基于WiFi探針的軌道車站擁堵點客流參數動態估計技術

韓瑋格 周志鵬 周曉京 夏琪 汪遠

摘 要：本課題基于wifi探針的大數據技術，改變大客流處置方式從被動應對式、人工型、經驗型向主動防控式、精細化、自動化、科學化轉變，提高城市軌道交通車站大客流風險管理水平和防控能力，為實現軌道車站運營管理的信息化、自動化、高效化提供技術支撐。本課題利用WiFi探針來進行軌道車站客流數據的采集，在此基礎上深入研究軌道車站擁堵點客流狀態表征參數及其動態估計方法 。研究基于網格劃分的地鐵車站WiFi探針布設及數據采集方案，以車站局部擁堵點的排隊延誤時間建立WiFi探針的大客流狀態評價指標動態估計方法。研究成果可為軌道車站大客流安全風險管理決策和大客流預警系統開發提供方法與技術支撐。

關鍵詞：WIFI探針；擁堵點；客流狀態表征參數，動態估計方法

1研究背景

隨著上海社會經濟的快速發展和軌道交通線網規模的不斷擴展，軌交路網客流總量持續增長，目前全網已處于千萬客流的新常態。在早晚通勤高峰時段、大型活動舉辦期間、重大節假日、突發性運營延誤或其他緊急事件等情況下，全部或局部線網更會面臨遠超日常客流量的常態或臨時性超大客流的嚴峻挑戰。尤其對于地下封閉式車站，客流的極度擁擠、人流行走的嚴重交叉干擾，不僅大大降低乘客出行效率和舒適性，而且極大增加了安全隱患和風險，極易因集中大規模無序擁擠而導致大面積踩踏、客傷等危險事故，后果不堪設想。

實踐中，上海、北京、廣州等城市軌道交通運營管理部門已陸續開展大客流安全風險管理專項工作。目前倫敦地鐵已率先啟動了“利用WiFi數據提升軌道交通運營效率及服務水平”的行動計劃。因此，本課題基于WIFI探針技術建立軌道車站客流參數動態采集及估計方法，為軌道車站提供了客流狀態表征參數，推進軌道車站大客流運營管理的信息化、自動化、高效化的實現。

2研究的目的

目前，軌道車站運營管理采集缺乏科學理論方法和現代化技術手段的支撐，已有實踐尚處于人工化管理階段，僅依賴于傳統AFC數據、人工視頻監控和主觀性經驗進行決策，難以確保決策效果和效率。本文基于wifi探針的大數據技術，改變大客流處置方式從被動應對式、人工型、經驗型向主動防控式、精細化、自動化、科學化轉變，提高城市軌道交通車站大客流風險管理水平和防控能力，為實現軌道車站運營管理的信息化、自動化、高效化提供技術支撐。

本文從理論與實踐角度，對現狀中軌道客流狀態辨識存在的問題進行了研究，主要目的有以下幾點：

（2）建立一套基于WiFi探針的軌道車站擁堵點客流狀態表征參數體系；

（3）建立一種基于WiFi探針的軌道車站擁堵點客流狀態表征參數動態估計方法；

（4）與上海申通地鐵公司共建WIFI探針示范研究與應用車站。

3 基于Wifi探針的軌道車站擁堵點客流狀態參數表征指標估計與分析

3.1 基于Wifi探針的客流狀態評價指標

由于軌道車站某些通行設施的通過能力有限，在客流早晚高峰時段，當到達客流量超過設施的通過能力時，就會有大量的乘客在通行設施處排隊等候產生擁堵現象。這是一個典型的客流集中擁堵現象，用在各個擁堵點上布設的wifi探針所統計數據的指標來描述軌道車站通行設施擁堵處客流擁堵特征，并用其來評價通行設施處客流擁堵的程度。

延誤時間記作T，表示的是每個乘客擁堵點停留時間 與正常通行狀態下的乘客擁堵點停留時間 的差，其表達式為

，通常情況下，取該差值的正數部分。它能實時動態上反映了在軌道車站各個通行設施處由于客流量巨大或者通行設施通行能力有限，導致客流擁堵而產生通行延誤現象，其數值也可以很直觀地反映客流擁堵的程度或嚴重性。

