摘要
随着城市轨道交通线网规模的快速扩张和客流量的急剧增加，线网客流的时空分布日趋复杂，高峰时段供需不平衡问题愈加突出，部分车站客流超过设计能力，常态化限流车站逐步增加，系统安全运营和应急管理面临巨大挑战。大数据、人工智能等技术的兴起为应对现实挑战提供了解决思路，促使轨道交通逐渐向智慧轨道交通生态的方向发展。短时客流预测是构建智慧轨道交通生态的基础研究内容，然而既有相关研究存在预测精度较低、系统性较弱、网络客流时空特征捕捉不充分等不足，难以满足智慧化运营管理的需求。 鉴于此，在新时代新背景新技术的推动下，本论文借助大数据挖掘和人工智能等新兴技术，构建了包括车站级和网络级短时进站流预测、短时OD流预测以及短时断面流预测在内的一整套智能城市轨道交通短时客流预测体系框架，分别着力解决了如何获取轨道交通系统短时期内进站流量、OD流量、断面流量的问题。研究成果有助于辅助地铁运营公司实时把握全网客流高精度的时空分布状态、及时有效地调整客流管控措施等。论文主要研究内容分为以下四部分： （1）城市轨道交通车站级短时进站流预测。首先，构建了两步k-means算法进行全网车站聚类，深度解析了不同车站类别的空间分布特征；其次，基于聚类结果，通过分析不同时间粒度下客流时间序列的相似性和平稳性，构建了可预测性评估模型，深度挖掘了不同时间粒度下客流的时间特征。通过分析全网客流的时间性、空间性、短时性，充分把握了全网客流的时变特性和分布特性。最后，构建了基于聚类的CB-LSTM模型对车站级短时进站流进行预测。结果表明CB-LSTM模型有效地进行了数据增强，并在车站级水平上优于多数既有的交通预测模型，解决了如何获取轨道交通单个车站短时期内进站流量的问题。 （2）城市轨道交通网络级短时进站流预测。首先，详细分析了目前网络级短时进站流预测存在的主要问题。其次，考虑了客流的实时模式、日模式和周模式，借助残差网络、图卷积神经网络和注意力长短时记忆网络，融合进站流、出站流、网络拓扑信息、天气状况和空气质量因素，构建了ResLSTM深度学习框架对网络级短时进站流进行预测。最后，基于多图卷积神经网络和三维卷积神经网络，融合进站流和出站流，构建了Conv-GCN深度学习框架对网络级短时进站流进行预测。两种深度学习框架均实现了对全网所有车站实时进行短时进站流预测，且具有较好的预测效果，满足地铁运营管理的实际需求，解决了如何获取轨道交通全网所有车站短时期内进站流量的问题。 （3）城市轨道交通短时OD流预测。首先，提出了OD吸引度指标，用以表征OD吸引客流的强度，并将全网所有OD对划分为不同的OD吸引度水平。其次，构建了不同时间粒度不同OD吸引度水平下的车站级短时OD流预测LSTM模型，并推荐了最佳短时OD流预测时间粒度和OD吸引度水平。最后，借助分离卷积结构、通道注意力机制、进站流/出站流门控机制和掩膜损失函数等模型组件，通过有机融合OD矩阵、进站流和出站流，构建了CAS-CNN深度学习框架用于短时OD流预测。该模型实现了对全网所有OD对之间的短时OD需求进行预测，相较于多种既有深度学习模型，取得了良好的预测效果，解决了如何获取轨道交通全网短时期内OD流量的问题。 （4）基于计算图的城市轨道交通短时断面流预测。首先，引入了机器学习领域的计算图模型，并详细分析了基于计算图的客流分配模型相比传统客流分配模型的优势。其次，将轨道交通客流分配模型置于计算图框架下，通过乘客路径选择建模、k短路搜索以及有效路径选择、构建数学优化模型、优化模型向量化、计算图模型建模等步骤，估计了路段行程时间和站点等车时间，进而通过客流分配和智能体仿真等步骤，最终生成了断面流量。最后，进行了案例研究，将该模型应用于虚拟地铁网络，验证了模型的合理性和有效性，将该模型应用于北京真实地铁网络，获取了网络短时断面客流。该模型实现了实时获取全网所有断面的短时客流量，解决了如何获取轨道交通全网短时期内断面流量的问题。
NETL