基于WiFi數(shù)據(jù)的地鐵車站客流預(yù)警模型

曹文超，干宏程

上海理工大學(xué) 超網(wǎng)絡(luò)研究中心，上海200093

隨著社會經(jīng)濟(jì)高速發(fā)展，地鐵作為城市公共交通重要組成，由于其高效、準(zhǔn)時、環(huán)保等特點吸引了大量的客流，而客流增加帶來社會經(jīng)濟(jì)效益的同時，也產(chǎn)生了一定的安全隱患，尤其是在地鐵車站內(nèi)。2012年，上海地鐵1號線和2號線由于設(shè)備故障，導(dǎo)致大量乘客滯留，進(jìn)而產(chǎn)生踩踏事故；2015年，深圳地鐵站發(fā)生連續(xù)踩踏事故，造成12人傷亡。因此，如何及時準(zhǔn)確獲取地鐵站內(nèi)客流量變化，建立完善的客流預(yù)警和應(yīng)對機制，成為提高車站的運營和管理水平的關(guān)鍵。

地鐵車站客流預(yù)警[1]：通過對地鐵車站客流狀態(tài)進(jìn)行判斷，采用定量定性相結(jié)合的方法，對車站客流量及相關(guān)參數(shù)進(jìn)行預(yù)測，根據(jù)預(yù)測結(jié)果對車站客流整體安全狀態(tài)進(jìn)行評估，進(jìn)而對外發(fā)布安全預(yù)警，以期對車站決策管理人員進(jìn)行提醒和警告，確定行車和客運組織配套方案。地鐵車站客流預(yù)警模型依賴如何準(zhǔn)確有效獲取站內(nèi)客流數(shù)據(jù)，在客流獲取方面現(xiàn)有研究主要針對周期性客流[2-5]，缺乏對非周期性客流或突發(fā)性客流的關(guān)注。文獻(xiàn)[6]基于乘客出行軌跡，對斷面客流進(jìn)行了估算；文獻(xiàn)[7]基于客流的時空特性提出了一種基于SVM的地鐵短期斷面客流預(yù)測模型；文獻(xiàn)[8]通過利用多源數(shù)據(jù)構(gòu)建數(shù)據(jù)特征，采用長短期記憶網(wǎng)絡(luò)實現(xiàn)地鐵進(jìn)站客流預(yù)測。

在地鐵車站客流預(yù)警方面，現(xiàn)有研究主要集中在對預(yù)警等級和系統(tǒng)機制的探索，缺少對實時客流預(yù)警模型的研究。文獻(xiàn)[9]運用計算機仿真研究了城市軌道交通站臺客流滯留分級預(yù)警方法；文獻(xiàn)[10]通過擁堵實現(xiàn)對地鐵網(wǎng)絡(luò)脆弱性的評估；文獻(xiàn)[11]針對大客流和車站有限空間的矛盾，研究了城市軌道交通車站大客流預(yù)警及其疏解方法；文獻(xiàn)[12]結(jié)合限流閾值研究，利用小波神經(jīng)網(wǎng)絡(luò)構(gòu)建了地鐵站點限流預(yù)警模型。

雖然相關(guān)理論和模型研究較成熟，但是缺乏實際場景中的應(yīng)用。目前地鐵公司主要使用自動售檢票系統(tǒng)（AFC）數(shù)據(jù)對客流進(jìn)行統(tǒng)計，AFC 數(shù)據(jù)存在滯后性，且無法獲得實時客流數(shù)據(jù)。其他如視頻、紅外和手機信令等目前還存在一定的技術(shù)瓶頸，且難以大范圍實現(xiàn)客流跟蹤。隨著智慧城市和地鐵信息化建設(shè)，地鐵網(wǎng)絡(luò)逐漸實現(xiàn)了無線WiFi 信號覆蓋，基于網(wǎng)絡(luò)和信息技術(shù)在地鐵客流方面研究和應(yīng)用也受到越來越多的關(guān)注，文獻(xiàn)[13]基于事件的產(chǎn)生，利用社交媒體數(shù)據(jù)實現(xiàn)了對紐約Mets-Willets Point 地鐵站實時客流預(yù)測；文獻(xiàn)[14]對WiFi嗅探數(shù)據(jù)的原始數(shù)據(jù)采集、數(shù)據(jù)質(zhì)量分析和分析方法進(jìn)行了詳細(xì)介紹；文獻(xiàn)[15]基于WiFi數(shù)據(jù)實現(xiàn)了對虹橋樞紐客流檢測系統(tǒng)的實現(xiàn)，同時在商業(yè)領(lǐng)域和公交WiFi客流監(jiān)測方面也有一定的研究[16-21]。然而現(xiàn)有的研究多是集中在客流監(jiān)測系統(tǒng)設(shè)計、數(shù)據(jù)處理和分析算法實現(xiàn)，或是研究室內(nèi)定位技術(shù)，缺少對地鐵車站等公共場所客流的研究和應(yīng)用，同時基于WiFi 客流數(shù)據(jù)預(yù)處理基礎(chǔ)上的擴(kuò)展應(yīng)用和研究尚有不足。

