中国科技信息2022年8期

基于实时AFC数据的城市轨道交通乘客目的站预测模型研究

赵玲

成都智元汇信息技术股份有限公司  四川成都  610000

摘要：针对轨道交通在获得完整乘客出行路线之后，才能够通过清分模型系统推演出乘客完整出行链的问题，在基于实时AFC数据建立依据乘客出行OD规律、乘客职住地规律及重点去向目的站规律的级联目的站预测模型，能够提高实时推演系统的效率与准确率，进一步提高轨道交通客运管理的科学性、合理性，推进乘客轨道出行个性化引导。

关键词：实时AFC；目的站预测模型；城市轨道交通

随着社会经济的飞速增长，城市化进程不断加快，我国的城市轨道交通路网规模不断扩建。但是随着城市轨道交通的扩建，线网出现客流负荷大、演化规律复杂、突发事件频出等特征，轨道交通的客流推演系统一般在获得乘客进站与出站后才能获得完整的时空信息与实时运行图，才能够对乘客的出行路线与乘坐次数进行推演计算，并得出数小时前乘客的在网情况[2]。为了进一步提高线网运营指挥和客运管理的效率，方便乘客根据实时的线网客流情况规划出行路线，有必要在接入实时自动售检票系统（AFC）的情况下，实现乘客目的站的快速预测，并对线网中的乘客路径和出行进行模拟推导，提高实时客流预测的准确率。

1客流实时仿真推演系统

1.1客流实时仿真推演系统架构

客流实时仿真推演系统根据乘客个人乘车历史记录与轨道交通所有乘客乘车行为数据进行客流目的站的预测推演与目的站的客流预测。采用分布式体系结构和快速流处理模式设计客流实时仿真系统。系统设计采用分布式架构和流处理方式，快速完成对各种指标的实时目的地预测、模拟和汇总。系统架构分为数据收集层、数据存储层、数据处理层与数据展示层，如图1所示。

图1 客流实时仿真推演系统架构

l 数据展示层包括WEB（HTML5,Thymeleat,Ounee）、报表平台（UniEAP Report）；

l 数据处理层包括：内存处理（Redis）、实时处理（Fink）、离线处理（MapReduce、Spark）；

l 数据存储层：基础数据、实时数据、展现层指标数据（ORACLE）、过程指标数据（Zoo Keeper：Yarn、HDFS）；

l 数据收集层：实时进出站数据（Active MQ）、数据解析和转发（Kafka）。

1.2实时目的站预测的准确率问题

目前的客流实时仿真推演系统的技术难点主要是实时目的站预测的准确性问题，此前的客流是通过清分系统根据每天的客流总量除以换乘系数得来，并非准确的实时出站客流。为实现对乘客目的站的精准预测，可以在乘客出行规律和车站目的地规律的基础上，构建级联目的地预测模型，通过大数据分析出乘客出行OD规律、预测职业居住规律和重点去向目的站规律，形成出行OD规律库、预测职业居住规律库和重点去向目的站规律库。考虑到这三种规律在客运目的地预测中的精度递减以及不同的应用场景，该模型采用级联预测策略，通过进站交易对进站乘客的出行目的地进行预测，该模型可与现有的清分模型系统相结合，实现对线网中乘客行程路径的实时模拟和推演，并利用级联预测策略对进站乘客的出行目的地进行预测。系统工作流程图详见图1：

图1 基于AFC数据的客流实时仿真推演系统流程

2基于实时AFC数据的城市轨道交通乘客目的站预测模型

2.1乘客出行OD规律

有两种类型的轨道交通客运行程，定期和不定期的，一般独立于出行的次数。如果乘客定期出行，基于历史出行记录中相同站点和不同目的地站点的概率分布，对目的地站点的实时预测可以获得较高的准确率。如果乘客客不定期出行，但D站给定的O站比较固定，则预测精度也相较于偏高。在上述两种情况下，卡账户的比例高于另外一种，因此大部分进站交易都可以根据乘客出行的OD模式进行目的站实时预测。

在开始预测日期之前，基于最近的轨道乘客出行记录生成乘客出行OD规律数据库。其中包含工作日、周末和节假日的乘客出行，以及发生的概率和中值出行时间，以乘客A001为例，统计近期在各线路进出站的出行概率，形成出行OD规律数据库（部分），详见表1。

表1 乘客A001近期出行OD规律数据库（部分）

在实时仿真模拟推演当日，根据乘客的进站信息和当天的日期类型，在OD规律数据库中查找同样的进站信息。在查找过后发现能够匹配出多个目的站，可采用按照出站发生概率高低排序的方式进行预测，选择概率最高的出站车站作为本次行程的目的车站的方法来预测目的站。如果在此日期类型中没有匹配到相关的进站信息，可以从其他日期类型的进站信息中搜索。

2.2乘客预测职住地规律

在轨道交通乘客当日进站车站或进站日期与OD规律数据库中的所有进站信息都不匹配时，可以基于线网乘客工作地或居住地的出行规律进行匹配检索，即早晨7:00至9:00出行目的地一般为工作地点，下午17:30至19:30出行目的一般为居住地点，可以以这两个出行时间段来预测乘客出行的目的站，以此来建立基于出行目的的目的站预测数据库。根据乘客的出行记录，可以对乘客的工作地点、居住地以及相应的概率分布进行分析和挖掘，生成规率的工作地点和居住地库。根据预测的居住站从中筛选出居住地车站为O站或D站的OD规律，通过全概率公式能够得知车站作为乘客居住地的概率：

2.3重点去向车站预测规律

如果乘客出行OD规律库、预测职住地库都无法匹配进站，则采用重点去向车站预测规律进行目的车站的预测。

重点去向车站的预测需基于乘客进站时间段内的进站的重点去向目的站的概率分布来预测该乘客的目的站，有三种情况：AFC交易卡号没有被收录乘客OD规律数据库内；AFC交易卡号被收录乘客OD规律数据库内，但OD规律数据库并没有将该乘客的预测日进站车站收录，且工作地与居住地无法从交易卡号的历史出行记录推断出；AFC交易卡号为单向出行票且没有确定目的站点。

定义近期线路车站u在时间段s去往其他车站的客流占车站u这个时间段进站量的比例为：

（2）

式中：为车站u在时间段s去往车站j的占比；为车站u在时间段s去往车站j的客流量；为车站u在时间段s的进站量。

统计每个时间段内每个站点进站量最近前往其他站点的比例，并按降序排列。提取概率大于0.5%的去向站点，形成一组重点去向目的站集，然后计算累积概率分布。乘客刷卡进入车站后，如果判断为上述三种情况之一，采用轮盘赌的方法在重点站集合中来确定目的站。由于每个站的目的站位于几乎整个线网，与分布概率没有很好的区分，使用这种方法的预测精度远远低于前两个策略。

结语

基于乘客出行OD大量数据信息，深度挖掘乘客出行的OD规律、职住地规律与关键去向车站规律，将在网乘客出站的时空信息进行推演预测，构建出基于实时AFC数据的城市轨道交通乘客目的站预测模型，通过对乘客目的站进行预测，提高轨道管理人员对网络化运营调度的科学性、准确性、高效性，促进城市轨道交通向着更好的方向发展。

参考文献

[1]高彦宇.基于AFC数据的城市轨道交通短期客流预测实时修正研究[J].中国铁路,2023(05):44-51.

[2]刘念念,周慧娟.基于AFC数据的城市轨道交通乘客出行弹性研究[J].交通工程,2023,23(01):15-20+30.