基于城市軌道交通運(yùn)營大數(shù)據(jù)的客流分析方法探討

楊廣祿

（深圳達(dá)實(shí)智能股份有限公司，廣東深圳 518000）

0 引言

城市軌道交通（以下簡稱地鐵）由于運(yùn)行在專用行車道上，不受其他交通工具干擾，可有效解決交通堵塞，具有方便快捷等諸多優(yōu)點(diǎn)，而成為城市人群的主要出行方式，因此地鐵客流人群的管理與車站運(yùn)營管理息息相關(guān)。目前，地鐵運(yùn)營公司的車站管理依靠車站人員進(jìn)行人工管理，需要耗費(fèi)大量人力資源，管理效率低。車站的運(yùn)營急需運(yùn)用計(jì)算機(jī)網(wǎng)絡(luò)、大數(shù)據(jù)分析等在內(nèi)的科學(xué)方法和技術(shù)，實(shí)現(xiàn)車站的可視化、集成化和智慧化管理，實(shí)現(xiàn)車站管理信息的收集、傳輸、加工、儲(chǔ)存、更新和維護(hù)，集客運(yùn)與設(shè)備管理于一體，通過對車站設(shè)備進(jìn)行數(shù)據(jù)采集，提供車站運(yùn)營管控的數(shù)據(jù)處理，以達(dá)到數(shù)據(jù)共享、工作協(xié)同、數(shù)據(jù)分析的要求，為車站管理者提供管理與決策依據(jù)，保證車站正常運(yùn)營，提前預(yù)防和控制車站運(yùn)營管控風(fēng)險(xiǎn)，從而達(dá)到減員增效、提高安全的目標(biāo)。

目前地鐵客流監(jiān)測［1］的主要方式及問題如下。

（1）視覺識(shí)別技術(shù)［2］。站內(nèi)、車上條件有限，視覺識(shí)別技術(shù)面臨技術(shù)困難。路網(wǎng)規(guī)模大，需要監(jiān)測點(diǎn)眾多而且投資大、建設(shè)周期長。

（2）售檢票系統(tǒng)統(tǒng)計(jì)［3］。售檢票系統(tǒng)只提供乘客進(jìn)出站信息，出行過程信息缺失，無法掌握路網(wǎng)內(nèi)的客流分布和動(dòng)態(tài)。

（3）手機(jī)信號(hào)定位方法［4］。地面或高架站無法區(qū)分站內(nèi)外客流、定位準(zhǔn)確性不高、一人多號(hào)等技術(shù)處理問題。

（4）移動(dòng)通信（WiFi或藍(lán)牙）［5-6］。只能實(shí)現(xiàn)對部分客流（使用專用APP）監(jiān)測，而且投資大、建設(shè)周期長。

（5）車輛載重估算［7］。只能監(jiān)測車上客流人數(shù)，而且估算數(shù)據(jù)準(zhǔn)確性有待證實(shí)。

目前，各種技術(shù)手段零散而無序，導(dǎo)致客流監(jiān)測能力不足，缺乏客流精準(zhǔn)管控方法。沒有對大客流條件下的高風(fēng)險(xiǎn)客流聚集點(diǎn)的精準(zhǔn)管理和控制方法，缺乏對事件影響范圍和影響程度的量化評(píng)估方法和手段，被動(dòng)式面向群體乘客的服務(wù)模式，缺乏對乘客的個(gè)性化出行服務(wù)需求分析，也沒有主動(dòng)式個(gè)性化的服務(wù)支撐手段。

運(yùn)營大數(shù)據(jù)的建設(shè)需求，旨在基于實(shí)時(shí)精準(zhǔn)采集各車站內(nèi)關(guān)鍵區(qū)域的結(jié)構(gòu)化客流數(shù)據(jù)，結(jié)合AFC、WiFi嗅探系統(tǒng)、CCTV系統(tǒng)、以及線網(wǎng)運(yùn)行數(shù)據(jù)、區(qū)域交通數(shù)據(jù)等技術(shù)手段和方法，進(jìn)行整合運(yùn)用，研究一套行之有效的智慧客流分析預(yù)測系統(tǒng)，通過大數(shù)據(jù)分析技術(shù)對軌道交通客流數(shù)據(jù)進(jìn)行綜合分析研究，尋找數(shù)據(jù)之間的關(guān)系，預(yù)測乘客出行的趨勢，為運(yùn)營部門進(jìn)行客流檢查、組織與協(xié)調(diào)管控提供數(shù)據(jù)支撐及輔助，為行人出行提供信息服務(wù)，為城市軌道交通的運(yùn)營、車輛運(yùn)行提供決策支持。

