摘要：在分析城市軌道交通客流運(yùn)載情況的基礎(chǔ)上，提出了一種基于深度學(xué)習(xí)的短時交通流預(yù)測方法，對北京地鐵不同時段的客流量進(jìn)行了預(yù)測，以期根據(jù)預(yù)測結(jié)果對應(yīng)急救援站點資源配置方案進(jìn)行有效設(shè)計與優(yōu)化。
1.引言
近年來，我國人口與經(jīng)濟(jì)不斷增長，城市化進(jìn)程也快速發(fā)展，隨著城市規(guī)模的不斷擴(kuò)大，社會經(jīng)濟(jì)活動的日益頻繁，居民交通出行量由此被帶動并大幅擴(kuò)增。對此，優(yōu)先發(fā)展公共交通成為有效緩解一系列城市交通問題的關(guān)鍵措施之一，城市軌道交通作為一種資源節(jié)約型和環(huán)境友好型的綠色交通工具得到大幅發(fā)展。以其容量大、速度快、安全可靠、準(zhǔn)點舒適、節(jié)能環(huán)保等特點和優(yōu)點成為城市居民出行時的首選公共交通方式。
目前，隨著城市交通的日益擁擠，全國很多城市都在建設(shè)城市軌道交通。進(jìn)入新世紀(jì)，尤其是2008年以后，我國通過擴(kuò)大內(nèi)需，促進(jìn)經(jīng)濟(jì)平穩(wěn)增長的一攬子計劃，帶動了國內(nèi)基礎(chǔ)設(shè)施建設(shè)的發(fā)展，加快了城市軌道交通建設(shè)。上海、北京、廣州等城市的軌道交通路線已經(jīng)形成了初步的網(wǎng)絡(luò)，并且在逐步擴(kuò)大。
在充分借鑒國內(nèi)外先進(jìn)經(jīng)驗的基礎(chǔ)上，通過理論分析、現(xiàn)場調(diào)研，詳細(xì)分析城市軌道交通客流的運(yùn)載情況，有效把握客流規(guī)律，對短時交通客流進(jìn)行預(yù)測，從而可以分析歸納應(yīng)急救援站設(shè)置與應(yīng)急資源配備的影響因素。在保障地鐵突發(fā)事件應(yīng)急救援有效性的基礎(chǔ)上，有效減少地鐵突發(fā)事件的財產(chǎn)損失和人員傷亡，大大提高地鐵突發(fā)事件發(fā)生后的應(yīng)急救援效率，進(jìn)一步提高城市軌道交通預(yù)防和處理各種突發(fā)事件的能力，提升城市軌道交通應(yīng)急救援與管理水平。
2.研究現(xiàn)狀
國內(nèi)關(guān)于應(yīng)急資源配備的研究可以分為需求點配備和服務(wù)設(shè)施點配備兩類。關(guān)于需求點的應(yīng)急資源配備，主要是向突發(fā)事件發(fā)生地點輸送和配置其需要的應(yīng)急物資。針對多受災(zāi)點應(yīng)急資源配置過程中出現(xiàn)的分配不均和資源競爭問題，王蘇生和王巖[1]給出了一種以雙層決策方法為基礎(chǔ)的多受災(zāi)點應(yīng)急資源配置模型。該資源配備理論依據(jù)應(yīng)急出救就近原則，運(yùn)用多受災(zāi)點多出救點動態(tài)優(yōu)選策略，從而快速求取雙層應(yīng)急資源配置模型的全局最優(yōu)解。對應(yīng)急服務(wù)設(shè)施點進(jìn)行資源配備，就是決策其應(yīng)急資源存儲量、補(bǔ)給量及管理標(biāo)準(zhǔn)等，從而能夠滿足其服務(wù)范圍內(nèi)應(yīng)急服務(wù)需求點所需要的資源數(shù)量和配送要求。陳樹群等人[2]建構(gòu)了應(yīng)急系統(tǒng)模型，該模型以GIS為核心，主要應(yīng)用于城市的突發(fā)性地質(zhì)災(zāi)害等事件的應(yīng)急輔助決策，模型通過對災(zāi)害現(xiàn)場以及救助機(jī)構(gòu)的實時動態(tài)監(jiān)視與控制進(jìn)行救災(zāi)資源實時的調(diào)度和配置，進(jìn)而來提高應(yīng)急救援效率以及響應(yīng)速度。
由以上分析可以看出,國內(nèi)應(yīng)急資源配備的研究針對需求點資源配送的較多，而關(guān)于應(yīng)急服務(wù)設(shè)施點應(yīng)急資源儲備與管理的很少，尤其是應(yīng)急服務(wù)設(shè)施點選址后，對各服務(wù)點應(yīng)急資源配備、存儲、補(bǔ)給的統(tǒng)一標(biāo)準(zhǔn)與分級標(biāo)準(zhǔn)至今幾乎沒有明確規(guī)定和要求。
在國外，Shetty等人[3]在博弈論的基礎(chǔ)上建立了多應(yīng)急點的資源配置模型，運(yùn)用Nash均衡對模型中每種事故對應(yīng)的資源配置方案進(jìn)行優(yōu)化求解，其中約束條件包括資源的可得到性、突發(fā)事件的嚴(yán)重程度和所需資源的數(shù)量等因素，該模型旨在縮短應(yīng)急事故的應(yīng)急響應(yīng)時間，以最大程度的減少事故所帶來的損失，但它僅適用與在同時發(fā)生多個中低級事故的情況，并且它要求應(yīng)急救援資源必須安置在相同且固定的區(qū)域。
3短時地鐵客流預(yù)測
地鐵客流預(yù)測是指在t時刻對下一決策時刻t+△t甚至以后更長時間段的地鐵客流進(jìn)行預(yù)測,通常認(rèn)為,t到t+△t之間的預(yù)測時間跨度不超過30min(甚至小于5min)的地鐵客流預(yù)測為短時地鐵客流預(yù)測。
