基于改進(jìn)LSTM模型的城際鐵路客流預(yù)測(cè)方法

摘要 隨著城際鐵路列車的日常化運(yùn)營(yíng)，城際鐵路承載客流量不斷增加，不同類型車站客流量存在較大變化，從而導(dǎo)致城際列車客流的分布不均勻，列車開行方案和車站客流組織難度增加。為更好地掌握城際鐵路客流規(guī)律并進(jìn)行長(zhǎng)短時(shí)客流預(yù)測(cè)，文章以京津城際2023年7月旅客發(fā)送量的客流數(shù)據(jù)為基礎(chǔ)，結(jié)合客流影響因素及分布特點(diǎn)，采用基于多層LSTM神經(jīng)網(wǎng)絡(luò)的客流預(yù)測(cè)模型，實(shí)現(xiàn)了不同類型車站的客流預(yù)測(cè)，并解決了梯度消失和梯度爆炸等一般循環(huán)神經(jīng)網(wǎng)絡(luò)在運(yùn)算時(shí)存在的問題。結(jié)果表明：客流預(yù)測(cè)值的平均絕對(duì)百分比誤差在可接受范圍內(nèi)，且準(zhǔn)確程度較高。

關(guān)鍵詞 城際軌道交通；客流預(yù)測(cè)；長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)；門控循環(huán)單元

中圖分類號(hào) U294.1+2 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 2096-8949（2024）13-0004-04

0 引言

近年來(lái)，城際鐵路客流量隨著我國(guó)經(jīng)濟(jì)的快速發(fā)展和城市邊界的相互延伸而迅速增長(zhǎng)，如何精確掌握城市間的客運(yùn)需求，合理配置運(yùn)輸資源，精準(zhǔn)實(shí)施“一日一圖”，從而在滿足旅客需求的同時(shí)降低運(yùn)輸成本是一個(gè)重要問題。而客流預(yù)測(cè)是把握未來(lái)一段時(shí)間內(nèi)客運(yùn)需求的重要手段，也是鐵路運(yùn)輸企業(yè)運(yùn)營(yíng)決策和動(dòng)態(tài)調(diào)整運(yùn)輸資源的重要依據(jù)。

客流預(yù)測(cè)一般是指利用一定的方法和技術(shù)對(duì)未來(lái)一定時(shí)期內(nèi)客流的需求、性質(zhì)進(jìn)行預(yù)先推測(cè)和判斷[1]。城際軌道交通短期客流預(yù)測(cè)可分為：以實(shí)時(shí)管理為目的，對(duì)未來(lái)一周或一個(gè)月內(nèi)的交通狀態(tài)進(jìn)行評(píng)估，或者對(duì)未來(lái)5～15 min內(nèi)的客流進(jìn)行預(yù)測(cè)。關(guān)于短時(shí)客流預(yù)測(cè)，目前國(guó)內(nèi)外研究比較廣泛，國(guó)內(nèi)學(xué)者田壯壯[2]對(duì)南昌市地鐵1號(hào)線進(jìn)出站的客流量預(yù)測(cè)構(gòu)建了BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，并在模型中輸入站點(diǎn)周圍人口密度等信息作為影響因子；王秋雯等人[3]提出了基于卷積長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)（Convolutional Long Short-Term Memory， ConvLSTM）和K均值聚類算法（K-means clustering algorithm， K-means）的預(yù)測(cè)模型，在充分考慮變量時(shí)空特性的同時(shí)，以客流時(shí)空網(wǎng)絡(luò)圖像為基礎(chǔ)進(jìn)行預(yù)測(cè)，確?？土魈匦缘某浞掷?；趙陽(yáng)陽(yáng)等人[4]在長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)模型（Long-Short Term Memory， LSTM）中融入了經(jīng)驗(yàn)?zāi)B(tài)分解，大幅降低了噪聲對(duì)預(yù)測(cè)結(jié)果的影響，相較于傳統(tǒng)模型，客流預(yù)測(cè)準(zhǔn)確度有所提高。國(guó)外學(xué)者Haibo Chen等[5]在短時(shí)交通流預(yù)測(cè)中，研究了一種基于動(dòng)態(tài)排序?qū)W習(xí)的神經(jīng)網(wǎng)絡(luò)模型；Coskun Hamzacebi[6]認(rèn)為改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型在預(yù)測(cè)時(shí)間序列數(shù)據(jù)方面具有重要的參考價(jià)值；Luca Quadrifoglio等[7]在研究短時(shí)客流預(yù)測(cè)時(shí)，加入了影響乘客需求響應(yīng)的調(diào)度策略等因素。