1 客流分析方法

1.1 數(shù)據(jù)輸入

客流大數(shù)據(jù)分析中應(yīng)用到的數(shù)據(jù)包括AFC刷卡交易明細(xì)數(shù)據(jù)、城市軌道交通線網(wǎng)、線路、斷面、車站、OD對（O為起始站點(diǎn)（Origin），代表客流量的產(chǎn)生地；D為終到站點(diǎn)（Destination），是客流量的吸引地；OD連接形成有效路徑，同一張票卡的進(jìn)站和出站信息進(jìn)行配對，得到一個(gè)“O-D對”）的歷史客流數(shù)據(jù)［8］、各維度的固定屬性數(shù)據(jù)以及包括天氣信息、節(jié)假日信息、典型活動(dòng)、突發(fā)事件各種輿情信息等在內(nèi)的分析日相關(guān)數(shù)據(jù)。

其中，AFC刷卡交易明細(xì)數(shù)據(jù)和歷史客流數(shù)據(jù)直接調(diào)用，AFC刷卡交易明細(xì)數(shù)據(jù)來源于完成匹配的雙邊數(shù)據(jù)表，歷史客流數(shù)據(jù)來源于清分結(jié)果數(shù)據(jù)表［9］，如表1所示。

表1 數(shù)據(jù)來源表

線網(wǎng)、線路、斷面、車站、OD對的固定屬性數(shù)據(jù)，以及包括天氣信息、節(jié)假日信息、典型活動(dòng)、突發(fā)事件各種輿情信息等在內(nèi)的分析日相關(guān)數(shù)據(jù)，需要進(jìn)行數(shù)據(jù)表結(jié)構(gòu)設(shè)計(jì)完成數(shù)據(jù)輸入并存儲(chǔ)。

1.2 標(biāo)簽化處理

根據(jù)車站、線路、線網(wǎng)、OD對的內(nèi)在屬性、分析日當(dāng)日車站、線路、線網(wǎng)、OD對外部環(huán)境屬性等信息，把車站、線路、線網(wǎng)、OD對標(biāo)簽分別分為固定屬性標(biāo)簽、非固定屬性標(biāo)簽和外部屬性標(biāo)簽，對車站、線路、線網(wǎng)、OD對分別進(jìn)行標(biāo)簽化處理，整理存入Excel表格。

1.3 非固定屬性影響因子對于客流的影響分析

客流影響主要指客流規(guī)模變化和特征變化，受到非固定屬性影響因子（包括星期、天氣、溫度、季節(jié)、典型活動(dòng)等）和外部屬性影響因子（包括新站開通、新線開通、票價(jià)調(diào)整、封站管控等）的影響，線網(wǎng)、線路、斷面、車站、OD對等不同維度的各指標(biāo)量會(huì)產(chǎn)生不同程度的波動(dòng)。對每一個(gè)線網(wǎng)/線路/斷面/車站/OD對各指標(biāo)量的變化程度，超過設(shè)定的異常點(diǎn)的閾值情況所對應(yīng)的非固定屬性與外部屬性的影響因子標(biāo)簽進(jìn)行提取，運(yùn)用數(shù)理統(tǒng)計(jì)中的貝葉斯的方法［10］，分析異常點(diǎn)單一影響因子的影響程度，把單一影響因子進(jìn)行組合行車一個(gè)場景，分析不同場景對于客流的影響程度，繪制非固定屬性與外部屬性影響因子對于線網(wǎng)/線路/斷面/車站/OD對等不同維度各指標(biāo)量的影響權(quán)重表［11-14］。

