一种基于AFC数据的短时客流预测动态模型

技术领域

本发明涉及轨道交通技术领域，具体涉及短时客流预测动态模型。

背景技术

客流是轨道交通线路运营过程中的关键基础数据，通过对客流特征的分析和客流规律的预测，为运营调度提供依据、支持和辅助决策，制定出更加合理的城市轨道交通运营方案，提高城市轨道交通服务质量，更好地服务市民的出行需要。

现阶段城轨交通客流预测技术主要分为以下几种：

1)线性预测模型，如时间序列预测模型、卡尔曼(Kalman)滤波模型等；

2)非线性预测模型，如小波预测模型、混沌预测模型及非参数预测模型等；

3)仿真预测模型，如元胞自动机预测法和交通模拟预测法等；

4)机器学习预测模型，如支持向量机、神经网络等；

5)组合预测模型。

现阶段城轨交通客流预测技术的缺陷：

线性预测模型在处理具有强随机性和非线性特征的城市轨道交通短时客流时，无法完全获取短时客流的内在特征，线性映射很难充分体现短时客流数据的发展趋势。

非线性预测模型能够描述城轨交通短时客流量数据的非线性特征，但面对海量的小粒度短时客流数据，其预测精度有待进一步提高。

仿真预测模型通常建模成本较高，且模型计算效率很难满足时效性要求。

浅层的机器学习预测模型在处理大数据时容易出现过学或者欠学问题。

组合模型中组合方式及组合内容对最终模型的预测效果影响较大，预测精度不稳定。

在预测时间上，以一定等间隔的方式进行预测，脱落实际的运营场景。

发明内容

针对现有技术存在的缺陷，本发明所要解决的技术问题就是提供一种基于 AFC数据的短时客流预测动态模型，可以对站台客流数据和列车断面客流数据进行预测，并保证预测的有效性和高效率。

为解决上述技术问题，本发明采用如下技术方案：一种基于AFC数据的短时客流预测动态模型，包括：

自动售检票系统，用于采集AFC交易数据并进行存储，形成AFC历史数据：

历史OD客流数据计算模块，根据AFC历史数据计算历史OD客流数据，并根据相应的时刻表统计出时刻t客流数据的分配比例，包括从车站i到车站j的客流比例系数R(i，j，t)，在车站i上、下行客流的比例系数R

站台客流数据计算模块，用于计算时刻t，车站i的车站客流数据，计算如下：

NStation(i，t)＝NAFCin(i，t)+NShiftin(i，t)+NRest(i，t-1)

NRest(i，t)＝NStation(i，t)–Non(i，t)

NUp(i，t)＝NStation(i，t)×Ru(i，t)

NDown(i，t)＝NStation(i，t)×Rd(i，t)

NOD(i，j，t)＝NStation(i，t)×R(i，j，t)

式中，NStation表示站台人数；NAFCin表示t-1和t期间AFC进站累计人数；NShiftin表示t-1和t期间车站换乘进入累计人数；NRest表示站台滞留人数； Non表示上车人数，t-1表示时刻表中前一时刻的时间；NUp表示站台上期望上行的人数；NDown表示站台上期望下行的人数，NOD表示站台上期望乘车去往目的地站j的人数；

列车断面客流数据计算模块，用于计算时刻t，区段(i)中的列车k的断面客流数据，计算如下：

N

N

N

式中，N

进一步的，列车有满载人员定额限制，当列车满载率很高时候，不能满足所有在站台上等待乘客的上车期望，

对于下行，期望上车的人数为站台上计算出来的下行客流人数，

N

先计算判断条件，然后根据条件计算实际上车人数：

N

J

如果J

如果J

式中，N

进一步的，关于换乘人员，如果有多条换乘路径，则按最短路径计算，设乘客从a→b→c，表示乘客从a站经b站换乘去往目的地站c，则在本线该乘客被归类为OD为a→b的乘客来计算，并且在t时刻在b站下车，在换乘线该乘客被归类为在时刻t从b站进站OD为b→c的乘客来计算，

