城市軌道交通精細(xì)化客流預(yù)測系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

孫 琦，高彥宇，許心越，陳麗丹

（1. 北京軌道交通路網(wǎng)管理有限公司，北京 100101；2. 北京交通大學(xué) 軌道交通控制與安全國家重點(diǎn)實(shí)驗(yàn)室，北京 100044）

近年來，北京城市軌道交通規(guī)模發(fā)展十分迅猛。截至2019年底，北京軌道交通路網(wǎng)運(yùn)營里程達(dá)到699.3 km，運(yùn)營線路23條，運(yùn)營車站共計(jì)405座，最高年度日均客流達(dá)1 086萬人次。軌道交通網(wǎng)絡(luò)規(guī)模的不斷擴(kuò)大和客流量的不斷增加，導(dǎo)致軌道交通擁擠、服務(wù)質(zhì)量下降，鐵路網(wǎng)客流結(jié)構(gòu)、波動規(guī)律異常復(fù)雜[1]，鐵路網(wǎng)形式變化比較快，列車粗獷式配置很容易導(dǎo)致大規(guī)模擁擠或者晚點(diǎn)，如何精細(xì)化城市軌道交通客流預(yù)測，快速響應(yīng)路網(wǎng)波動，實(shí)時(shí)配置運(yùn)力資源已成為運(yùn)營管理者迫切需要解決的問題。

目前，國內(nèi)很多主要城市的軌道交通運(yùn)營企業(yè)建設(shè)相應(yīng)的客流預(yù)測系統(tǒng)。這些客流預(yù)測系統(tǒng)大多依據(jù)不同的客流預(yù)測方法或客流預(yù)測模型，王瑩等人[2]提出季節(jié)時(shí)間序列模型（SARIMAM，seasonal ARIMA model）對北京地鐵進(jìn)站客流量進(jìn)行預(yù)測，Sun等人[3]提出了小波-SVM混合方法對北京地鐵系統(tǒng)的換乘客流進(jìn)行預(yù)測。Roos等人[4]提出了利用不完整歷史觀測數(shù)據(jù)預(yù)測短期客流的動態(tài)貝葉斯網(wǎng)絡(luò)方法。Li等人[5]提出用徑向基函數(shù)（RBF，Radial Basis Function）神經(jīng)網(wǎng)絡(luò)預(yù)測單站客流。Jiao等人[6]提出基于貝葉斯組合和非參數(shù)回歸的改進(jìn)卡爾曼濾波模型來預(yù)測北京地鐵13號線高峰時(shí)段的客流。梁強(qiáng)升等人[7]提出一種融合循環(huán)門控單元和圖卷積神經(jīng)網(wǎng)絡(luò)的城市軌道交通客流預(yù)測模型（GCGRU，Graph Convolutional Networks and Gate Recurrent Unit）。

當(dāng)前大部分的客流預(yù)測系統(tǒng)采用的預(yù)測模型單一、提供的預(yù)測客流指標(biāo)不全，時(shí)空粒度較粗，多場景的適用性不足。因此，亟須開發(fā)一套能夠適用于多場景的全指標(biāo)的精細(xì)化精準(zhǔn)客流預(yù)測系統(tǒng)，實(shí)現(xiàn)支持基于OD的多種精細(xì)化客流預(yù)測模型和方法，為多場景下調(diào)度指揮和客運(yùn)管理提供高準(zhǔn)確度、精細(xì)化時(shí)空粒度的客流預(yù)測數(shù)據(jù)支持。

1 軌道交通客流預(yù)測現(xiàn)狀及需求分析

1.1 現(xiàn)狀分析

當(dāng)前，我國的城市軌道交通已經(jīng)進(jìn)入快速發(fā)展時(shí)期，超大型城市線網(wǎng)規(guī)?？焖贁U(kuò)大，導(dǎo)致城市軌道交通客流激增、客流增長規(guī)律復(fù)雜和運(yùn)營場景多樣化?，F(xiàn)場客流預(yù)測系統(tǒng)存在以下不足：

（1）既有預(yù)測系統(tǒng)存在系統(tǒng)功能不全，適用的場景具有局限性；

（2）既有預(yù)測系統(tǒng)存在預(yù)測粒度不夠精細(xì)，不能完全刻畫客流演變過程，無法支撐日常運(yùn)營的全部業(yè)務(wù)。

1.2 需求分析

通過對地鐵運(yùn)營公司現(xiàn)場業(yè)務(wù)進(jìn)行分析，發(fā)現(xiàn)不同場景下路網(wǎng)客流量和客流規(guī)律等不同，需要在不同場景下為各調(diào)度指揮和客運(yùn)管理部門持續(xù)提供精細(xì)化客流預(yù)測數(shù)據(jù)支持，總體需求主要包括以下3個(gè)方面。