1.4 客流時(shí)空多粒度分析

根據(jù)客流展示、客流對比分析、客流時(shí)間序列擬合的比對，選取日、周、月、年等時(shí)間段進(jìn)行指標(biāo)選取［4］。

（1）車站：進(jìn)站量、出站量、進(jìn)出站量、換乘量（換乘站）、分方向換乘量（換乘站）、乘降量（換乘站）；

（2）斷面：分上下行斷面客流量、分上下行斷面滿載率、方向不均衡系數(shù)、斷面不均衡系數(shù)、時(shí)間不均衡系數(shù)；

（3）線路：進(jìn)站量、本線進(jìn)它線出進(jìn)線量、本線進(jìn)本線出進(jìn)線量、出站量、進(jìn)出站量、換乘量、它線進(jìn)本線出換乘量、它線進(jìn)它線出換乘量、客運(yùn)量；

（4）線網(wǎng)：進(jìn)站量、出站量、進(jìn)出站量、換乘量、客運(yùn)量；

（5）OD對：OD量、OD比例。

為描述客流分布特征，需要引入分布函數(shù)進(jìn)行擬合，根據(jù)客流分布情況進(jìn)行擬合，最終用一種比較兩樣本是否同分布的常用的非參數(shù)統(tǒng)計(jì)方法（即K-S檢驗(yàn)）確定最終周客流分布服從那種或那些分布。

1.5 階段分析

對車站、線路、線網(wǎng)、OD對的客流分別進(jìn)行各指定階段內(nèi)的客流分析，指定階段包括春運(yùn)階段、學(xué)生寒暑假放假階段、不同季節(jié)各階段、節(jié)假日階段、典型活動(dòng)階段、突發(fā)性事件階段、特殊氣候階段、封站管控階段。分析內(nèi)容：（1）各階段內(nèi)車站、線路、線網(wǎng)、OD對對應(yīng)客流的總量、均值、變化趨勢、周期、階段等客流狀態(tài)；（2）分析對象之間，即全網(wǎng)所有車站之間、全網(wǎng)所有線路之間、全網(wǎng)所有OD對之間，在該階段內(nèi)的客流量對比；（3）某一分析對象在某階段內(nèi)的客流量和平常日的客流量對比，為了確定該階段的存在引起的客流變化情況；（4）歷年該階段發(fā)生時(shí)客流量的對比。

1.6 事件分析

主要針對不同事件下的車站、線路、線網(wǎng)、OD對客流，進(jìn)行特性分析，分析內(nèi)容：（1）客流變化分析：分析客流在事件發(fā)生期間的變化情況，用于確定節(jié)假日客流變化趨勢、周期或階段；（2）客流對比分析：對比計(jì)算來確定事件下客流與普通場景客流之間的差別，同時(shí)考慮同一事件在歷次發(fā)生時(shí)的客流量變化情況；（3）事件影響分析：分析事件的影響范圍。

事件分析通過對比計(jì)算來確定指定階段客流與普通場景客流之間的差別。另外，考慮同一指定階段在歷年的客流量變化情況，主要是從城市的角度出發(fā)，初步分析人們的出行意愿，即指定階段對乘客出行的影響是否發(fā)生變化，變化幅度的分析等，可以為后續(xù)同類事件影響程度的分析提供基礎(chǔ)數(shù)據(jù)。

2 指標(biāo)計(jì)算機(jī)功能實(shí)現(xiàn)

2.1 指標(biāo)計(jì)算

（1）車站指標(biāo)計(jì)算：普通站進(jìn)站量、普通站出站量、普通站進(jìn)出站量、換乘站進(jìn)站量、換乘站出站量、換乘站進(jìn)出站量、換乘站換乘量、換乘站分方向換乘量、換乘站乘降量。

（2）斷面指標(biāo)計(jì)算：斷面客流量、斷面擁擠度/斷面滿載率、方向不均衡系數(shù)、時(shí)間不均衡系數(shù)、斷面不均衡系數(shù)。

（3）線路指標(biāo)計(jì)算：線路進(jìn)線量、線路本線進(jìn)本線出進(jìn)線量、線路本線進(jìn)它線出進(jìn)線量、線路出站量、線路進(jìn)出站量、線路換乘量、線路它線進(jìn)本線出換入量、線路它線進(jìn)它線出途經(jīng)量、線路客運(yùn)量。

