流數(shù)據(jù)量大，且曲線走勢(shì)曲折，波動(dòng)性較大，說明源數(shù)據(jù)并不符合實(shí)際客流數(shù)據(jù)的情況；過濾后，數(shù)據(jù)曲線在0－200 之間波動(dòng)且走勢(shì)平緩，符合實(shí)際客流情況。由此說明了源數(shù)據(jù)預(yù)處理算法的有效性與必要性。同理，對(duì)其它4 個(gè)探針進(jìn)行統(tǒng)一操作得到預(yù)處理的數(shù)據(jù)結(jié)果見表5。

表5 多探針采集數(shù)據(jù)與實(shí)際客流量Tab.5 Multi－probe data collection and actual passengers flow

4.2.3 數(shù)據(jù)處理與分析

通過以上數(shù)據(jù)分析，采集客流數(shù)據(jù)的80%作為網(wǎng)絡(luò)的訓(xùn)練樣本，20%實(shí)際客流量作為測(cè)試集，數(shù)據(jù)集樣例見表6。

表6 數(shù)據(jù)集樣例表Tab.6 Sample data set table

通過使用WIFI 探針數(shù)據(jù)、當(dāng)天同車次同一節(jié)車廂人工測(cè)試得到的實(shí)際客流，以及票務(wù)數(shù)據(jù)計(jì)算的滿載率進(jìn)行對(duì)比分析，如圖3 所示。

圖3 滿載率對(duì)比分析圖Fig.3 Full load rate comparative analysis chart

4.2.4 基于長短時(shí)神經(jīng)網(wǎng)絡(luò)客流量預(yù)測(cè)模型

本文的LSTM 由輸出層、隱含層與輸出層組成。其中根據(jù)數(shù)據(jù)的特性設(shè)置，設(shè)置相應(yīng)的初始參數(shù)見表7。

表7 LSTM 網(wǎng)絡(luò)基本參數(shù)設(shè)置Tab.7 LSTM network basic parameter settings

將多源數(shù)據(jù)與實(shí)際客流量建立LSTM 神經(jīng)網(wǎng)絡(luò)，在python 環(huán)境中實(shí)現(xiàn)訓(xùn)練。神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程如圖4 所示：

圖4 LSTM 訓(xùn)練誤差曲線Fig.4 LSTM training error curve

從圖4 中可見，剛開始時(shí)，誤差曲線下降較快，在500 次訓(xùn)練后，訓(xùn)練的數(shù)據(jù)明顯減慢，在3 000次訓(xùn)練誤差值基本接近預(yù)設(shè)定的誤差值1*10－6。預(yù)測(cè)結(jié)果如圖5 所示。

圖5 LSTM 模型預(yù)測(cè)結(jié)果圖Fig.5 LSTM model prediction result

5 結(jié)束語

本文基于目前城市軌道交通車輛面臨高峰客流而易產(chǎn)生擁擠等安全隱患及缺乏有效的客流量采集手段的背景下，引用新型的采集設(shè)備——WIFI 探針在車輛上進(jìn)行客流數(shù)據(jù)的采集，詳細(xì)說明了WIFI探針的原理及在軌道交通車廂內(nèi)采集客流數(shù)據(jù)的布設(shè)方案。通過對(duì)比WIFI 探針數(shù)據(jù)與同日同時(shí)段的票務(wù)清分?jǐn)?shù)據(jù)，以及人工檢測(cè)的實(shí)際客流數(shù)據(jù)，根據(jù)客流采集數(shù)據(jù)的特征，選擇LSTM 長短時(shí)記憶神經(jīng)網(wǎng)絡(luò)，建立客流數(shù)據(jù)的預(yù)測(cè)模型，數(shù)據(jù)的預(yù)測(cè)精度達(dá)到較高水平。