（1）在常規(guī)場景下，通過用戶的設(shè)定或選擇機(jī)器學(xué)習(xí)模型實(shí)現(xiàn)未來預(yù)測日期的客流預(yù)測功能，輸出客流進(jìn)出站、OD等精細(xì)化客流預(yù)測結(jié)果。

（2）在節(jié)假日場景下，通過用戶的設(shè)定或選擇針對特殊日期單獨(dú)的預(yù)測方法，對路網(wǎng)結(jié)構(gòu)進(jìn)行調(diào)整、對模型參數(shù)進(jìn)行設(shè)定，實(shí)現(xiàn)在節(jié)假日場景未來預(yù)測日期的客流預(yù)測功能，輸出客流進(jìn)出站、OD等精細(xì)化客流預(yù)測結(jié)果。

（3）在新線場景下，通過用戶的設(shè)定或選擇加權(quán)平均法模型，對路網(wǎng)結(jié)構(gòu)進(jìn)行調(diào)整、對模型參數(shù)進(jìn)行設(shè)定，實(shí)現(xiàn)新線開通后未來預(yù)測日期的客流預(yù)測功能，輸出客流進(jìn)出站、OD等精細(xì)化客流預(yù)測結(jié)果。

2 系統(tǒng)方案

2.1 總體設(shè)計(jì)

該系統(tǒng)主要由數(shù)據(jù)準(zhǔn)備、客流預(yù)測及分析、數(shù)據(jù)提供3個(gè)部分組成，系統(tǒng)總體結(jié)構(gòu)，如圖1所示。

圖1 系統(tǒng)總體結(jié)構(gòu)

（1）數(shù)據(jù)準(zhǔn)備部分主要是準(zhǔn)備數(shù)據(jù)，以及對業(yè)務(wù)數(shù)據(jù)進(jìn)行處理，包括參數(shù)數(shù)據(jù)和業(yè)務(wù)數(shù)據(jù)。a. 業(yè)務(wù)數(shù)據(jù)有交易數(shù)據(jù)和行車數(shù)據(jù)；b. 參數(shù)數(shù)據(jù)有模型參數(shù)、預(yù)測參數(shù)和路網(wǎng)參數(shù)。

（2）客流預(yù)測及分析部分主要包括預(yù)測場景、預(yù)測客流、預(yù)測客流評估展示、預(yù)測算法和客流規(guī)律庫。a. 預(yù)測場景包括常規(guī)場景預(yù)測、節(jié)假日場景預(yù)測和新線場景預(yù)測，對應(yīng)的預(yù)測模型是機(jī)器學(xué)習(xí)模型和加權(quán)平均法模型；b. 預(yù)測客流模塊支持根據(jù)用戶的設(shè)定或選擇不同的模型或算法實(shí)現(xiàn)未來預(yù)測日的客流預(yù)測功能，輸出客流進(jìn)出站、OD等精細(xì)化客流預(yù)測結(jié)果；c. 預(yù)測結(jié)果評估模塊實(shí)現(xiàn)預(yù)測數(shù)據(jù)和實(shí)際數(shù)據(jù)的對比分析，通過對比分析發(fā)現(xiàn)預(yù)測模型或算法的問題，進(jìn)行優(yōu)化調(diào)整；d. 預(yù)測算法有機(jī)器學(xué)習(xí)模型、比例法模型和聚類算法等；e. 客流規(guī)律庫包括客流高平峰、客流波動規(guī)律、OD標(biāo)準(zhǔn)時(shí)間及相似結(jié)果集。

（3）數(shù)據(jù)提供部分主要是預(yù)測數(shù)據(jù)對外支撐，包括預(yù)測進(jìn)站量、預(yù)測出站量、預(yù)測斷面滿載率、預(yù)測客流來源去向等。

2.2 技術(shù)架構(gòu)設(shè)計(jì)

本系統(tǒng)采用的技術(shù)構(gòu)架包括展示層、訪問層、大數(shù)據(jù)存儲計(jì)算與微服務(wù)層和基礎(chǔ)數(shù)據(jù)交換層，如圖2所示。

圖2 系統(tǒng)技術(shù)架構(gòu)

