實時監測和預測相結合的高鐵客流數據獲取方法研究

□ 呂 葉

一、引言

目前，我國高速鐵路營業里程占世界高鐵運營里程的60%以上，這表明我國已真正進入了高鐵時代。高速鐵路旅客列車開行方案的設計，是高速鐵路旅客運輸組織工作的核心，其設計質量對于提升鐵路社會和經濟效益具有決定性作用，關系到高速鐵路運營管理工作的成敗。而客流，作為制定開行方案的關鍵數據，其合理有效的獲取方法，是制定高速鐵路列車開行方案，指導高鐵列車運輸組織的關鍵環節。

二、高速鐵路客流數據的實際監測

隨著我國客票發售系統的不斷升級和更新，鐵路系統徹底告別了以往的硬板票時代，不但使得客票的發售更加方便快捷，并且使客票數據的統計在技術上完全突破了壁壘。

旅客購買車票后，以下關鍵信息會記錄于鐵路客票發售系統當中。系統中所記錄的下列關鍵信息便可以全面而準確地描述制定和調整列車開行方案所需要的客流數據:購票人姓名及身份證號碼可以識別不同的旅客;購票人所選乘列車車次即可識別出選乘相關高速鐵路列車的旅客;購票人的出發站和到達站便可以反映出旅客的OD(Origin and Destination，即出發地和目的地)。

根據以上信息，便可以初步得到所需統計的高速鐵路系統中的客流數據:若aij表示該高速鐵路線路中在第i站上車，在第j站下車的旅客數，則可以利用鐵路客票系統中的統計數據得到一個初步的旅客出行OD。對于設有n個車站的高速鐵路線路而言，該高速鐵路系統內的旅客出行OD如表1所示:

表1 旅客出行OD統計表

三、高速鐵路客流數據的修正

上文研究了鐵路客流數據的統計方法以及旅客出行的初步OD矩陣的獲取方法。有學者認為，通過鐵路客票數據的統計不能夠完全準確地得出旅客的出行OD，而通過路段流量的反推方法才能更好地獲得旅客出行OD流量［1］。

路段流量是指在相鄰兩個站點間的路段中沿某一方向輸送的旅客總流量。事實上，通過表1便可以求出路段流量。設ai、bi分別為在鐵路線路的第 i站的上、下客流人數，vi表示第i個路段(第i站和第i+1站之間的路段)的客流流量，則根據表1所示的各數據可以得到某一方向的路段流量(流向為第 i站到第i+1站)［2］:

根據上述三式，就可以把鐵路線路的所有路段流量計算出來，另一個方向的路段流量也按照上述方法計算。

根據路段流量反推旅客出行OD矩陣的思路可以概括性地描述為:路段流量實際上是OD客流在路段上的線性疊加，在某一方向上，一個路段上的流量，是該方向的所有OD點對的流量按照該OD點對流量在該路段上的分配比例分配在該路段上的流量的總和。因此，根據路段流量反推旅客出行OD矩陣實際上是一個將OD流量分配至各路段的逆過程，即交通分配的逆過程。

根據路段流量反推旅客出行OD矩陣的方法可以簡單地概括為:

第1步:構造一個初始的旅客出行OD矩陣描述初始OD流量;

第2步:在初始OD矩陣的基礎上，利用交通分配模型求解初始OD流量分配在各路段上的理論流量vk

a;第3步:計算理論路段流量vka和實測路段流量va的偏差量Dka:

第4步:引入一個旅客出行OD矩陣的精度要求ε，若所構造的旅客出行OD矩陣滿足精度要求，即所有路段理論流量vka的偏離度滿足精度要求，如式(5)所述:

則認為所構造的初始OD矩陣可以描述實際的旅客出行的OD矩陣，若不滿足精度要求，則進行下一步計算;

第5步:利用此次計算所得出的偏差量Dka構造初始OD矩陣修正率的計算公式，利用該修正率修正初始OD矩陣后得到新的OD矩陣;

第6步:在迭代后得到的新OD矩陣的基礎上，按照上述步驟判斷該OD矩陣是否滿足精度要求，如此重復迭代，直到經過修正后的OD矩陣滿足精度要求為止，此OD矩陣被認為是可以描述實際的旅客出行的OD矩陣。

四、實際監測和預測相結合的高鐵客流數據獲取方法

由于鐵路部門獲取客流數據和執行按照客流數據編制的列車開行方案在時間上不是同步的，因此在制定列車開行方案時，列車開行方案執行當日的客流數據是不能提前通過監測獲得的。這就需要對列車開行方案執行當日的客流情況進行短期客流預測。