3.2 WIFI探針的乘客擁堵點停留時間分析

乘客在擁堵點延誤時間統計特征分析的主要目的在于研究乘客在各個時段上經過探針的時間的統計特征值的分布規律，本文主要分析以下兩個方面的統計特征，一是分析乘客擁堵點停留時間均值，二是乘客擁堵點停留時間時間在不同百分位水平的取值，并對數據的偏差情況進行分析，三是對乘客在擁堵狀態下與自由流狀態下停留時間進行對比得到延誤時間。

本文選取上海市地鐵南京東路站10號線2017年1月3日兩個時段分別代表自由流時段和高峰擁堵時段（16：00～16：10和17：30～17：40期間）車站站臺處扶梯口附近布設的wifi探針的條件下的乘客出現在探針數據內的時間作為基礎數據，對乘客擁堵點延誤時間的統計特征進行分析。

取10分鐘時段內出現在發送端和接收端不同MAC地址的個數，計算每個乘客擁堵點停留時間： 。

其中 是m號WiFi探針探測范圍內第n個MAC地址出現的時間長度； 是m號WiFi探針探測范圍內第n個MAC地址出現的最后一個時刻； 是m號WiFi探針探測范圍內第n個MAC地址出現的第一個時刻。

（1）乘客擁堵點停留時間均值及偏差值分布規律分析

本文對總數據中16：00～16：10的自由流時段中提供乘客擁堵點停留時間數據的均值及偏差值進行統計分析，統計結果如圖4-5及表4-6所示：

圖1統計結果來看，乘客的擁堵點停留時間在100 S以下分布較密集，在100S以上分布較稀少。

從表2統計結果來看，最大值以及最小值與均值之間存在著較大的偏差，說明該時段乘客在擁堵點停留時間時間波動較大。

非正常數據是指wifi探針在信號干擾、乘客手機wifi信號強弱等環境因素的影響下對乘客停留時間的某些預測數據不具備代表性，是不能用以預測當前擁堵點乘客的停留時間。

因此，本文認為采用乘客在擁堵點停留時間的均值作為當前客流狀態下的乘客停留時間是不合適的，它很有可能受非常態數據的干擾，使數據結果出現較大偏差。

（2）乘客擁堵點停留間百分位水平值分布規律分析

百分位水平值是指乘客擁堵點停留時間數據中，將低于該值的數據所占的樣本頻率作為該值的百分位水平，反映了乘客擁堵點停留時間數據中低于該百分位水平值的樣本數據的多少。

對總數據提供的乘客擁堵點停留時間數據進行百分位水平統計分析，將停留時間按照從小到大的順序進行排列，統計可得各百分位水平值（本文僅對10%、20%、30%...90%的數據進行統計分析），統計結果如表3所示：

各百分位水平值數據與乘客擁堵點停留時間樣本數據進行偏差值數據分析。研究發現，各個百分位水平值與路段運行時間數據之間的偏差值曲線呈現出極其相似的變化規律：都是從負值變為正值，而且單調增加；各百分位水平路段運行時間與路段運行時間數據樣本之間的偏差值序列中，偏差值零點隨著百分位水平的增加而增加。

為了更為方便的研究數據的集中程度，本文對乘客擁堵點停留時間與百分位水平值之間選取偏差率指標進行單獨的統計分析，偏差率的計算公式如下：

Poffset為乘客擁堵點停留時間與百分位水平值之間的偏差率，Toffset為乘客擁堵點停留時間與百分位水平值之間的偏差值，Tpercentage為乘客擁堵點停留時間百分位水平值。

偏差率反映了公交車輛運行時間與百分位水平值之間的偏離程度，也間接反映出了乘客擁堵點停留時間相對于百分位水平值的聚散程度。

為了方便直接的比較各個百分位水平值的偏差率大小，在偏差率的數據中取均值得到各個各個百分位水平值的平均偏差率，統計結果如表4所示：

表4顯示了乘客擁堵點停留時間與10%～90%位水平值的平均偏差率統計分布，研究發現，不同的百分位值的平均偏差率會有變化，說明乘客擁堵點停留時間是圍繞著某一水平值呈現上下波動的特性。當選定精度水平后，總可以找到一個最優的百分位水平值，使得偏差率小于該精度水平的樣本數量達到最大。根據本次統計的結果顯示，當百分位值取80%時，其與樣本數據的平均偏差率最小為63%，所以我們可ss以認為本數據中80分位值可以代表該時間段的乘客擁堵點停留時間特征值。