（4）線網(wǎng)指標(biāo)計(jì)算：線網(wǎng)進(jìn)站量、線網(wǎng)出站量、線網(wǎng)進(jìn)出站量、線網(wǎng)換乘量、線網(wǎng)客運(yùn)量。

（5）OD對指標(biāo)計(jì)算：OD量、OD比例。

2.2 功能實(shí)現(xiàn)

2.2.1 數(shù)據(jù)對比分析

2.2.1.1 縱向?qū)Ρ?/p>

縱向?qū)Ρ葹檎故究缒辍⒖缭隆⒖缰堋⒖缛諘r(shí)間范圍內(nèi)不同時(shí)間粒度的對比情況。例如，2021年1月1日—2021年1月15日這一時(shí)間范圍以日為時(shí)間粒度，則對比每一天的A車站進(jìn)站量就是縱向?qū)Ρ龋鐖D1所示。

圖1 縱向?qū)Ρ?/p>

（1）所選時(shí)間范圍分時(shí)間粒度的指標(biāo)量與這一時(shí)間范圍的平均值進(jìn)行比較，平均值的計(jì)算公式如下：

（2）所選時(shí)間范圍分時(shí)間粒度的指標(biāo)量與這一時(shí)間范圍的中位數(shù)進(jìn)行比較，中位數(shù)算法如下：

有一組數(shù)據(jù)x1，x2，…，xn，將它從小到大的順序排序?yàn)閤（1），x（2），…，x（n），則有：

（3）所選時(shí)間范圍分時(shí)間粒度的指標(biāo)量與行業(yè)標(biāo)準(zhǔn)量（多年歷史數(shù)據(jù)分析的結(jié)果）進(jìn)行比較；

（4）將所選時(shí)間范圍分時(shí)間粒度的指標(biāo)量作為一個(gè)整體，A時(shí)間段的指標(biāo)量不同于剩余其他時(shí)間的指標(biāo)量，且指標(biāo)量的變化程度超過設(shè)定的異常點(diǎn)（確定異常點(diǎn)，再分析由什么影響因素導(dǎo)致異常點(diǎn)產(chǎn)生，原因分析可以通過邏輯樹定位法、關(guān)聯(lián)規(guī)則等方法）的閾值，則認(rèn)定A時(shí)間段指標(biāo)量為異常值，A時(shí)間段指標(biāo)量的變化程度公式如下：

2.2.1.2 同比

用于觀察長期的數(shù)據(jù)，是本期數(shù)據(jù)與上一年同期數(shù)據(jù)的比值。通常情況下，會(huì)用同比增長率來衡量變化程度，其計(jì)算公式如下：

2.2.1.3 環(huán)比

用于觀察短期數(shù)據(jù)，是當(dāng)前周期與上一周期的對比，可以是本周與上周的對比、本月與上月的對比、當(dāng)年11月與當(dāng)年10月的對比等。通常情況下，會(huì)用環(huán)比增長率來衡量變化程度，其計(jì)算公式如下：

2.2.1.4 定比

是當(dāng)前周期數(shù)據(jù)與固定周期數(shù)據(jù)的對比，可以是本月與某固定月的對比，例如2021年11月與2021年2月。通常情況下，會(huì)用定比增長率來衡量變化程度，其計(jì)算公式如下：

定比示意圖如圖2所示。

圖2 定比示意圖

2.2.1.5 特定時(shí)期的對比

特定時(shí)期包括節(jié)假日、典型活動(dòng)、突發(fā)事件等，可以是節(jié)假日前中的比較、節(jié)假日中后的比較、節(jié)假日前后的比較、典型活動(dòng)前中的比較、典型活動(dòng)中后的比較、典型活動(dòng)前后的比較、新線開通前后的比較等。通常情況下，會(huì)用特定時(shí)期的增長率來衡量變化程度，其計(jì)算公式如下：

2.2.1.6 橫向?qū)Ρ?/p>

相同時(shí)間范圍內(nèi)不同車站、斷面、線路、OD對的比較。例如，對比全網(wǎng)某幾個(gè)車站2021年元旦期間進(jìn)站量（進(jìn)站量增長率）就是橫向?qū)Ρ龋瑱M向?qū)Ρ热鐖D3所示。