基于以上專家學(xué)者的研究，該文依據(jù)2023年7月京津城際客流數(shù)據(jù)，在綜合考慮客流影響因素和分布特征的基礎(chǔ)上，提出了以多層LSTM神經(jīng)網(wǎng)絡(luò)構(gòu)建客流預(yù)測(cè)模型，從而解決一般性循環(huán)神經(jīng)網(wǎng)絡(luò)運(yùn)算時(shí)出現(xiàn)的梯度消失、梯度爆炸的問題，用以分析京津城際鐵路沿線不同車站的客流特點(diǎn)并進(jìn)行了長(zhǎng)短時(shí)客流預(yù)測(cè)，為車站客運(yùn)組織提供支持。

1 客流特征及影響因素

客流預(yù)測(cè)分為長(zhǎng)期、中期和短期預(yù)測(cè)三種[8]。短期客流預(yù)測(cè)一般是指對(duì)未來(lái)一周到一個(gè)月內(nèi)的客流量進(jìn)行預(yù)測(cè)，主要是為了優(yōu)化列車開行方案、客流組織、票價(jià)策略等。2023年6月15日京津城際列車運(yùn)行圖進(jìn)行了一次較大調(diào)整，在對(duì)整體列車開行方案進(jìn)行優(yōu)化的同時(shí)，將部分交路車次在客流高峰期使用重聯(lián)或大編組的列車運(yùn)行方式，使得城際線運(yùn)能得以大幅提升，沿線各站的客流量也隨之快速增長(zhǎng)，這使得以往的客流數(shù)據(jù)在現(xiàn)行列車開行方案下，無(wú)法起到以歷史數(shù)據(jù)預(yù)測(cè)未來(lái)客流量的作用。因此，研究如何利用短期數(shù)據(jù)準(zhǔn)確預(yù)測(cè)未來(lái)客流量并探索客流規(guī)律，對(duì)京津城際沿線各站的售票策略調(diào)整和客運(yùn)組織具有重要意義。

1.1 數(shù)據(jù)收集

京津城際高速鐵路及延長(zhǎng)線全長(zhǎng)約166 km，設(shè)計(jì)運(yùn)營(yíng)速度為350 km/h，共設(shè)7個(gè)車站，如表1所示。除此之外，天津西站通過南倉(cāng)城際高速聯(lián)絡(luò)線接入京津城際，也屬于線路始發(fā)站之一。該線路客流需求量大，列車發(fā)車頻繁，旅客具有明顯的出行規(guī)律。

該文以京津城際鐵路2023年7月1日至2023年7月16日的歷史出發(fā)客流數(shù)據(jù)為依據(jù)，所有數(shù)據(jù)來(lái)源于鐵路客票系統(tǒng)。

1.2 客流影響因素分析

在城際軌道交通運(yùn)營(yíng)過程中，不同車站客流量受該站點(diǎn)列車時(shí)刻表、區(qū)域內(nèi)旅客工作時(shí)間、通勤時(shí)間、出行偏好及周邊地理環(huán)境影響而呈現(xiàn)不同的變化。通過分析三個(gè)重點(diǎn)車站的日均客流量，如圖1所示，可以看出三個(gè)車站客流在規(guī)模上相差較大，天津站與天津西的客流規(guī)律比較相似。天津站作為京津城際線天津地區(qū)最重要的一站，日均客發(fā)量占上行發(fā)送量的55%，武清站作為通勤流、購(gòu)物流疊加的中間站，客流長(zhǎng)期處于高峰狀態(tài)。因此，該文選取天津站、武清站為研究對(duì)象，將天津站作為典型車站，武清站作為普通車站，對(duì)旅客出行需求按不同出發(fā)日期和出發(fā)時(shí)段進(jìn)行分析。由圖2、圖3可得出不同類型車站在不同日期、不同時(shí)段乘客需求量的變化情況。