在高速鐵路的運營過程中，根據一般的客流變化規律可以將客流分為三種情況，即日?？土?、周期性變化的客流以及突發事件誘發的客流。因此在進行短期客流預測時，需要針對上述三種客流情況采取不同的方法:

(一)日?？土?。本文將高速鐵路的日?？土鞫x為非節假日時期的工作日客流，因為根據我國高速鐵路的運營經驗，高速鐵路的周末客流較工作日存在較為明顯的增長，因此在這里不把周末客流作為日常客流。

在預測之前，需要將已經獲取的最新近階段的客流數據分為等分若干個時期。越近的時期的客流數據對預測數據的影響越大。基于此，日?？土鞯念A測結果應遵循以下公式計算:

上式中，An+1ij為預測時段內站點i和j之間的OD流量;Akij為已獲得客流數據的時間段k內站點i和j之間的OD流量;xk為已獲得客流數據的時間段k對預測客流數據的影響權重，其中k值越大(距離預測時間段越近)，權重值越大。根據上式，即可預測出列車開行方法執行期間各站點間的旅客出行OD流量，并以此指導列車開行方案的制定與調整。

(二)周期性變化客流。按照客流周期性的變化規律，客流會發生明顯的波動，例如日常運營時期發生在周末的小高峰客流、“十一黃金周”等全國性節假日期間的客流還有春運、暑運期間的客流，這些客流稱為周期性變化客流。

周期性變化客流是基于對近期日?？土鲾祿约皻v史時期客流數據的實際監測統計結果進行的，有條件細化到對鐵路線路統計范圍的各站點的OD流量進行預測，因此可以提出周期性變化客流的預測結果計算公式:

上式中，A?ij為考慮周期性客流波動的站點i和j之間的OD流量預測值;Aij為不考慮周期性客流波動的站點i和j之間的OD流量預測值，S為周期性波動指數。

周期性波動指數，需要通過從歷史數據中比較日常客流數據和波動后的客流數據而獲得。通過觀察每一個周期的日?？土鲾祿筒▌雍蟮目土鲾祿?，可以獲得該周期內的周期性波動指數，如式(8)所示:

按照上述方法獲取每個周期的波動指數后，選取所獲取的近期若干個周期的周期波動指數，通過簡單移動平均法求得所需要的周期性波動指數:

上式中，Sn+1為所需預測的周期波動指數;Sn為通過歷史數據求得的近期各個周期的周期波動指數。

按照上述方法，可以求得客流發生周期性變化的時期各站點間的旅客出行OD流量，并以此指導列車開行方案的制定與調整。

(三)突發事件誘發客流。突發事件所誘發的客流變化，主要是指自然災害、線路整修、大型經貿或文體活動等事件所導致的較大規模的客流波動。這些事件當然在大多數情況下是可以預知的，這便為其所誘發的客流波動的預測提供了可能。針對突發事件誘發客流的客流量預測可以按照下述方式進行:

1．根據事件的實際情況確定大致的客流變化總量。事實上，針對自然災害、線路整修、大型經貿或文體活動等事件，是可以大致預估出此事件所導致的客流變化量的。

2．確定與事件產生關聯的站點OD對。根據突發事件的發生地點以及影響范圍，結合預測對象線路的各站點吸收客流的能力，確定事件會影響到的站點OD對:

設S是受到事件影響的站點OD對的集合，引入變量x，有:

3．確定事件誘發的各關聯OD對上的客流改變量。針對事件誘發的客流總量的改變量，根據事件對各關聯OD站點影響程度的大小，參考站點OD對原OD量的大小，將其分配至各站點OD對ΔAij中，使得:

4．預測突發事件誘發后統計范圍內各站點間的旅客出行OD流量。首先預測未發生突發事件的情況下各站點間的旅客出行OD量Aij，然后根據突發事件作用下各站點OD的改變量ΔAij確定突發事件誘發后的各站點間的旅客出行OD流量 A?ij:

五、結語

本文通過分別對高鐵客流數據的實際監測方法、客流數據的修正方法以及短期客流預測方法進行研究，從而提出了實際監測與客流預測相結合的高速鐵路客流數據獲取方法，以期對高速鐵路列車開行方案的制定提供技術支持。

［1］王濟儒，查偉雄，李劍．由車站上下車客流量估計鐵路OD矩陣［J］．交通運輸工程與信息學報，2004

［2］楊永凱，宋瑞，李海榮．地鐵客流預測模型的分析與研究［A］．中國運籌學會．第四屆中國青年運籌與管理學者大會論文集［C］．中國運籌學會，2001