赵晓丽
（天津轨道交通运营集团有限公司，天津 300392）
近年来，我国城市轨道交通迎来了蓬勃发展的黄金时期。截至2021年12月31日，中国内地累计有50 个城市投运城市轨道交通线路9 192.62 km，年客运量超过200 亿人次[1]。日趋完善的城市轨道交通网络对运营管理水平提出了更高的要求，客流监控、实时流量统计以及短时客流预测的重要性逐渐突显。
城市轨道交通的客流分布具有时间和空间上的巨大不均匀性。在时间维度上，平日上下班高峰时段、节假日及特殊庆典活动时段以及极端天气发生时段的客流量会在短时间内急剧增大，造成个别站点的乘客排队拥堵，此时需要调整运行地铁列车的数量和开行频率，缓解拥堵压力，提升乘客出行效率和乘车体验。在空间维度上，上下班高峰的乘车拥堵会集中发生于居民集中片区、学校、工业开发区、商业中心等工作生活区域，节假日的拥堵站点则集中于繁华商业街、公园、体育馆附近。因此，需要提高这些区域城市轨道交通线路的开行频次，疏解拥堵压力。此外，城市轨道交通的客流拥堵状况也存在偶发性和非线性的特点。因此，利用多种技术手段从多角度监控站点的客流情况并进行实时数据分析与预测成为动态调整城市轨道交通运行的重要参考依据[2-5]。
客流监控旨在为城市轨道交通运营提供各个站点的分时段乘客流动数据，实现短期客流预测与客流预警响应，进而实时调整车辆开行班次、疏解站点拥堵压力、方便乘客高效出行。城市轨道交通的客流监控一般是指在一定时间颗粒度下（如5 min、10 min、20 min 间隔等），进行客流数据采集与汇总。图1为某城市轨道交通站点在不同时间颗粒度下的客流数据，可以发现大时间颗粒度下的客流曲线相当于对短时间颗粒度下客流数据的平滑处理，其优势在于更易于拟合预测，缺点在于失去了短时长下客流变化细节，降低了输出信息量。实时客流监控是指在规定的短时间颗粒度（如10 min）条件下对交通站点进行的客流数据收集。实现客流实时监控能够应对由非周期性因素（如节日庆典、体育赛事、群众活动等）导致的偶发客流状况剧烈变化，快速做出短期客流预测、预警并高效合理的规划解决方案[6-8]。
图1 不同时间颗粒度下的某城市轨道交通站点的进站客流量
实时客流监控需要收集的数据主要包括进站客流量、出站客流量、交通起止点（OD）客流量、换乘客流量和区间断面客流量等，可以分成车站、线路和线网3 个层级进行监测与统计。图2为某车站在5 天内以10 min 时间颗粒度采集得到的进站客流量、出站客流量和断面客流量。通过对比可以明显看出早晚客流的峰值变化以及该站点的客流流向。
图2 某城市轨道交通站点在10 min 时间颗粒度下的进站、出站和断面客流量
客流监控数据的时序相关性是准确预测短时客流变化的前提。相关性检验通常采用皮尔逊（Pearson）相关系数法实现。以一定间隔的时间步长（如5 min、10 min、15 min），统计某一时间节点之后的多个等间隔时序的客流数据，通过式（1）计算皮尔逊相关系数r进而判别客流监控数据的相关性。
式（1）中，Xi、Yi分别为不同时序的客流数据；
和分别为不同时序客流数据的平均值。皮尔逊相关系数r本质上是不同时序客流数据的协方差与标准差的比值，取值范围为[-1，1]。r越接近于1 或-1，说明时序客流数据的正或负相关性越显著。图3对5 天内的实时进站客流量与短期历史客流（20～60 min）的相关性进行了分析，其中20 min 内的客流相关性超过0.99。显然，实时进站客流量与历史客流的时间距离越近，其相关性越强，说明短期历史客流量能够作为实时客流预测的可靠数据来源[9-10]。
图3 实时进站客流与短时历史客流量的相关性
3.1 客流监控设备