（1）從時(shí)間維度分析，隨著出發(fā)時(shí)間的不同，客流需求呈現(xiàn)出不同的波動(dòng)特點(diǎn)，一天內(nèi)的客流高峰期和低谷期明顯；天津站的客流高峰出現(xiàn)在8：00—9：00、19：00—20：00兩個(gè)時(shí)間段，武清站客流高峰出現(xiàn)在10：00—11：00、12：00—13：00和18：00—19：00三個(gè)時(shí)間段，兩站高峰時(shí)段的持續(xù)時(shí)間不長(zhǎng)。

（2）一周內(nèi)不同日期的客流需求在某一時(shí)段內(nèi)具有一定的相似性。上述分析可以看出旅客需求具有時(shí)變特征，即隨著時(shí)間的推移，相應(yīng)的客流也會(huì)發(fā)生變化。雖然不同日期在同一時(shí)間段內(nèi)的客流量不同，但整體的波動(dòng)規(guī)律具有相似性?？土鲾?shù)據(jù)中5：00—6：00、23：00—24：00之間的客發(fā)量較小，因此選取6點(diǎn)到23點(diǎn)為該文研究時(shí)段。

（3）非工作日與工作日的客流量在相同時(shí)間段也有較大差異，例如7月2日、7月9日6：00—7：00與19：00

—20：00時(shí)間段內(nèi)，客流量與普通工作日相比，進(jìn)站客流差異顯著，非工作日客流量明顯增加，出行時(shí)間相對(duì)集中。工作日和非工作日客流量的不同說明不同時(shí)期旅客出行規(guī)律不同，客流成分也不同。

2 客流預(yù)測(cè)模型

2.1 LSTM模型介紹

關(guān)于城市軌道交通客流預(yù)測(cè)的問題，已有專家學(xué)者將其定義為長(zhǎng)時(shí)間序列預(yù)測(cè)類問題。而針對(duì)長(zhǎng)時(shí)間序列的預(yù)測(cè)模型中，長(zhǎng)短期記憶網(wǎng)絡(luò)（LSTM，Long Short-Term Memory）及其改進(jìn)模型已經(jīng)得到了廣泛應(yīng)用，該文將對(duì)LSTM模型改進(jìn)后對(duì)城際軌道交通客流進(jìn)行預(yù)測(cè)，相應(yīng)的模型介紹如下：

LSTM模型是眾多神經(jīng)網(wǎng)絡(luò)中以時(shí)間循環(huán)為核心的網(wǎng)絡(luò)模型，主要是為了解決一般循環(huán)神經(jīng)網(wǎng)絡(luò)在運(yùn)算時(shí)出現(xiàn)的長(zhǎng)期依賴問題，更具體地說，LSTM旨在解決較長(zhǎng)時(shí)間序列在訓(xùn)練過程中產(chǎn)生的梯度消失和梯度爆炸問題，這也是LSTM相對(duì)于一般循環(huán)神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)。但是，LSTM在結(jié)構(gòu)上的復(fù)雜性加劇，較一般性循環(huán)神經(jīng)網(wǎng)絡(luò)增加了單元狀態(tài)c，選擇效果較優(yōu)的策略控制LSTM模型的狀態(tài)是保存長(zhǎng)期預(yù)測(cè)狀態(tài)的關(guān)鍵。

在LSTM模型的通用結(jié)構(gòu)中，有三個(gè)及以上的開關(guān)單元控制著信息的傳遞，如圖4所示。開關(guān)1用來(lái)決定歷史時(shí)刻的長(zhǎng)期狀態(tài)是否受到當(dāng)前狀態(tài)的影響，開關(guān)2用來(lái)控制當(dāng)前狀態(tài)是否要輸入到長(zhǎng)期狀態(tài)，開關(guān)3用來(lái)控制長(zhǎng)期狀態(tài)是否作為設(shè)計(jì)好的LSTM模型的輸入。