本文基于地鐵站內(nèi)WiFi 探針檢測到的客流數(shù)據(jù)，通過數(shù)據(jù)預(yù)處理、乘客流向鏈和客流特征的分析，建立了基于時間序列和線性回歸模型的短時客流預(yù)測模型。通過對車站承載能力的計算，建立了地鐵車站客流分級預(yù)警模型，并以上海地鐵江蘇路地鐵站為例對模型進(jìn)行了驗證。

1 WiFi探針客流數(shù)據(jù)采集與處理

1.1 客流數(shù)據(jù)采集原理

WiFi 探針客流采集指基于IEEE802.11 協(xié)議集，WLAN（無線局域網(wǎng)）對信號范圍內(nèi)開啟WiFi的無線設(shè)備信息采集的技術(shù)，其原理為：AP和無線設(shè)備會分別周期性的向周圍發(fā)射BEACON幀和PROBE幀，當(dāng)無線設(shè)備進(jìn)入探針探測范圍且WiFi 處于開啟狀態(tài)，即可獲取該設(shè)備PROBE幀中包含的MAC地址等信息，具體如圖1所示。WiFi探針客流采集主要有以下幾個特點：乘客不需要安裝任何APP；設(shè)備只要打開WiFi開關(guān)，不論是否連接都能進(jìn)行采集；能夠?qū)崟r采集范圍內(nèi)移動設(shè)備的MAC地址，并自帶時間戳；具有良好的系統(tǒng)兼容性。

圖1 WiFi探針客流采集原理

1.2 數(shù)據(jù)基本屬性和特征

采集數(shù)據(jù)以字符流的方式發(fā)送，由于探針的型號不同所獲取的客流數(shù)據(jù)格式和內(nèi)容也略有不同，以中科愛訊TZ003 型探針為例，其數(shù)據(jù)接收格式和內(nèi)容如表1所示。

表1 探針數(shù)據(jù)采集格式內(nèi)容

根據(jù)探針檢測到的設(shè)備數(shù)據(jù)格式內(nèi)容、時間戳和信號強度的變化，可以把檢測到的客流數(shù)據(jù)信息分類并對應(yīng)地鐵站內(nèi)不同特征的客流類型，分類如表2所示。其中正?？土骷丛诘罔F站內(nèi)由于出行需求正常流動的客流；把由于等人、意外事件等在地鐵站內(nèi)一定范圍內(nèi)短期逗留的客流分類為停滯客流；為了進(jìn)一步提高客流檢測精度，把站內(nèi)一定時期反復(fù)出現(xiàn)在較為固定位置的檢測客流分類為站內(nèi)工作人員。

表2 基于探針數(shù)據(jù)的站內(nèi)客流分類

基于數(shù)據(jù)特征對客流的分類，有效降低了其他數(shù)據(jù)的干擾，提高了客流數(shù)據(jù)的有效性，為數(shù)據(jù)預(yù)處理和車站客流預(yù)警提供保證。

1.3 數(shù)據(jù)處理

在實際應(yīng)用中檢測到的客流數(shù)據(jù)精度受到背景噪聲、軌跡不完整、未攜帶設(shè)備、蘋果設(shè)備隨機碼等問題干擾，可能導(dǎo)致數(shù)據(jù)重復(fù)、缺失等問題。為了滿足預(yù)測模型對數(shù)據(jù)有效性和準(zhǔn)確性的要求，需要對原始數(shù)據(jù)進(jìn)行預(yù)處理。數(shù)據(jù)處理算法方法如下：（1）首先針對固定設(shè)備產(chǎn)生的重復(fù)數(shù)據(jù)，選擇消除5 min 時間間隔內(nèi)同一探針檢測到的相同MAC 地址；（2）由于WiFi 探針的RSSI值會隨著無線設(shè)備到探針的距離的變化而變化，參考文獻(xiàn)[20]得信號強度與距離關(guān)系如表3 所示，根據(jù)有效距離實現(xiàn)探針網(wǎng)格化布局基礎(chǔ)上，提出RSSI 有效范圍外的數(shù)據(jù)；（3）為了解決站內(nèi)工作人員來回走動產(chǎn)生的重復(fù)數(shù)據(jù)，通過設(shè)置5 min時間間隔循環(huán)結(jié)構(gòu)，當(dāng)臨近循環(huán)結(jié)構(gòu)出現(xiàn)相同MAC地址，則提出該MAC數(shù)據(jù)；（4）最后通過擴(kuò)樣系數(shù)對數(shù)據(jù)進(jìn)行平滑處理。