根据公式N

其中c为所有经b站换乘去非本线的车站：

N

式中，Nshift表示换乘客流人数，NTrainD表示列车断面客流人数中去往非本线目的地c的人数。

进一步的，对于每列车在起始站，列车的断面客流人数等于站台上车人数，NTrainD(k，j，t-1)＝0。

进一步的，还包括模型动态自校验和自修正模块，列车在时刻t到达车站i 后下车的人数应该等于车站i在时刻t的一段时间后AFC出站客流人数，计算两者的人数之差，重新按照模型计算，对车站和列车的断面客流人数以及各比例人数进行动态修正。

进一步的，在每列车的终点站，列车的断面客流人数应该等于AFC的出站客流人数，计算这两者的人数之差，重新按照模型计算，对车站和后续列车的客流人数以及各比例人数进行动态修正。

进一步的，在换乘站，换乘出口人数应该等于下车人数减去某时间段后该站AFC出站客流人数，计算这两者的人数之差，重新按照模型计算，对车站、列车和换乘客流人数以及各比例人数进行动态修正。

进一步的，AFC交易数据包括车票卡号、进站号、进站时刻、出站号、出站时刻。

本发明采用的技术方案，具有如下有益效果：

1.完整性。现有各方法和模型相对孤立。客流预测一般需要对三个方面的数据进行预测：站点的客流数据、断面客流数据及OD矩阵数据，现有的各种方法和模型一般只针对单一数据或者单一线路进行预测，本模型对客流预测作为一个整体建模，具有完整性。

2.可评估性和直观性。现有技术采用复杂的方法和模型，从输入数据以黑盒的方式预测输出结果，不清楚内在逻辑和特征，特定模型调优困难，结果和精度不够稳定，本模型内在逻辑清晰，有很好的可评估性和直观性。

3.动态自校验和自修正。现有技术没有很好地考虑站点的客流数据、断面客流数据及OD矩阵数据之间的内在关系，也没有考虑站点、线路和线网之间数据存在的相互关联和相互校验关系。本模型充分考虑数据之间一致性和内在逻辑性，从而形成一个闭环的系统，具备动态自校验和自修正能力。

4.预测的有效性和高效率。预测时机和时间间隔结合列车运行时刻表进行，切合实际应用场景，保证了预测的有效性和高效率。

本发明的具体技术方案及其有益效果将会在下面的具体实施方式中进行详细的说明。

附图说明

下面结合附图和具体实施方式对本发明作进一步描述：

图1为本发明一种基于AFC数据的短时客流预测动态模型示意图。

具体实施方式

下面对本发明实施例的技术方案进行解释和说明，但下述实施例仅为本发明的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其他实施例，都属于本发明的保护范围。

本发明是一种基于AFC数据的短时客流预测动态模型，根据列车时刻表以及历史OD客流数据计算某一时刻站台客流数据和列车断面客流数据。

其中，站台客流数据具体包括站台客流总数，其中可细分为按行车方向分的上行客流数据、下行客流数据，以及以本站为起点按去往各目的站分别计算的OD客流数据。输入数据来自AFC采集的历史交易数据和实时交易数据。AFC为城市轨道交通自动售检票系统的缩写，OD:origin-destination，起点-终点的意思，用于表达乘客的行车路径。

数据之间的关系如图1所示，下面具体描述各个变量之间的关系：以一条线路为例，设该线路有n个车站，编号依次为1，2，3，……，n，对于车站i，Section (i)表示i和i+1车站之间的区段，根据列车时刻表可得到计算时刻为t，前一计算时刻为t

一种基于AFC数据的短时客流预测动态模型，包括：

自动售检票系统，用于采集AFC交易数据并进行存储，形成AFC历史数据，其中AFC交易数据可以参考现有技术，包括车票卡号、进站号、进站时刻、出站号、出站时刻的内容。

历史OD客流数据计算模块，根据AFC历史数据计算历史OD客流数据，并根据相应的时刻表统计出时刻t客流数据的分配比例。

由于AFC历史交易数据中包含每位乘客的进站车站和时刻，以及出站的车站和时刻，因此把车站和出站进行匹配，可以得到乘客的行车路径。

时刻t客流数据的分配比例包括从车站i到车站j的客流比例系数R(i，j，t)，在车站i上、下行客流的比例系数R

有了历史OD客流数据，就知道了某时刻t从车站i到车站j的乘客集合，该集合人数与该时刻t站台上总人数的比例即为比例系数R(i，j，t)。

上述比例系数相互关系如下：

站台客流数据计算模块，用于计算时刻t，车站i的车站客流数据，具体计算如下：

站台人数是从AFC进入该站人数和从换乘站进入该站的人数和上一趟列车没有运走在站台滞留的人数总和：

NStation(i，t)＝NAFCin(i，t)+NShiftin(i，t)+NRest(i，t-1)