為完成預(yù)測(cè)目標(biāo)，對(duì)應(yīng)LSTM模型的重復(fù)模塊如圖5所示。重復(fù)模塊的核心是其中各個(gè)單元的狀態(tài)，單元間狀態(tài)的傳遞呈傳送帶式，依托時(shí)間鏈運(yùn)行；與此同時(shí)，各類中間值可進(jìn)行線性交互，以更好地保留各個(gè)單元的相關(guān)信息。

2.2 LSTM預(yù)測(cè)模型建立

建立的預(yù)測(cè)模型如圖6所示，遺忘門通過設(shè)置Sigmoid激活函數(shù)（即σ）作為監(jiān)測(cè)條件，將上層輸出ht?1和當(dāng)前輸入xt作為輸入信息，得到一個(gè)二維的0?1輸出向量ft，其計(jì)算方法見式（1）。輸入門的作用是根據(jù)Sigmoid函數(shù)，計(jì)算當(dāng)前輸入在長(zhǎng)期記憶Ct中的占比程度，計(jì)算方法見式（2），在這一計(jì)算過程中，可通過創(chuàng)建候選門計(jì)算當(dāng)前輸入的單元狀態(tài)[9]，計(jì)算方法見式（3）。

值得注意的是，神經(jīng)元在每一次數(shù)據(jù)迭代中都不可避免地處于不間斷的更新狀態(tài)。根據(jù)式（4）的計(jì)算方法，對(duì)比計(jì)算前一次記憶信息和當(dāng)前處理階段的保留信息，使得Ct值不斷變化，促使LSTM模型不斷循環(huán)。

同輸入門類似的有，輸出門ot也通過Sigmoid函數(shù)確定輸出信息，結(jié)合tanh函數(shù)并根據(jù)式（5）和（6）進(jìn)行計(jì)算，得到輸出結(jié)果ht。

該文采用多層LSTM神經(jīng)網(wǎng)絡(luò)構(gòu)建預(yù)測(cè)模型，將dropout引入模型的第三層。另外，LSTM神經(jīng)網(wǎng)絡(luò)最后加入units為1的全連接層，達(dá)到降維效果。相關(guān)參數(shù)設(shè)置包括：時(shí)間粒度為15 min，學(xué)習(xí)步長(zhǎng)為3，將LSTM神經(jīng)網(wǎng)絡(luò)層的隱藏層units分別設(shè)為128、64和32，采用Relu為激活函數(shù)，選擇Adam為優(yōu)化器。

3 LSTM預(yù)測(cè)分析

3.1 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)用的計(jì)算機(jī)配置如下：主機(jī)使用Inter（R） i5-6300HQ，搭載NVIDI GTX 960顯卡，8G內(nèi)存，應(yīng)用程序中配置Python3.8.5、keras2.3.1、tensorflow2.4.0整體環(huán)境。針對(duì)客流數(shù)據(jù)中工作日與非工作日，實(shí)驗(yàn)中將每個(gè)車站的客流數(shù)據(jù)按歷史客流數(shù)據(jù)進(jìn)行測(cè)試和訓(xùn)練。

利用2023年7月1日—2023年7月16日天津站、武清站分時(shí)段歷史客流數(shù)據(jù)，進(jìn)行測(cè)試和訓(xùn)練，對(duì)兩站下一周工作日和非工作日各時(shí)段客流情況分別進(jìn)行預(yù)測(cè)。因不同日期分時(shí)段的客流差異較大，該文選取典型日期進(jìn)行預(yù)測(cè)，其中工作日選取周一、非工作日選取周日，并將預(yù)測(cè)結(jié)果與周一（7月17日）和周日（7月23日）的真實(shí)數(shù)據(jù)進(jìn)行比較。

