深度學(xué)習(xí)算法在城市軌道交通客流短時(shí)預(yù)測(cè)中運(yùn)用分析

摘要：為準(zhǔn)確把握軌道交通短時(shí)客流量的變化情況，在深度學(xué)習(xí)算法基礎(chǔ)上，提出短時(shí)客流量預(yù)測(cè)的方法，分別構(gòu)建基于LSTM神經(jīng)網(wǎng)絡(luò)和NGO-VMD-LSTM的預(yù)測(cè)模型，以某軌道交通換乘站和鄰近小區(qū)的居住站為對(duì)象，以30"min為時(shí)間段，對(duì)客流時(shí)序數(shù)據(jù)進(jìn)行訓(xùn)練，預(yù)測(cè)一段時(shí)間內(nèi)的客流量變化趨勢(shì)。根據(jù)研究結(jié)果可知，NGO-VMD-LSTM模型能夠充分提取客流波動(dòng)特征，可提高高峰時(shí)段的車站管理效率，為軌道交通運(yùn)營(yíng)部門的車輛調(diào)度、乘客管理等提供參考依據(jù)。

關(guān)鍵詞：深度學(xué)習(xí)算法""軌道交通""客流短時(shí)預(yù)測(cè)""LSTM模型

中圖分類號(hào)：U231.92

Application"Analysis"of"Deep"Learning"Algorithm"in"Short-Term"Prediction"of"Urban"Rail"Transit"Passenger"Flow

HE"Jiangjiang""ZHANG"Peng""WANG"Fangling

Guangzhou"Railway"Polytechnic，"Guangzhou，"Guangdong"Province，"511300"China

Abstract："In"order"to"accurately"grasp"the"change"of"short-term"rail"transit"passenger"flow，"on"the"basis"of"Deep"Learning"Algorithm，"this"paper"puts"forward"the"short-time"passenger"flow"prediction"method，"andnbsp;construct"prediction"models"based"on"LSTM"neural"network"and"NGO-VMD-LSTM"respectively."With"a"rail"transit"transfer"station"and"the"neighboring"residential"stations"as"the"object，"it"trains"the"passenger"flow"time"series"data"for"a"period"of"30"minutes，"predicts"the"flow"trend"over"a"period"of"time."According"to"the"research"results，"the"NGO-VMD-LSTM"model"can"fully"extract"the"characteristics"of"passenger"flow"fluctuation，"improve"the"efficiency"of"station"management"during"peak"hours，"and"provide"a"reference"for"the"vehicle"dispatching"and"passenger"management"of"the"rail"transit"operation"department.

Key"Words："Deep"Learning"Algorithm;"Rail"transit;"Short-term"passenger"flow"prediction;"LSTM"model

當(dāng)前國(guó)內(nèi)軌道交通發(fā)展速度加快，運(yùn)營(yíng)線路不斷增加，交通網(wǎng)絡(luò)日益完善，客流量逐漸增加，常常出現(xiàn)客流過度飽和情況，特別是在早晚高峰期，很容易因人流擁擠引發(fā)安全事故。對(duì)此，相關(guān)部門應(yīng)引入深度學(xué)習(xí)算法，通過LSTM模型、NGO-VMD-LSTM模型的構(gòu)建和應(yīng)用，學(xué)習(xí)大量輸入數(shù)據(jù)的特征規(guī)律，提高運(yùn)算速度，對(duì)短時(shí)客流量進(jìn)行準(zhǔn)確預(yù)測(cè)，提前制訂科學(xué)可行的疏導(dǎo)方案，使軌道交通運(yùn)營(yíng)更加順暢有序，切實(shí)保障乘客的生命安全，提高出行體驗(yàn)。