站台滞留人数是站台人数减去上车走后，留在站台上的人：

NRest(i，t)＝NStation(i，t)–Non(i，t)

期望人数，是站台上的人去往各个目的车站的人数，根据历史的比例计算而来:

NUp(i，t)＝NStation(i，t)×Ru(i，t)

NDown(i，t)＝NStation(i，t)×Rd(i，t)

NOD(i，j，t)＝NStation(i，t)×R(i，j，t)

式中，NStation表示站台人数；NAFCin表示t-1和t期间AFC进站累计人数；NShiftin表示t-1和t期间车站换乘进入累计人数；NRest表示站台滞留人数； Non表示上车人数，t-1表示时刻表中前一时刻的时间；NUp表示站台上期望上行的人数；NDown表示站台上期望下行的人数，NOD表示站台上期望乘车去往目的地站j的人数；

列车断面客流数据计算模块，用于计算时刻t，区段(i)中的列车k的断面客流数据，计算如下：

N

下车人数是车上期望其该目的站的人数

上车人数是站台上准备搭乘该车的人数

列车断面客流人数中去往目的地j的人数：列车的总人数中计算去目的地的人数是车中原先预定往j去的人数加上刚上车去往j的人数：

N

N

式中，N

短时客流预测动态更新及显示系统，根据站台客流数据计算模块和列车断面客流数据计算模块的计算结果进行自动更新和显示，并将结果传送至运营调度系统，为运营调度提供依据、支持和辅助决策，制定出更加合理的城市轨道交通运营方案。

列车有满载人员定额限制，当列车满载率很高时候，不能满足所有在站台上等待乘客的上车期望，

以下行为例，期望上车的人数为站台上计算出来的下行客流人数，

N

先计算判断条件，然后根据条件计算实际上车人数：

N

J

如果J

如果J

式中，N

车满了，自然在站台的人上不了车，只能等下趟车，所以才有了站台滞留人数。上行的同样，每次上车的人数上车后列车不能超过定额限制，只能部分人能上车。

关于换乘人员，如果有多条换乘路径，则按最短路径计算，

设乘客从a→b→c，表示乘客从a站经b站换乘去往目的地站c，则在本线该乘客被归类为OD为a→b的乘客来计算，并且在t时刻在b站下车，在换乘线该乘客被归类为在时刻t从b站进站OD为b→c的乘客来计算，

根据公式N

其中c为所有经b站换乘去非本线的车站：

N

式中，Nshift表示换乘客流人数，NTrainD表示列车断面客流人数中去往非本线目的地c的人数。

模型的启动和迭代条件

对于每列车在起始站，列车应该是空车，因此列车的断面客流人数等于站台上车人数。

N

为了使模型具有动态自校验和自修正能力，还设有模型的动态自校验和自修正模块。

每列车在时刻t到达车站i后下车的人数应该等于车站i在时刻t的一段时间后AFC出站客流人数。计算两者的人数之差，重新按照模型上述的计算方式，可以及时对车站和列车的断面客流人数以及各比例人数进行动态修正，弥补前一阶段预测结果的误差，提高准确性。

在每列车的终点站，列车的断面客流人数应该等于AFC的出站客流人数。计算这两者的人数之差，重新按照模型的计算方式，可以及时对车站和后续列车的客流人数以及各比例人数进行动态修正，弥补前一阶段预测结果的误差，提高准确性。

在换乘站，换乘出口人数应该等于下车人数减去某时间段后该站AFC出站客流人数。计算这两者的人数之差，重新按照模型的计算方式，可以及时对车站、列车和换乘客流人数以及各比例人数进行动态修正，弥补前一阶段预测结果的误差，提高准确性。

人数之差的这个人数中按原先的人数计算是知道这些人来自哪个站的比例，如果现在实际人数比预估多了或少了，说明预估有问题，可以依照比例调整修正在来源车站的上车人数，然后根据各公式重新计算后续行车和站台的人数，使得后面的结果更加符合实际。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，熟悉该本领域的技术人员应该明白本发明包括但不限于上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。