（1）展示層采用Html5進(jìn)行用戶界面展示，采用LayUI和Finereport完成頁面UI交互控制，部分矢量圖像采用基于Html5的js和canvas技術(shù)實(shí)現(xiàn)。

（2）訪問層采用Ngnix作為系統(tǒng)統(tǒng)一入口，并通過API Gateway對外提供服務(wù)訪問接口。

（3）大數(shù)據(jù)存儲計(jì)算與微服務(wù)層基于Hadoop各類數(shù)據(jù)計(jì)算與存儲服務(wù)，主要有HDFS分布式文件存儲、Spark內(nèi)存計(jì)算、Hive/SparkSQL離線分析、Flink流數(shù)據(jù)處理、HBase海量數(shù)據(jù)查詢、Kafka分布式消息、ElasticSearch分布式搜索引擎等，其中SparkMlib和TensorFlow提供的AI基礎(chǔ)框架為各種預(yù)測場景提供底層算法庫支持，Spring cloud的微服務(wù)器框架為應(yīng)用提供基礎(chǔ)運(yùn)行環(huán)境。RocketMQ為系統(tǒng)提供消息處理引擎，Redis和Oracle為系統(tǒng)的各類預(yù)測和清分?jǐn)?shù)據(jù)實(shí)時(shí)處理提供內(nèi)存計(jì)算環(huán)境。

（4）基礎(chǔ)數(shù)據(jù)交換層采用MQ隊(duì)列或FTP方式實(shí)現(xiàn)外部數(shù)據(jù)接入，并為外部系統(tǒng)提供客流預(yù)測數(shù)據(jù)服務(wù)。

2.3 接口

接口主要是為了接收系統(tǒng)所需要的數(shù)據(jù)和提供系統(tǒng)生成的結(jié)果數(shù)據(jù)。接收數(shù)據(jù)主要包括歷史城市軌道交通自動售檢票系統(tǒng)（AFC，Automatic Fare Collection）交易數(shù)據(jù)、每日AFC交易數(shù)據(jù)、運(yùn)行圖數(shù)據(jù)和其他參數(shù)類數(shù)據(jù)。接口方式主要通過FTP、MQ隊(duì)列、HTTP請求等方式實(shí)現(xiàn)。

2.4 數(shù)據(jù)處理

源數(shù)據(jù)來自于各個(gè)業(yè)務(wù)系統(tǒng)，指標(biāo)口徑對不上，會出現(xiàn)不一致、重復(fù)、不完整、存在錯誤或異常（偏離期望值）的數(shù)據(jù)，所以需要數(shù)據(jù)清洗，其主要步驟如下。

（1）缺失值清洗：主要包含確定缺失值范圍、去除不需要的字段、填充缺失內(nèi)容、重新取數(shù)。

（2）格式內(nèi)容清洗：a. 格式內(nèi)容問題有時(shí)間、日期、數(shù)值和全半角等顯示格式不一致，需將其處理成一致的某種格式；b. 內(nèi)容中有不該存在的字符，最典型的就是頭、尾、中間的空格，也可能出現(xiàn)姓名中存在數(shù)字符號、身份證號中出現(xiàn)漢字等問題，這種情況下，需要以半自動校驗(yàn)、半人工方式來找出可能存在的問題，并去除不需要的字符；c. 內(nèi)容與該字段應(yīng)有內(nèi)容不符，需要詳細(xì)識別問題類型。

（3）邏輯錯誤清洗：主要包含去重、去除不合理值和修正矛盾內(nèi)容，其中，不合理數(shù)據(jù)主要有日期、消費(fèi)情況、出行里程等信息。

（4）非需求數(shù)據(jù)清洗：a. 該步驟主要是把不需要的字段刪除，歷史AFC交易數(shù)據(jù)、每日AFC交易數(shù)據(jù)和運(yùn)行圖數(shù)據(jù)的主要對數(shù)據(jù)格式、重復(fù)數(shù)據(jù)、異常字段數(shù)據(jù)修正等信息進(jìn)行清洗；b. 清洗完成后將不同方式接入的數(shù)據(jù)進(jìn)行集成存儲，保存至一個(gè)一致的數(shù)據(jù)存儲中；c. 對海量的數(shù)據(jù)的數(shù)據(jù)格式進(jìn)行設(shè)計(jì)定義，對原有格式進(jìn)行轉(zhuǎn)換，轉(zhuǎn)換成適合客流預(yù)測系統(tǒng)的數(shù)據(jù)形式。

3 關(guān)鍵技術(shù)