該研究結論為獲取某時段內乘客擁堵點停留時間的特征值提供了依據，使得尋找到的百分位水平值更能代表某時段內乘客擁堵點停留時間。

（3）乘客擁堵點停留時間特征總結

通過上述對乘客擁堵點停留時間的深入分析，總結出乘客擁堵點停留時間具有以下幾點特征：

（1）乘客擁堵點停留時間在不同的時間段中有比較明顯的差異，尤其是高峰時段的客流擁擠狀態與非高峰的自由流狀態對比下，更為突顯這一特征。我們根據此特征來計算在擁擠狀態下的乘客在擁堵點上的延誤時間。

（2）乘客擁堵點停留時間均值易受非正常數據的影響，而呈現出一定的偏向性，使得采用均值預測乘客擁堵點停留時間的方法產生了不合理的誤差。

（3）利用乘客擁堵點停留時間數據進行統計發現，在滿足偏差率較小的情況下（偏差率處于60%左右），乘客擁堵點停留時間聚集在80百分位水平的頻率相對較高。

上述特征分析為乘客擁堵點延誤時間模型的建立提供了數據保障和理論支撐，使得預測模型更符合實際情況。

（4）乘客擁堵點延誤時間計算模型

乘客擁堵點延誤時間表示的是每個手機MAC地址出現的時間與正常通行狀態下的時間的差，通常情況下，取該差值的正數部分。它能實時動態上反映了在軌道車站各個通行設施處由于客流量巨大或者通行設施通行能力有限，導致客流擁堵而產生通行延誤現象，其數值也可以很直觀地反映客流擁堵的程度或嚴重性。

在上文，已經計算出該站站臺處扶梯口在自由流時段（即16：00-16：10）的乘客擁堵點停留時間特征值其80分位值作為正常通行狀態下的乘客堵點停留時間。沿用上文的研究方法，計算出該站站臺處扶梯口在高峰擁堵時段（即17：30-17：40）的乘客擁堵點停留時間特征值。

對總數據提供的乘客擁堵點停留時間數據進行百分位水平統計分析，將停留時間按照從小到大的順序進行排列，統計可得平均值各百分位水平值（本文僅對10%、20%、30%...90%的數據進行統計分析），統計結果如表5所示：

為了方便直接的比較各個百分位水平值的偏差率大小，在偏差率的數據中取均值得到各個各個百分位水平值的平均偏差率，統計結果如表6所示：

根據本次統計的結果顯示，當百分位值取80%時，其與樣本數據的平均偏差率最小為63%，所以我們可以認為本數據中80分位值可以代表該時間段的乘客擁堵點停留時間特征值。所以，我們得到了該站站臺處扶梯口在17：30-17：40的乘客擁堵點停留時間特征值為161s。

根據上文所得到數據，我們將數據代入我們建立的基于wifi探針的乘客擁堵點延誤時間的模型中進行計算，公式如下：

T為乘客擁堵點延誤時間， 是該站某個擁堵點非正常通行狀態下每個手機MAC地址在wifi探針數據中出現的時間長度， 為該站某個擁堵點正常通行狀態下的每個手機MAC地址在wifi探針數據中出現的時間長度。

通過上述公式，我們計算出該站臺處扶梯口在17：30-17：40的乘客擁堵點延誤時間為23s。

4研究結論

隨著城市軌道交通的發展以及對軌道交通運營管理服務水平要求的不斷提升，實現軌道車站大客流安全風險管理工作的自動化、科學化、高效化，本文通過對基于WIFI探針的軌道車站客流狀態指標的研究，得到以下結論：

（1）乘客擁堵點停留時間在不同的時間段中有比較明顯的差異，尤其是高峰時段的客流擁擠狀態與非高峰的自由流狀態對比下，更為突顯這一特征。根據此特征來計算在擁擠狀態下的乘客在擁堵點上的延誤時間具有對客流狀態表征的功能。

（2）基于WIFI探針的軌道車站客流參數動態采集和估計方法的研究成果，有助于提高軌道車站大客流下的運營管理服務水平。

參考文獻：

[1] P.hoogendoom.Microscopic Simulation of Pedestrian Flows.[C].Annual Meeting at the Transportation Research Board Proceedings on CD-ROM，2003.

[2]李燦.軌道交通樞紐乘客流交通特性分析及建模北京北京交通大學.[D].北京.北京交通大學，007.

[3]沈麗萍，馬董，高世廉.城市軌道交通客流分析城市交通.[J].城市交通，2007.4（3）：14-19.