圖3 橫向?qū)Ρ仁疽鈭D

（1）全網(wǎng)所有車站/斷面/線路/OD對在相同時(shí)間范圍下，計(jì)算各指標(biāo)量的最大值、最小值、極差、指標(biāo)量排名前10、指標(biāo)量排名后10。

極差的計(jì)算方法：極差=最大值-最小值；

指標(biāo)量排名前10的計(jì)算方法：對某一個(gè)指標(biāo)量進(jìn)行降序排列后取排名在1～10之間的指標(biāo)量；

指標(biāo)量排名后10的計(jì)算方法：對某一個(gè)指標(biāo)量進(jìn)行升序排列后取排名在1～10之間的指標(biāo)量。

（2）全網(wǎng)所有車站/斷面/線路/OD對在相同時(shí)間范圍下，計(jì)算能夠反映不同車站/斷面/線路/OD對間的變異程度的指標(biāo)——變異系數(shù)，變異系數(shù)的計(jì)算方法如下：

周粒度指標(biāo)量計(jì)算：

月粒度指標(biāo)量計(jì)算：

年粒度指標(biāo)量計(jì)算：

或

各階段指標(biāo)量計(jì)算：

各事件指標(biāo)量計(jì)算：

2.2.2 指標(biāo)量的時(shí)間序列擬合

為描述指標(biāo)量的時(shí)間序列分布特征，需要引入分布函數(shù)進(jìn)行擬合，根據(jù)指標(biāo)量的時(shí)間序列分布情況進(jìn)行擬合，最終用一種比較兩樣本是否同分布的常用的非參數(shù)統(tǒng)計(jì)方法（即K-S檢驗(yàn)）確定最終指標(biāo)量時(shí)間序列分布服從那種或那些分布。

客流分布特征常見的分布函數(shù)包括連續(xù)型分布函數(shù)和離散型分布函數(shù)［15］。

2.2.2.1 連續(xù)型分布函數(shù)

描述客流分布特征常見的連續(xù)型分布函數(shù)如下。

（1）均勻分布

在實(shí)際問題中，當(dāng)無法區(qū)別在區(qū)間內(nèi)取值的隨機(jī)變量取不同值得可能性有何不同時(shí)，就可以假設(shè)變量服從均勻分布。均勻分布由兩個(gè)參數(shù)a和b定義，他們是數(shù)軸上的最小值和最大值，縮寫為U（a，b）。

均勻分布的概率密度函數(shù)為：

（2）正態(tài)分布

正態(tài)分布曲線隨機(jī)變量X服從期望為μ，方差為σ2態(tài)分布，記為X～N（μ，σ2）。其概率密度函數(shù)為正態(tài)分布的期望值μ決定了其位置，其方差σ2決定了分布的幅度。正態(tài)分布函數(shù)密度曲線為：

（3）對數(shù)正態(tài)分布

對數(shù)正態(tài)分布是指一個(gè)隨機(jī)變量的對數(shù)服從正態(tài)分布，則該隨機(jī)變量服從對數(shù)正態(tài)分布。對數(shù)正態(tài)分布從短期來看，與正態(tài)分布非常接近。但長期來看，對數(shù)正態(tài)分布向上分布的數(shù)值更多一些。變量x分布服從對數(shù)正態(tài)分布，即lnx～N（μ，σ2）。其概率密度函數(shù)為：

其中μ與σ分別是變量對數(shù)的平均值與標(biāo)準(zhǔn)差。

（4）柯西分布

柯西分布是一個(gè)數(shù)學(xué)期望不存在的連續(xù)性概率分布。當(dāng)隨機(jī)變量X滿足它的概率密度函數(shù)時(shí)，稱X服從柯西分布，記為X～C（γ，x0）。γ=1，x0=0的特例稱為標(biāo)準(zhǔn)柯西分布，其概率密度函數(shù)為：

式中：x0為定義分布峰值位置的位置參數(shù)；γ為最大值一半處的一半寬度的尺度參數(shù)。

2.2.2.2 離散型分布函數(shù)