3.1 聚類算法

根據(jù)路網(wǎng)拓?fù)浣Y(jié)構(gòu)，將路網(wǎng)劃分為不同區(qū)段，得到區(qū)段集合S=[trans1,sta1-sta2,trans2,sta3-sta4-sta5,···]， 其中，transn表 示換乘站，staa-···-stab表示同一條線路上的連續(xù)非換乘站；利用AFC系統(tǒng)中的乘客刷卡記錄數(shù)據(jù)，統(tǒng)計(jì)路網(wǎng)n個(gè)車站中第i個(gè)車站在日期j的第k個(gè)時(shí)段（高峰時(shí)段與平峰時(shí)段）去往路網(wǎng)中其他車站的OD；利用前面得到的各車站、各日期、各時(shí)段的OD，計(jì)算各車站、各時(shí)段的重點(diǎn)去向車站集合I。具體計(jì)算流程如下。

（1）計(jì)算各車站各時(shí)段的進(jìn)站客流總量中去向其他各車站的客流量的占比，作為各去向車站的貢獻(xiàn)度，計(jì)算公式如下：

其中，odij表示從c站到d站的OD；Rij表示d 站作為c站的去向車站的客流貢獻(xiàn)度。

（2）車站總體客流去向服從冪律分布，將不同去向貢獻(xiàn)度下的累積車站數(shù)，取對數(shù)后進(jìn)行線性回歸，計(jì)算樣本中車站數(shù)的對數(shù)的下四分位數(shù)，將所得數(shù)值帶入回歸函數(shù)，計(jì)算得到去向貢獻(xiàn)度臨界值r。

（3）統(tǒng)計(jì)去向貢獻(xiàn)度大于步驟（2）中所得的去向貢獻(xiàn)度臨界值r的去向車站，作為車站的重點(diǎn)去向車站集合I。

（4）利用步驟（2）和步驟（3）得到的重點(diǎn)去向車站集合I及區(qū)段集合S，構(gòu)成車站去向集合D，每個(gè)車站在工作日（雙休日）的不同時(shí)段有不同的去向集合。將車站i在日期j的第k時(shí)段，以重點(diǎn)去向車站l為去向的客流量Niijkl，以及以除重點(diǎn)去向車站之外的區(qū)段m為去向的客流量Nsijkm，構(gòu)建得到聚類樣本為： [Niijk1,Niijk2,···,Niijkl,Nsijk1,Nsijk2,···,Nsijkm]。

（5）車站i在日期T的聚類樣本形式如下：

其中，Si(T)為車站i在日期T的聚類樣本；pij(k)為車站i在時(shí)段k內(nèi)去往重點(diǎn)車站j的客流量；rij(k)為車站i在時(shí)段k內(nèi)去往區(qū)段j的客流量（若區(qū)段j內(nèi)包含重點(diǎn)車站，則扣除去往重點(diǎn)車站客流量）；u為重點(diǎn)車站個(gè)數(shù)；v為區(qū)段個(gè)數(shù)。

（6）采用z-score標(biāo)準(zhǔn)化法將聚類樣本標(biāo)準(zhǔn)化為均值為0，方差為1的數(shù)據(jù)。

利用AP聚類算法對各車站各特征日各時(shí)段下所有日期的標(biāo)準(zhǔn)化聚類樣本進(jìn)行聚類，得到各車站各日期各時(shí)段的聚類結(jié)果。

3.2 決策樹算法

為了實(shí)現(xiàn)自動化預(yù)測，模型需要實(shí)現(xiàn)根據(jù)預(yù)測日期特征自動選擇采用相似規(guī)律的歷史客流作為預(yù)測依據(jù)。因此，采用聚類形成的類別樣本數(shù)據(jù)構(gòu)建決策樹模型，并將構(gòu)建后的決策樹模型用于輸出預(yù)測日期所屬的歷史規(guī)律類別。決策樹采用ID3算法，算法輸入形式為歷史數(shù)據(jù)每日各時(shí)段的特征及該時(shí)段車站的進(jìn)站客流的聚類類別。

算法核心是在決策樹各個(gè)節(jié)點(diǎn)上應(yīng)用信息增益準(zhǔn)則選擇特征，遞歸構(gòu)建預(yù)測各車站各時(shí)段進(jìn)站客流的決策樹。2018年1、2季度蘋果園站的進(jìn)站客流 聚類結(jié)果構(gòu)建的決策樹，如圖3所示。