表3 信號強度隨距離的變化

為了滿足地鐵車站場景下的實際應(yīng)用需要提前設(shè)定有效信號強度閾值，最低RSSI 值的實現(xiàn)可以在獲得數(shù)據(jù)后手動刪除，也可以在串口調(diào)試中輸入串口命令，如設(shè)置最低RSSI 值為?60，則輸入Serial Port.Write（“AT+RSSI+-60” ）即可。

2 客流預(yù)警模型

2.1 短時客流預(yù)測模型

考慮到時間序列模型在處理歷史數(shù)據(jù)時良好適應(yīng)性，以及地鐵客流的明顯歷史規(guī)律性，為了實現(xiàn)在WiFi探針客流數(shù)據(jù)預(yù)處理基礎(chǔ)上對地鐵站內(nèi)客流短時預(yù)測，文中使用了時間序列模型（TS）對客流進(jìn)行了短時預(yù)測，并和線性回（LR）模型進(jìn)行了預(yù)測精度對比。

在SPSS 時間序列預(yù)測建模器中的方法包括自回歸移動加權(quán)平均（ARIMA）和指數(shù)平滑法。ARIMA（Autoregressive Integrated Moving Average model）模型指將非平穩(wěn)時間序列轉(zhuǎn)換為平穩(wěn)時間序列，將因變量僅對其之后的值及隨機誤差項的現(xiàn)值和滯后值進(jìn)行回歸所建立的模型。將自回歸模型AR、移動平均模型MA 和差分法結(jié)合就可以得到查分自回歸移動平均模型ARIMA(b,d,p)，其中p代表預(yù)測模型中采用的時序數(shù)據(jù)本身的滯后數(shù)（lags），也叫AR（Auto-Regressive）項；d代表時序數(shù)據(jù)需要差分的階數(shù)，即Integrated 項，一般只需對時間序列進(jìn)行一階差分就可以實現(xiàn)序列平穩(wěn)性；q代表預(yù)測模型中采用的預(yù)測誤差的滯后數(shù)（lags），也叫做MA（Moving Average）項。建立ARIMA模型一般包括三個階段，即模型識別和定階、參數(shù)估計和模型檢驗。指數(shù)平滑法是一種特殊的加權(quán)移動平均，對于觀測值所賦予的權(quán)數(shù)具有伸縮性，可以取不同的平滑常數(shù)a改變權(quán)數(shù)的變化速率，故加強了觀測期近期對預(yù)測值的作用。

線性回歸（Linear Regression）是一種通過屬性的線性組合來進(jìn)行預(yù)測的線性模型，其目的是找到一條直線或者一個平面或者更高維的超平面，使得預(yù)測值與真實值之間的誤差最小化。

2.2 地鐵車站承載能力

地鐵車站客流預(yù)警的實現(xiàn)需要在車站內(nèi)客流承載能力的基礎(chǔ)上實現(xiàn)，對于地鐵車站承載能力的定義，國內(nèi)外還沒有統(tǒng)一的規(guī)范，美國交通研究委員會（TRB）定義是：正常情況下占用或通過某設(shè)施設(shè)備最大行人數(shù)的最小值作為地鐵車站能力；我國則采用車站設(shè)施設(shè)備最大通過能力為依據(jù)，即運營階段，節(jié)點客流達(dá)到6 人/m2時采取限流措施。董瀚萱[22]提出了計算車站承載能力的兩種方法：數(shù)學(xué)解析法和仿真法。本文研究的車站承載能力建立在站內(nèi)客流流向鏈的基礎(chǔ)上的設(shè)施設(shè)備最大通過能力，乘客在地鐵站內(nèi)的流向行為主要分三種：進(jìn)站、出站和換乘，具體如表4所示。