城市轨道交通的客流监控是针对各乘车站点不同区域图像和传感器数据的判别、提取、归类和统计。客流监控设备可以依据监控统计方式划分为存量式客流监控设备和通量式客流监控设备两类[2-3]。
（1）存量式客流监控设备是以准静态方式统计城市轨道交通站点区域内的乘客数据，不存在客流误差累积问题。目前，存量式统计主要采用进出站闸机、安检仪和站内视频监控等设备实现。通过进出站闸机可以直接获取自动售检票（AFC）数据，具有较高的准确度且无需为客流监控增加额外成本。但是，AFC 数据的获取存在时延，不利于短期进站客流预测。车站安检仪的红外传感器也可以实现客流统计功能。与AFC 数据类似，获取基于红外计数的客流数据准确度较高，但同样存在时延问题。尽管如此，结合安检仪和AFC 数据可以获得闸机外滞留乘客的数据，能够评估交通枢纽、大型商业区附近站点乘客排队进站的拥堵状况。站内的视频监控设备能够规避客流监控时延问题，为短期客流预测提供可靠的数据支持。但通过视频监控获取客流数据需加装人脸识别软硬件设备，存在一定的附加成本。在大客流和极端拥堵的情况下，数据采集精度会有所下降。此外，手机信令与移动通信数据感知技术也已经应用于大客流下的实时客流统计，结合WiFi 探测技术能够实现站内站台以及车厢内部的多区域客流动态分析。手机信令和WiFi 探测设备成本相对较低，但数据采集的精度不高，因此可以作为存量式客流统计的补充手段。
（2）通量式客流监控设备主要设置于城市轨道交通站点的连接通道处、自动扶梯等客流方向相对固定的区域，弥补站点内固有设备数据采集在抗时延能力上的不足，实现对客流剧烈变化的快速响应。通量式设备可以通过红外客流计数器、飞行时间（TOF）相机、三维视觉探测技术实现，具备更高的客流监控精度，但设备成本相对较高。此外，通量式客流监控设备均存在客流误差累积现象，需要周期性的对客流计数的初值进行修正，例如每隔30～60 min 将测量数据与存量式客流统计数据进行校核，修正客流累计误差。
存量式与通量式设备在客流统计中各具优势，将统计结果进行交叉验证并加权处理可以获得更为可靠的客流数据。若某站点在时间间隔Δi内由存量式监控设备采集的乘客存量为GRi，则GRi可以表示为：
式（2）中，GJi为第J台设备的客流数据；
SPiJK为第J台和第K台设备的客流数据中重叠的客流人数。
类似地，通量式监控设备采集的客流数据GFi可以表示为：
式（3）中，GFi-1为上一个时间间隔的乘客存量；
和分别为入站通道设备和出站通道设备的客流监测结果。
对站内乘客存量的估计可由该时间段内的存量式客流统计结果GiR和通量式客流统计结果加权平均得到：
式（4）中，fRi和fFi分别为存量式和通量式客流统计的统计权重。统计权重由不同客流监控设备的误差率决定。若第i时段的存量式和通量式客流统计误差率分别表示为ERi和EFi，统计权重则可表达为误差率的调和平均：
由式（5）可知，客流统计误差率低的设备获得了更高的统计权重，从而保证了客流监测结果的可靠性。
存量式与通量式客流监控设备的布置要与站点的建筑结构匹配。在站点设计和建造时，乘客的必经区域通常已经布置了存量式客流监控设备，例如进出站区域的闸机和安检仪等。需着重布置客流监控设备的区域是车站的出入口、地下通道、自动扶梯和电梯、车辆换乘楼梯、站台、紧急出入口以及地铁车辆内部等。