各車站在相應(yīng)參數(shù)下通過LSTM模型得到的客流預(yù)測(cè)結(jié)果如圖7～8所示。

3.2 實(shí)驗(yàn)分析

從上述結(jié)果可以看出，客流預(yù)測(cè)值與真實(shí)值匹配程度較高，其中在典型車站天津站客流曲線中存在1個(gè)異常點(diǎn)差值區(qū)間；普通車站預(yù)測(cè)結(jié)果中，武清站LSTM預(yù)測(cè)值與實(shí)際值間不存在異常點(diǎn)差值區(qū)間。由于客流受工作日與非工作日影響較大，通過將兩個(gè)車站工作日與非工作日各時(shí)段的客流預(yù)測(cè)數(shù)據(jù)與實(shí)際值做對(duì)比，發(fā)現(xiàn)客流演化趨勢(shì)與歷史數(shù)據(jù)相關(guān)性較強(qiáng)，量化預(yù)測(cè)后各級(jí)數(shù)據(jù)之間的變化也具有一定的相關(guān)性。

將客流預(yù)測(cè)值與實(shí)際值之間的差值做CDF分析，典型車站預(yù)測(cè)值與實(shí)際值之間的相對(duì)誤差絕對(duì)值小于200的點(diǎn)占到90%以上，普通車站預(yù)測(cè)值與實(shí)際值之間的相對(duì)誤差絕對(duì)值小于80的點(diǎn)占到95%以上。在預(yù)測(cè)值的平均絕對(duì)百分比誤差方面，典型車站ΔMAPE=0.084 2，普通車站ΔMAPE=0.092 1，說明模型的預(yù)測(cè)性能較好。

4 結(jié)論

該文提出了LSTM模型的改進(jìn)模型，基于京津城際2023年7月旅客發(fā)送量的客流數(shù)據(jù)，對(duì)不同類型車站的客流進(jìn)行了預(yù)測(cè)，并與真實(shí)值進(jìn)行了對(duì)比分析，驗(yàn)證了模型在城際鐵路車站短時(shí)客流預(yù)測(cè)中的準(zhǔn)確性。后續(xù)研究可在目前研究工作的基礎(chǔ)上，對(duì)城際列車長(zhǎng)期的客流影響因素進(jìn)行進(jìn)一步探究，加入列車開行方案及列車編組、定員等影響因素，建立更加有效的客流預(yù)測(cè)模型。

參考文獻(xiàn)

[1]白麗. 城市軌道交通線網(wǎng)運(yùn)營(yíng)安全保障及評(píng)估體系研究[D]. 北京：中國(guó)鐵道科學(xué)研究院， 2016.

[2]田壯壯. 城市軌道交通延伸線的進(jìn)出站客流預(yù)測(cè)[D]. 南昌：華東交通大學(xué)， 2019.

[3]王秋雯， 陳彥如， 劉媛春. 基于卷積長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的城市軌道交通短時(shí)客流預(yù)測(cè)[J]. 控制與決策， 2021

（11）： 2760-2770.

[4]趙陽(yáng)陽(yáng)， 夏亮， 江欣國(guó). 基于經(jīng)驗(yàn)?zāi)B(tài)分解與長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)的短時(shí)地鐵客流預(yù)測(cè)模型[J]. 交通運(yùn)輸工程學(xué)報(bào)， 2020（4）： 194-204.

[5]CHEN H B， GRANT- MULLER S. Use of sequentiallearning for short-term traffic flow forecasting[J]. Transportation Research， 2001（9）： 319-336.

[6]COSKUN HAMZACEBI. Improving artificial neural networks performance in seasonal time series forecasting[J]. Information Sciences I， 2008（78）： 4550-4559.

[7]LUCA QUADRIFOGLIO， MAGED M DESSOUKY， FEMANDO ORDONEZ. A simulation study of demand responsive transit system design[J]. Transportation Research， 2008（42）： 718-737.

[8]常昊. 基于LSTM神經(jīng)網(wǎng)絡(luò)的地鐵短時(shí)客流量預(yù)測(cè)研究[D]. 西安：西京學(xué)院， 2022.

[9]賈島. 基于經(jīng)LSTM的祁連水文站月徑流預(yù)測(cè)研究[J]. 黑龍江科學(xué)， 2022（22）： 22-25.

收稿日期：2024-04-02

作者簡(jiǎn)介：朱海笑（1989—），女，碩士，工程師，從事客運(yùn)組織工作。