表4 地鐵站內(nèi)乘客流向鏈

流向鏈的客流統(tǒng)計依賴于對探針數(shù)據(jù)一系列乘客行為判別、拆分、軌跡還原和統(tǒng)計?；诹飨蜴溕细鱾€節(jié)點布設(shè)的WiFi 探針得到的短時客流數(shù)據(jù)，以車站設(shè)施設(shè)備最大通行能力作為相應(yīng)的承載能力瓶頸，通過對站內(nèi)不同節(jié)點的分析，得到不同位置的客流情況，并可通過對不同節(jié)點的關(guān)聯(lián)，形成地鐵車站設(shè)備的關(guān)聯(lián)網(wǎng)絡(luò)，實現(xiàn)車站整體客流分析[23]。參考《地鐵設(shè)計規(guī)范》，地鐵車站部分設(shè)施設(shè)備最大通過能力如表5所示。

表5 車站部分設(shè)施設(shè)備最大通過能力

站臺承載能力：

其中，Splatform為站臺承載能力；s為站臺可利用面積（單位：m2），ρ為客流密度（單位：人/m2）。

2.3 客流預(yù)警指標(biāo)和等級劃分

客流預(yù)警指標(biāo)的選取要求滿足以下幾個標(biāo)準(zhǔn)：科學(xué)性、可度量性、全面性、有效性。現(xiàn)有研究對于預(yù)警指標(biāo)的選取主要依據(jù)相關(guān)設(shè)計規(guī)范將站內(nèi)客流密度、走行速度、人均面積和人均間距等作為量化指標(biāo)，或?qū)Υ罅靠赡艿闹笜?biāo)通過降維、聚類選取關(guān)聯(lián)度高的量值作為預(yù)警指標(biāo)。文獻(xiàn)[24]利用粗糙集理論對20 個客流風(fēng)險預(yù)警指標(biāo)進(jìn)行約簡，從中提取核心預(yù)警指標(biāo)，并通過專家打分法對風(fēng)險預(yù)警指標(biāo)進(jìn)行了相關(guān)性分析。本文考慮模型獲取數(shù)據(jù)特征，針對車站內(nèi)站臺、站廳和樓扶梯（通道），通過每個探針有效檢測范圍內(nèi)實時客流量和該范圍客流承載能力之比作為主要預(yù)警指標(biāo)η，并輔以檢測與短時預(yù)測客流量，將預(yù)警等級劃分為四級[25]，其中一級預(yù)警等級最高，四級最低，如表6所示。

表6 地鐵車站客流預(yù)警等級劃分

其中，為車站實時客流密度，q為探針探測實時客流量，c為車站承載能力。

3 案例分析

3.1 案例與參數(shù)設(shè)定

客流預(yù)測不僅對于公共換乘系統(tǒng)的規(guī)劃、運營和管理十分重要，對于換乘網(wǎng)絡(luò)的設(shè)計，線路規(guī)劃和車站擁擠管理也十分重要[26-27]。本文以上海地鐵江蘇路站換乘通道為例進(jìn)行實驗驗證，該通道寬14.4 m，總長約60 m，因此最小有效信號強度值定為?60，測試時間為2019年1 月17 日下午15：00 到下午18：00，有效實驗時間為15：00—17：16。選取中科愛訊某型號WiFi 探針，在江蘇路站2號線和11號線換乘通道共布設(shè)A、B、C、D共4個WiFi 探針，實際有效探針為B、C 和D。探針布設(shè)方案如圖2所示。

圖2 探針布設(shè)方案

3.2 結(jié)果與分析

A、B、C、D這4個探針總共收集到原始數(shù)據(jù)229 192條，以1 min為時間間隔，對B、C、D這3個位置16：00—17：16的原始數(shù)據(jù)進(jìn)行預(yù)處理，結(jié)果如圖3所示。

圖3 原始客流數(shù)據(jù)與預(yù)處理后客流數(shù)據(jù)的比較

為了解數(shù)據(jù)預(yù)處理前后的相關(guān)性，計算變量之間的spearman相關(guān)系數(shù)，結(jié)果如表7所示。從圖3中，看出客流數(shù)據(jù)在預(yù)處理前后數(shù)據(jù)大量減少，但整體變化趨勢一致，且B、C、D位置的前后數(shù)據(jù)保持在同一區(qū)間變化，恰好對應(yīng)實際空間位置關(guān)系，也說明了數(shù)據(jù)預(yù)處理的必要性。從表7中看出，B、C、D處理前后數(shù)據(jù)相關(guān)性分別為0.838、0.697和0.896，相關(guān)性顯著，說明數(shù)據(jù)預(yù)處理結(jié)果較為理想。