地铁车站的进出口与连接通道的客流监控设备在获取进出客流数据上最为迅捷。由于车站进出口在早晚高峰和特殊时段会产生流量峰值的剧烈变化，采用飞行时间成像设备或双目立体视觉设备结合视频分析工具可以加速客流数据获取，为短时客流预测预警提供时间。由于进入车站的人员有可能并非乘客，采用车站进出口获取的客流数据进行预测存在过高估计客流的问题。在安检门与进出站闸机获得的AFC 数据和红外客流计数结果能够更为精准的监控乘车人群数量。在交通繁忙地段，进站闸机和安检门也是客流减速区域，通常是客流流量的限制结点，因此，在一定程度上对冲了由AFC数据存储传输导致的客流监控时延问题。客流通行受限的另一个结点是换乘楼梯与自动扶梯。由于客流通行较为缓慢，可采用通量式监控设备与视频监控设备相结合，不仅能够动态监测乘客流量，而且能在通行拥堵的情况下做出预警，避免突发安全状况。与换乘楼梯、自动扶梯相比较，站台的客流处于相对静止状态，通量式监控设备难以发挥效用，更适于布置视频监控设备，通过人脸识别抓取客流信息。此外，在站台上加装WiFi探测辅助设备，可以扩大客流监控的范围，进一步修正视频监控抓取的客流统计数据。
3.2 客流监控设备布置方案
现以如图4所示的T 市某站点地下一层的客流监控设备布置为例说明客流数据收集、统计以及预测的实现流程。视频监控设备主要分布于进出口、上下行自动扶梯、电梯、楼梯的出入口以及通道内部。视频设备的视野范围存在交叠保证了客流监控无死角与数据冗余。在进行客流预测前，首先通过监控设备捕捉客流影像。利用形状与颜色特征提取乘客候选图像，并由预训练的区域卷积神经网络（Regions Convolution Neural Network，R-CNN）进行乘客识别。在同一时段内对不同视频设备进行乘客识别，从而筛除重复统计得到短时乘客流量。在图4中，16 个进出口闸机同时工作并提供AFC统计数据。将同一时段的AFC 统计数据与视频监控提取的客流数据进行加权统计，得到更为可靠的短时乘客流量。将短时乘客流量按照工作日、节假日以及突发状况日进行分类，分别采用长短时记忆网络模型（Long Short Term Memory，LSTM）进行训练得到该站点在不同状况下的客流数据预测模型。在日常客流监控过程中，提取实时监控客流数据与AFC 统计数据并通过LSTM 预测模型进行客流预测，为城市轨道交通运营的动态调整提供实时参考。
图4 T 市某站点地下一层的客流监控设备布设位置
随着我国城市轨道交通里程的逐年攀升，城市轨道交通网络逐渐完善，客流监控、实时流量统计以及短时客流预测的重要性逐渐突显。实时精准的客流监控不仅是实现短期客流预测的基础，而且对合理调度列车开行班次，解决站点人流拥堵，防范安全风险，提升乘客出行体验也具有关键作用。城市轨道交通站点的日常监控显示客流流量具有明显的周期性和方向性，皮尔逊相关性分析也显示短期客流具有较强的时序相关性，说明利用客流数据进行短期预测具有可靠性。客流监控的实现需要存量式客流监控设备和通量式客流监控设备在站点区间内合理安装。利用二者在客流监控中的互补性能够同时提升客流数据统计的精准度和及时性，为短期客流的高效预测提供数据支撑。
猜你喜欢 客流量存量客流 客流增多环球时报(2022-12-12)2022-12-12城市轨道交通节假日期间大客流行车组织思考与实践科学家(2021年24期)2021-04-25存量时代下，房企如何把握旧改成本?房地产导刊(2020年5期)2020-06-24基于灰色预测理论在交通枢纽客流量的实际应用智富时代(2018年7期)2018-09-03基于灰色预测理论在交通枢纽客流量的实际应用智富时代(2018年7期)2018-09-03基于嵌入式系统的商场客流量统计算法精密制造与自动化(2018年1期)2018-04-12吉林存量收费公路的PPP改造中国公路(2017年5期)2017-06-01基于自学习补偿的室内定位及在客流分析中的应用北京信息科技大学学报(自然科学版)(2016年5期)2016-02-27腐败存量东西南北(2015年9期)2015-09-10基于AFC数据的城轨站间客流量分布预测中国铁道科学(2015年1期)2015-06-26