突發事件下城市軌道交通網絡客流重分布預測方法研究與應用

葉紅霞

(廣州地鐵集團有限公司，510330，廣州//工程師)

在城市軌道交通網絡化運營階段，網絡中某一個車站或某一線路發生突發事件，若不能快速恢復，受網絡連鎖效應的影響，必將導致相鄰車站乃至全線的行車組織調整及客流滯留，嚴重時還將影響鄰線及全網的客流組織工作，造成安全隱患。突發事件下，乘客的心理和行為會發生不同于常態的變化。特別是在網絡化運營條件下，可能產生出行方式的轉移、起訖點的重置、路徑的重選及短時間內大量客流聚集等行為，導致客流需求在網絡上的時空分布發生突變。傳統的客流預測方法已不再適用于該情況[1-3]，有必要專門針對突發事件下的客流特征進行分析，掌握事件影響在網絡中的傳播擴散路徑，合理界定受影響客流及其分布狀態。文獻[4-5]通過仿真方法研究了列車延誤對客流的影響，但并未考慮列車延誤會對乘客的出行選擇產生影響，進而進一步改變網絡客流分布。

本文基于突發事件下乘客出行行為特征變化的分析，根據突發事件的特點預測受影響客流規模及其分布，為及時高效生成應急處置方案提供決策支持，保證乘客出行安全，提高服務水平。

1 突發事件下乘客出行行為特征分析

為捕捉突發事件下城市軌道交通乘客出行行為特征，2016年4月在廣州地鐵線網開展了突發事件下乘客出行行為的問卷調查，回收調查問卷共計5 653份。對調查結果(如圖1所示)的分析顯示：

(1)突發事件下乘客可能采取的替代出行方式包括繼續選擇軌道交通出行、選擇組合方式出行、選擇退出系統3大類，包括6個方案：①方案1，繼續等待原線路恢復運營后出行；②方案2，選擇軌道交通內其他備選路徑出行(有備選路徑的情況下)；③方案3，選擇地鐵+公交組合方式出行；④方案4，選擇地鐵+出租車組合方式出行；⑤方案5，直接退出系統，選擇公交方式出行；⑥方案6，直接退出系統，選擇出租車方式出行。

a) 出行方案選擇

b) 影響乘客路徑選擇的各核心因素比例圖1 突發事件下廣州地鐵乘客出行屬性調查結果

(2)列車延誤10 min以內時，乘客選擇軌道交通出行的比例高達78.4%，遠高于退出的比例；而且選擇軌道交通其他備選路徑的乘客多于繼續等待原路徑恢復運營的乘客。

(3)列車延誤10 min以上時，退出軌道交通系統的乘客比例明顯增大；在退出軌道交通系統的乘客中，選擇地鐵+出租車的組合交通方式或出租車的乘客遠少于選擇其他方案的乘客。

(4)對于軌道交通系統內有備選路徑且乘客選擇剩余路徑繞行時，花費時間少、換乘次數少、路程較短、換乘過程步行時間短仍是影響乘客路徑選擇的核心因素。

2 突發事件下城市軌道交通網絡客流預測算法

2.1 模型框架

突發事件下，城市軌道交通網絡客流包括正常客流和受影響客流2大類，其難點是在正常狀態下的歷史或實時客流的基礎上，分析并預測受影響客流的規模與分布。對此，本文首先建立突發事件下受影響客流的界定方法，對受影響的路徑、OD(起訖點)對和乘客進行界定；然后，建立突發事件下受影響乘客的出行選擇行為模型；再次，構造突發事件下多方式出行備選路徑集，預測受影響乘客在網絡上的重分布；最后，通過清分清算實現受影響客流以列車為載體在軌道交通網絡上的分配。具體算法的框架如圖2所示。

圖2 突發事件下客流預測算法的整體框架圖

2.2 受影響客流界定方法

若乘客選擇某路徑出行，該路徑同時滿足以下條件：① 乘客原計劃出行路線途經受影響的車站或線路；② 乘客到達第一個受影響的車站的時刻在該車站受影響的時間范圍內；③ 乘客乘車方向和運營中斷方向一致，則該路徑為受影響出行路徑，利用該路徑出行乘客為受突發事件影響的乘客。

假設受突發事件影響的車站集合為Sinterrupt，則受影響客流界定算法的數學描述為:

式中：

Spass——途徑車站集合；

tstart,i,j——線路i上第j個車站受突發事件影響的開始時間；

tend,i,j——線路i上第j個車站受突發事件影響的結束時間；

Si,k——突發事件造成線路i的初始受影響的車站為線路的第k個車站。

其中，本研究認為OD對客流中所有乘客的出行路徑都不滿足式(1)才認為該OD對客流不受突發事件影響，否則該OD對客流為受影響OD客流。具體界定流程為：

步驟1：根據正常狀態下的有效路徑集合和路徑選擇模型，確定每條路徑的選擇概率；

步驟2：根據突發事件發生的車站、區間和預估的中斷時間，確定受影響的時間范圍；

步驟3：基于正常狀態下的有效路徑集合、受影響的時間范圍，篩選受影響路徑；

步驟4：基于正常狀態下的進站量、路徑選擇概率和受影響路徑，得到受影響客流。

2.3 受影響客流重分布預測算法

突發事件發生后，網絡部分出行路徑將受到影響，造成乘客原本選擇的有效路徑不可行，此時乘客會根據自身所獲得的實時信息做出相應的出行方案的改變。

2.3.1 突發事件下乘客出行選擇行為建模

考慮非集計模型能從個人選擇的角度模擬出行者的決策過程，能體現出行者的選擇特性，較適用于突發事件下出行方案的轉變。其遵循效用最大化的假說，若Ui,n為出行者n選擇方案i時的效用，An為與出行者n對應的選擇方案的集合。當Ui,n>Uj,n時，出行者n將選擇i方案。而出行者n選擇方案i的概率為：

式中：

Pi,n——出行者n選擇方案i的概率；

Xk,i,n——出行者n選擇方案i的第k個變量值；

θk——待定系數。

基于調查數據，選取固定啞元、延誤時間、出行時間、出行費用、換乘次數設定為模型參數。其中，方案1和方案2的參數值可通過運營單位的清分比例獲得；方案3—6的參數值可基于電子地圖API(應用程序編程接口)提取受影響OD對間公交車、出租車的出行時間和費用；最后，采用極大似然法對模型參數進行標定。結果表明，非集計模型能較好地模擬突發事件下乘客出行選擇行為，具體如表1、表2所示。

表1 突發事件下廣州地鐵乘客選擇行為參數及其標定結果表

表2 突發事件下廣州地鐵乘客選擇行為參數標定結果表

2.3.2 突發事件下受影響OD重分布預測

假設受影響OD重分布后的OD流量Ii,j是根據各出行方案的選擇比例得到。假設某一受影響OD對方案1～6選擇比例分別為P1、P2、P3、P4、P5、P6，則:

(1)繼續選擇軌道交通出行的OD量為：

Is=Ii,j(p1+p2)

(3)

(2)選擇組合交通方式出行的OD量為：

Iz=Ii,j(p3+p4)

(4)

(3)選擇退出系統的OD量為：

Id=Ii,j(p5+p6)

(5)

式中，Is、Iz、Id分別表示選擇上述3種出行方式的受影響OD分布量。

3 實例驗證

以2015年8月18日廣州地鐵5號線發生的突發事件為例進行驗證。事件概況：2015年8月18日8:48，5號線03702次列車在廣州火車站站上行關門時顯示5#車門故障，8:52組織車門解鎖后列車正常起動。受此影響，03702次列車在廣州火車站站上行延誤240 s開出。

利用模型推算，受此突發事件的影響，第一個受影響的車站是廣州火車站站，受影響時間范圍為8:48—8:52，期間共有1 276個OD對間的客流受影響，這些OD對客流構成了突發事件條件下受影響客流的時空范圍，受影響客流總數為1 695人。誤差分析如下：

(1)OD預測結果：受影響OD對客流預測分時絕對誤差大于20人的比例不超過1%，且預測值與實際值散點分布在45°線附近，說明預測效果較好，如圖2和3所示。

圖2 8:45—9:00時客流預測值與實際值對比圖

注：頻數表示各誤差區間出現的次數；累計比例表示各誤差區間出現次數所占的累計比例

圖3 受影響OD對客流預測的分時絕對誤差分布圖

(2)進站量預測結果：受影響車站分時15 min進站量、出站量預測的絕對百分比誤差均值分別為7.02%和15.10%，進出站客流誤差均較小，預測效果較好，如表2所示。

表2 受影響車站進、出站量預測誤差統計表

4 結語

本文基于突發事件下乘客出行行為特征變化的分析，提出了受影響客流的界定算法和突發事件下乘客出行方案選擇模型；基于多方式出行備選路徑集的構造，建立了突發事件下網絡受影響客流重分布預測算法；利用廣州地鐵5號線某一突發事件數據對預測模型進行了精度分析，受影響OD對15 min分時絕對預測誤差小于20人次的累計百分比的99.92%，由此表明，模型能較為真實地反應突發事件下城市軌道交通網絡客流分布情況，可對城市軌道交通應急處置、列車運行方案調整等提供輔助決策依據。但本模型未考慮突發事件下城市軌道交通企業采取的應急公交接駁等措施的影響，后續有待進一步的優化研究。