圖3 2018年1、2季度蘋果園站的進(jìn)站客流決策樹

將預(yù)測日的日期特征輸入構(gòu)建好的決策樹，得到預(yù)測日所屬的日期類別。假設(shè)要預(yù)測蘋果園站2018-06-29高峰時(shí)段（PEAK1）的進(jìn)站客流，該預(yù)測日的輸入特征為[第2季度，工作日，星期五]，決策樹結(jié)構(gòu)的第1個(gè)特征為季度，將2018-06-29劃分到第2季度的分支；決策樹結(jié)構(gòu)的第2個(gè)特征為星期幾，繼續(xù)將2018-06-29劃分到星期五的分支；決策樹的最后一個(gè)特征為日期類型，按照2018-06-29的日期類型（為工作日）最終確定所屬類別為類別6。

為了提高決策樹的泛化能力，需要對樹進(jìn)行剪枝，把過于細(xì)分的葉節(jié)點(diǎn)去掉而回退到其父節(jié)點(diǎn)或更高的節(jié)點(diǎn)，使其父節(jié)點(diǎn)或更高的節(jié)點(diǎn)變?yōu)槿~節(jié)點(diǎn)。將數(shù)據(jù)集劃分成訓(xùn)練集和驗(yàn)證集2個(gè)部分，用訓(xùn)練集決定樹生成過程中每個(gè)節(jié)點(diǎn)劃分所選擇的屬性，驗(yàn)證集在剪枝中用于判斷該節(jié)點(diǎn)是否需要進(jìn)行剪枝。

4 系統(tǒng)設(shè)計(jì)及應(yīng)用效果

4.1 常規(guī)場景客流預(yù)測設(shè)計(jì)

4.1.1 預(yù)測方案

在常規(guī)場景下，基于歷史客流數(shù)據(jù)和路網(wǎng)拓?fù)鋽?shù)據(jù)，運(yùn)用聚類方法[8]和機(jī)器學(xué)習(xí)方法構(gòu)建機(jī)器學(xué)習(xí)預(yù)測模型，對目標(biāo)日期分時(shí)段OD進(jìn)行預(yù)測。機(jī)器學(xué)習(xí)預(yù)測模型是一個(gè)全自動、自學(xué)習(xí)式的預(yù)測模型，是通過對歷史客流分布和路網(wǎng)拓?fù)鋽?shù)據(jù)進(jìn)行聚類，總結(jié)出不同特征日下的客流分布模式類別，使用預(yù)測日的日期特征尋找歷史日期中與之同類別的日期集合，利用日期特征相似程度對同類別日期進(jìn)行加權(quán)，并利用客流月份變化趨勢修正系數(shù)[9]對同類別日期進(jìn)行修正，從而擬合得到預(yù)測日分時(shí)OD。常規(guī)場景客流預(yù)測流程，如圖4所示。

圖4 常規(guī)場景客流預(yù)測流程

4.1.2 效果分析

圖5和圖6分別是在常規(guī)場景下路網(wǎng)分時(shí)進(jìn)、出站客流預(yù)測情況對比，可以看出預(yù)測趨勢和實(shí)際情況相符，進(jìn)站量平均相對誤差為0，出站量平均相對誤差為5.13%，這說明該算法取得了良好的預(yù)測效果。

圖5 常規(guī)場景下進(jìn)站量對比折線

圖6 常規(guī)場景下出站量對比折線

4.2 節(jié)假日場景客流預(yù)測設(shè)計(jì)

4.2.1 預(yù)測方案

由于每年節(jié)假日天數(shù)少，客流結(jié)構(gòu)特殊，且每年路網(wǎng)結(jié)構(gòu)都會發(fā)生變化，難以積累足夠多的樣本數(shù)據(jù)進(jìn)行聚類預(yù)測。所以需要設(shè)計(jì)單獨(dú)的預(yù)測方法針對特殊日期進(jìn)行預(yù)測，具體預(yù)測流程，如圖7所示。

圖7 節(jié)假日場景客流預(yù)測流程

（1）使用上一年度對應(yīng)節(jié)假日期之前的歷史分時(shí)OD客流進(jìn)行聚類，獲得聚類結(jié)果。然后，利用上一年度節(jié)假日期分時(shí)OD，通過與聚類中心距離判斷節(jié)假日所屬類別，獲得相同類別日期集合。

（2）使用同類別日期客流加權(quán)擬合預(yù)測上一年度節(jié)假日期分時(shí)OD，并與實(shí)際值進(jìn)行對比，獲得各車站的修正系數(shù)，以及路網(wǎng)修正系數(shù)。