3.1基于LSTM的短時交通流預(yù)測模型
LSTM（Long Short-Term Memory）屬于循環(huán)神經(jīng)網(wǎng)絡(luò)RNN的一種，其加入了時間序列屬性，對于短時交通流量隨時間的變化能進(jìn)行深層次的訓(xùn)練及特征提取，屬于機(jī)器學(xué)習(xí)中的深度學(xué)習(xí)范疇。為了更好的構(gòu)建基于LSTM的短時交通流預(yù)測模型，在此之前先進(jìn)行神經(jīng)網(wǎng)絡(luò)模型基礎(chǔ)介紹及模型構(gòu)建。
基于LSTM的短時交通流預(yù)測模型，其具體處理步驟如下：
（1）首先對短時交通流數(shù)據(jù)進(jìn)行預(yù)處理，對錯誤數(shù)據(jù)或缺失數(shù)據(jù)進(jìn)行修正，得到有效的短時交通流量歷史序列數(shù)據(jù)。
（2）對原始的短時交通流量歷史數(shù)據(jù)進(jìn)行歸一化操作，得到范圍在[0,1]之間的新數(shù)據(jù)。根據(jù)歸一化數(shù)據(jù)，確定t時刻的前4個時刻的短時交通流量數(shù)據(jù)作為輸入特征，形成4維的輸入向量。
（3）確定模型結(jié)構(gòu)及參數(shù)，設(shè)置超參數(shù)，主要包括每層的節(jié)點數(shù)、激勵函數(shù)、學(xué)習(xí)率、目標(biāo)函數(shù)、優(yōu)化函數(shù)、批處理數(shù)量、迭代次數(shù)等。
（4）初始化權(quán)值矩陣，本文采用隨機(jī)數(shù)設(shè)置。
（5）將短時交通流量數(shù)據(jù)輸入到輸入層，根據(jù)激活函數(shù)，得到輸入層輸出結(jié)果。
（6）將步驟（5）的結(jié)果與上一時刻隱含層輸出結(jié)果及上一時刻Cell狀態(tài)值一起輸入到此時刻的隱含層，經(jīng)過三個控制門后，輸出第一個隱含層結(jié)果。
（7）將第二個隱含層最終結(jié)果經(jīng)輸出層后，得到最終此時刻的短時交通流量預(yù)測值。
（8）根據(jù)預(yù)測值與實際值計算MSE，作為誤差目標(biāo)函數(shù)。
（9）根據(jù)誤差信號更新各層連接權(quán)值，直到達(dá)到期望誤差或最大迭代次數(shù)后，停止訓(xùn)練。
（10）根據(jù)訓(xùn)練所得的誤差最小的模型，得到此時刻的短時交通流量預(yù)測值。該值為歸一化數(shù)據(jù)，再使用反歸一化得到與原始數(shù)據(jù)量級相同的預(yù)測值，其為最終預(yù)測值。
3.2短時交通流量數(shù)據(jù)分析
針對應(yīng)急物資的多資源調(diào)度問題，建立應(yīng)急時間和運(yùn)輸成本最低的多目標(biāo)優(yōu)化模型，并采用鄰域重疊和慣性因子線性變化等方法，提出全局和局部混合模式的改進(jìn)的粒子群算法對其進(jìn)行了求解，并取得較好的運(yùn)算結(jié)果。
原始數(shù)據(jù)是2019年7月北京地鐵AFC數(shù)據(jù),首先以五分鐘為時間間隔,統(tǒng)計0:0:00到23:00:00的進(jìn)站客流量數(shù)據(jù),然后將客流量數(shù)據(jù)轉(zhuǎn)變成以時間為橫坐標(biāo)、車站客流為縱坐標(biāo)的二維數(shù)據(jù)。篩選05:00:00到23:00:00時間段內(nèi)客流量數(shù)據(jù),以五分鐘為間隔統(tǒng)計13號線不同站的客流量數(shù)據(jù),對原始數(shù)據(jù)進(jìn)行歸一化處理，劃分訓(xùn)練集和測試集。應(yīng)用LSTM對數(shù)據(jù)進(jìn)行處理后，工作日和雙休日各站客流量分布如圖1和圖2。
由圖1和圖2可知,雙休日由于進(jìn)站客流較分散，工作日存在進(jìn)站客流早晚高峰期。
4.結(jié)論
在方案設(shè)計和優(yōu)化的過程中，通過建立基于LSTM的短時交通流預(yù)測模型，對北京地鐵不同時段的客流量進(jìn)行了預(yù)測，后續(xù)會根據(jù)預(yù)測結(jié)果對應(yīng)急救援站點資源配置方案進(jìn)行有效設(shè)計與優(yōu)化。
（本文得到北京聯(lián)合大學(xué)2020年“啟明星”大學(xué)生科技創(chuàng)新創(chuàng)業(yè)項目（202011417SJ032）、北京聯(lián)合大學(xué)2019年度校級科研項目（ZK50201908）資助）
參考文獻(xiàn)
[1]王蘇生與王巖．基于公平優(yōu)先原則的多受火點應(yīng)急資源配置算法[J]，運(yùn)籌與管理.2008(3):第16-21頁．
[2]陳樹群，陳聯(lián)光，張錦家，等，臺灣土石流危險區(qū)疏散避難規(guī)劃[A]．第三屆海峽兩岸山地災(zāi)害與環(huán)境保育學(xué)術(shù)研討會，2002．
[3]Rashmi S．Shetty．An event environment[D]．Tampa Bay：single game solution for resource allocation in a multi—crisis University of South Florida．2004．