描述客流分布特征常見的離散型分布函數(shù)如下。

（1）兩點(diǎn)分布

如果隨機(jī)變量X的概率分布為：

其中0＜p＜1，則稱隨機(jī)變量X服從兩點(diǎn)分布或（0-1）分布。在隨機(jī)試驗(yàn)中，如果只關(guān)心事件A是否發(fā)生，可以定義一個(gè)服從兩點(diǎn)分布的隨機(jī)變量：

（2）二項(xiàng)分布

如果隨機(jī)變量X的概率分布為：

其中0＜p＜1，則稱X服從參數(shù)為n和p的二項(xiàng)分布，記為X～B（n，p）。特別地，當(dāng)n=1時(shí)，二項(xiàng)分布B（1，p）就是兩點(diǎn)分布。

在n重伯努利試驗(yàn)中，記事件A發(fā)生的概率p，X表示n重伯努利試驗(yàn)中A發(fā)生的次數(shù)，則X是一個(gè)隨機(jī)變量并服從B（n，p）。

（3）幾何分布

如果隨機(jī)變量X的概率分布為：

其中0＜p＜1，則稱X服從參數(shù)為p的幾何分布，記為X～G（p）。

（4）泊松分布

如果隨機(jī)變量X的概率分布為：

其中λ＞0是常數(shù)，則稱X服從參數(shù)為λ的泊松分布，記為X～P（λ）。

在大量實(shí)驗(yàn)中，小概率事件發(fā)生的次數(shù)常常服從泊松分布。泊松定理，設(shè)λ＞0是常數(shù)，n為任意正整數(shù)，且滿足=λ，則對任意固定的非負(fù)整數(shù)k，有

利用該結(jié)論，可以將二項(xiàng)分布的相關(guān)問題近似轉(zhuǎn)化為泊松分布來計(jì)算，即當(dāng)n很大，p很小時(shí)，近似的有：

3 應(yīng)用效果分析

基于上述方法搭建系統(tǒng)大數(shù)據(jù)平臺(tái)，接入現(xiàn)有的AFC數(shù)據(jù)、運(yùn)行圖數(shù)據(jù)等業(yè)務(wù)信息，精準(zhǔn)把握網(wǎng)絡(luò)客流時(shí)間和空間分布規(guī)律，能實(shí)現(xiàn)客流預(yù)測、客流動(dòng)態(tài)推演、客流精準(zhǔn)管控、突發(fā)事件評(píng)估和個(gè)性化信息服務(wù)等功能。通過提供事前的精細(xì)化路網(wǎng)客流預(yù)測、當(dāng)前的路網(wǎng)客流分布詳情、未來的客流動(dòng)態(tài)預(yù)測預(yù)警，多場景的精準(zhǔn)客流管控，以及突發(fā)事件影響范圍和程度的即時(shí)量化評(píng)估，構(gòu)成一套完整的精細(xì)化客流解決方案。

4 結(jié)束語

本文通過使用數(shù)據(jù)化手段和科學(xué)的計(jì)算方案，提供實(shí)時(shí)的全路網(wǎng)車站（站臺(tái)、通道）、車上的當(dāng)前和未來的精準(zhǔn)數(shù)量，提供路網(wǎng)精細(xì)化擁擠度、客流分布監(jiān)測、風(fēng)險(xiǎn)點(diǎn)動(dòng)態(tài)預(yù)警信息，以便有針對性進(jìn)行調(diào)度智慧和客運(yùn)組織。根據(jù)日常運(yùn)營信息跟蹤比對進(jìn)行自動(dòng)預(yù)警，并相應(yīng)開展乘客全出行鏈的引導(dǎo)、溝通信息服務(wù)，實(shí)現(xiàn)具備場景化、智能化、人性化的網(wǎng)-線-

站一體化客流、車流調(diào)度技術(shù)，從而提升線路運(yùn)行的安全性和高效性，提高指揮調(diào)度的集約化、智能化、科學(xué)化水平，以有效配置線網(wǎng)資源、保障安全高效的運(yùn)營秩序、緩解客流壓力和提高服務(wù)水平。