（3）將上一年度節(jié)假日相對位置的同類別日期客流數(shù)據(jù)映射到本年度中，獲得本年度節(jié)假日日期同類別日期組合。

（4）利用本年度節(jié)假日期同類別的日期客流，加權(quán)擬合獲得各車站初始預(yù)測客流，利用前面得到的修正系數(shù)，對各車站的初始預(yù)測客流進(jìn)行修正。對于新線開通的車站，使用路網(wǎng)修正系數(shù)進(jìn)行修正，得到最終的預(yù)測客流。

4.2.2 效果分析

圖8和圖9是分別在節(jié)假日場景下路網(wǎng)分時(shí)進(jìn)、出站客流預(yù)測情況對比，可以看出預(yù)測趨勢和實(shí)際情況相符，進(jìn)站量平均相對誤差為0，出站量平均相對誤差為2.56%，這說明該算法取得了良好的預(yù)測效果。

圖8 節(jié)假日場景下進(jìn)站量對比折線

圖9 節(jié)假日場景下出站量對比折線

4.3 新線場景預(yù)測設(shè)計(jì)

4.3.1 預(yù)測方案

新線開通后，由于路網(wǎng)結(jié)構(gòu)發(fā)生變化，第1個(gè)特征日沒有對應(yīng)的歷史規(guī)律可以用來預(yù)測，同時(shí)在開通初期相同路網(wǎng)拓?fù)湎碌臍v史客流數(shù)據(jù)樣本規(guī)模小，決策樹不能對所有車站都輸出預(yù)測結(jié)果，因此對于新線客流的預(yù)測需要制定專門的預(yù)測方法。

（1）第1階段

第1階段為新路網(wǎng)拓?fù)溥\(yùn)營第1個(gè)星期，對于第1個(gè)特征日，既有站使用上一年度數(shù)據(jù)進(jìn)行聚類預(yù)測，輔以人工修正。新開通車站使用專家預(yù)測值。對后續(xù)日期，使用既有相同特征日數(shù)據(jù)進(jìn)行擬合。第1階段預(yù)測流程，如圖10所示。

圖10 第1階段預(yù)測流程

（2）第2階段第2階段為新路網(wǎng)拓?fù)溥\(yùn)營第2～4個(gè)星期，由 于樣本量規(guī)模限制，決策樹不能完整預(yù)測所有車站，對于決策樹能夠預(yù)測的車站及時(shí)段，采用常規(guī)預(yù)測方法進(jìn)行預(yù)測；對于不能輸出聚類類別的車站，使用設(shè)定規(guī)則篩選相似日期類別。第2階段預(yù)測流程，如圖11所示。

圖11 第2階段預(yù)測流程

（3）第3階段

第3階段為新路網(wǎng)拓?fù)溥\(yùn)營第5個(gè)星期及以后，正常使用決策樹進(jìn)行類別預(yù)測并擬合預(yù)測客流，具體預(yù)測流程，如圖12所示。

圖12 第3階段預(yù)測流程

4.3.2 效果分析

圖13和圖14分別是新線接入場景下路網(wǎng)分時(shí)進(jìn)、出站客流預(yù)測情況對比，可以看出預(yù)測趨勢和實(shí)際情況相符，進(jìn)站量平均相對誤差為0，出站量平均相對誤差為0，這說明該算法取得了良好的預(yù)測效果。

圖13 新線場景下進(jìn)站量對比折線

圖14 新線場景下出站量對比折線

5 結(jié)束語

本文開發(fā)的路網(wǎng)精細(xì)化客流預(yù)測系統(tǒng)已經(jīng)在北京軌道交通指揮中心投入實(shí)際使用，為生產(chǎn)服務(wù)平臺（TCC系統(tǒng)）等多個(gè)業(yè)務(wù)系統(tǒng)持續(xù)提供精細(xì)化路網(wǎng)客流預(yù)測數(shù)據(jù)支撐，取得了良好的效果，為北京市軌道交通有預(yù)見性地進(jìn)行網(wǎng)絡(luò)化調(diào)度指揮和客運(yùn)管理發(fā)揮了重要作用。

未來需要對北京軌道交通路網(wǎng)客流規(guī)律，尤其是特殊場景的客流規(guī)律進(jìn)行更為深入的分析，不斷增加和優(yōu)化客流預(yù)測模型和算法，提高節(jié)假日、新線接入、大型活動等多種特殊場景的客流預(yù)測準(zhǔn)確度。