表7 原始數(shù)據(jù)與處理數(shù)據(jù)spearman相關(guān)性分析

接著對B、C、D從16：00到17：16的77個數(shù)據(jù)，分別進(jìn)行時間序列預(yù)測和線性回歸預(yù)測，其中70%作為訓(xùn)練集，30%作為測試集，使用SPSS把16：00—16：54的數(shù)據(jù)進(jìn)行訓(xùn)練，預(yù)測16：55—17：16的測試數(shù)據(jù)，其中B、C使用自回歸移動平均（ARIMA）模型，D 使用指數(shù)平滑（Exponential Smoothing）模型，結(jié)果如圖4所示。

圖4 B、C、D時間序列法模型預(yù)測結(jié)果

同時使用線性回歸模型（LR）對B、C、D位置的客流進(jìn)行預(yù)測，并以平均絕對百分比誤差MAPE和均方誤差MSE 為評價指標(biāo)，分別對時間序列模型和回歸模型的預(yù)測結(jié)果進(jìn)行評估，結(jié)果如圖5所示。

圖5 模型誤差性能比較

可知時間序列預(yù)測和線性回歸方法總體誤差水平接近，D 位置時間序列的MAPE 比線性回歸大，說明時間序列法預(yù)測效果不如線性回歸模型，這可能由于D處受通道外干擾影響較大。而MSE時間序列模型的預(yù)測效果要略優(yōu)于線性回歸模型。

設(shè)置WiFi 探針在通道內(nèi)的信號有效范圍為7.5 m，則覆蓋面積為176.7 m2，使用某16：55—17：16 的B、C、D 位置實際客流和基于時間序列的短時預(yù)測模型得到的預(yù)測客流分別進(jìn)行該地鐵站換乘通道客流預(yù)警，以分鐘為單位，兩者的預(yù)警指標(biāo)值和對應(yīng)預(yù)警等級結(jié)果如圖6所示。

圖6 客流預(yù)警

對圖中22 個時間點的客流預(yù)警結(jié)果分析，首先從總體趨勢看，B、C、D這3個位置客流預(yù)警指標(biāo)值的整體波動性均小于實際客流的預(yù)警指標(biāo)波動性，預(yù)警指標(biāo)波動性趨勢差異可能是由于樣本數(shù)據(jù)較少而產(chǎn)生的預(yù)測誤差。兩者波動趨勢雖然存在差異，但指標(biāo)值大部分都集中在一級和二級預(yù)警等級，屬于無風(fēng)險或低風(fēng)險范圍，中高風(fēng)險等級占比較低，所以由于預(yù)測誤差產(chǎn)生風(fēng)險事故誤判的概率一定程度降低。在表8 中給出了B、C、D 這3 個位置的實際和預(yù)測客流預(yù)警等級統(tǒng)計。在實現(xiàn)短時客流預(yù)警的基礎(chǔ)上，可以參考現(xiàn)有地鐵大客流預(yù)案對不同預(yù)警等級提供應(yīng)對措施，降低客流事故風(fēng)險，提高地鐵車站安全性。

表8 B、C、D實際與預(yù)測客流預(yù)警等級統(tǒng)計

4 結(jié)束語

隨著互聯(lián)網(wǎng)信息技術(shù)的發(fā)展和地鐵信息化建設(shè)，如何將信息技術(shù)與地鐵需求相結(jié)合，服務(wù)地鐵運營管理，是目前一個熱點研究方向。本文首先介紹了WiFi探針客流檢測技術(shù)原理，基于數(shù)據(jù)的基本屬性和客流特征分類以及探針有效信號強度等，實現(xiàn)對探針原始客流數(shù)據(jù)的預(yù)處理，構(gòu)建了基于時間序列的短時客流預(yù)測模型。然后考慮乘客站內(nèi)流向鏈和地鐵設(shè)計規(guī)范，實現(xiàn)對車站客流承載能力計算，進(jìn)一步建立客流預(yù)警指標(biāo)η和分級預(yù)警模型。最后以上海地鐵2 號線和11 號線江蘇路站換乘通道為例進(jìn)行驗證，結(jié)果表明：基于WiFi數(shù)據(jù)的短時客流預(yù)警模型可以一定程度為地鐵車站客流預(yù)警提供有效參考，在客流預(yù)測精度方面，可以進(jìn)一步探索更加準(zhǔn)確的模型方法，在預(yù)警準(zhǔn)確度上，可以研究建立更加完善的預(yù)警指標(biāo)體系。