1"軌道交通客流預(yù)測(cè)模型的構(gòu)建

1.1"LSTM模型

循環(huán)神經(jīng)網(wǎng)絡(luò)中各神經(jīng)元之間通過鏈?zhǔn)浇Y(jié)構(gòu)相互連接，可用于處理存在時(shí)序關(guān)系的數(shù)據(jù)。在此基礎(chǔ)上，利用該網(wǎng)絡(luò)捕捉短時(shí)客流的時(shí)序特點(diǎn)，能夠有效提高精準(zhǔn)度。以往的循環(huán)神經(jīng)網(wǎng)絡(luò)應(yīng)用時(shí)，如若需要處理大量時(shí)序數(shù)據(jù)，很容易因記憶衰退速度過快導(dǎo)致梯度消失，無法取得理想的訓(xùn)練效果。針對(duì)上述問題，LSTM模型創(chuàng)建時(shí)，將LSTM細(xì)胞單元引入進(jìn)來，采用輸出門、輸入門和遺忘門等結(jié)構(gòu)，實(shí)現(xiàn)選擇性的記憶保存和刪除，使傳遞的信息更加可控，賦予該模型長(zhǎng)期記憶功能。LSTM細(xì)胞單元經(jīng)過門限結(jié)構(gòu)，對(duì)原有記憶進(jìn)行更新，將所需記憶傳遞到指定位置。在此期間，先根據(jù)前一階段的細(xì)胞單元輸入，利用遺忘門剔除無價(jià)值信息，確定上一時(shí)間段的單元狀態(tài)，確定有多少需要被保留下來，模型如下：

式（1）中：ft表示輸入門權(quán)值向量；Wf表示遺忘門相匹配的權(quán)重向量；表示sigmoid函數(shù)中，輸出[0，1]范圍內(nèi)的數(shù)值，其中0為徹底遺忘，1為全部記憶，然后將其傳遞到候選門中，使細(xì)胞狀態(tài)得以更新，公式如下：

式（2）中：Ct表示當(dāng)前時(shí)刻細(xì)胞狀態(tài)；C為輸入門的偏置量；Ct-1表示選門權(quán)值向量。根據(jù)上述模型，通過各門限結(jié)構(gòu)件的相互作用，可使循環(huán)神經(jīng)網(wǎng)絡(luò)的長(zhǎng)期依賴問題得到良好解決，細(xì)胞之間的鏈?zhǔn)浇Y(jié)構(gòu)更加完善，能夠延長(zhǎng)該模型的記憶時(shí)間，遺忘信息經(jīng)過長(zhǎng)時(shí)間訓(xùn)練后仍可全部記憶，還可結(jié)合模型輸入，使當(dāng)前細(xì)胞狀態(tài)得到靈活調(diào)整[1]。

1.2"NGO-VMD-LSTM模型構(gòu)建

軌道交通中進(jìn)站客流數(shù)據(jù)較多，具有諸多不確定性，屬于非平穩(wěn)時(shí)間序列。為使客流數(shù)據(jù)在不同時(shí)間段的變化趨勢(shì)得以展現(xiàn)，可在LSTM模型基礎(chǔ)上傳創(chuàng)建組合模型，即NGO-VMD-LSTM模型，使預(yù)測(cè)效果得到進(jìn)一步提升。在客流預(yù)測(cè)中，該組合模型包含兩個(gè)部分，即客流數(shù)據(jù)分解重構(gòu)、整合，流程如下。首先，確定模型輸入，將歷史進(jìn)站客流數(shù)據(jù)輸入組合模型內(nèi)，作為一維時(shí)間序列；其次，確定VMD算法參數(shù)，取值范圍為[K，a]，因NGO算法的更新速度較快，在上述區(qū)間內(nèi)選值更易取得最佳計(jì)算結(jié)果，將組合模型內(nèi)的歷史進(jìn)站客流數(shù)據(jù)分解開來，獲得大量IMF和1個(gè)Res。在VMD算法應(yīng)用中，需要整合歷史客流數(shù)據(jù)，將其根據(jù)時(shí)間尺度的不同，分成1個(gè)Res和多個(gè)IMF，全部分量相加之和與歷史客流數(shù)據(jù)相同，數(shù)據(jù)的物理意義并未變化，計(jì)算公式如下：

式（3）中：表示站點(diǎn)i的歷史客流值；n表示客流值分解后所得的IMF數(shù)量；表示第i個(gè)IMF分量；Res表示分解后余量。

因分量眾多，無法將不同頻率下的客流量特點(diǎn)準(zhǔn)確表示出來，采用Pearson相關(guān)系數(shù)進(jìn)行檢驗(yàn)，以系數(shù)值為依據(jù)表示相關(guān)度，使分量得以重構(gòu)，再輸入LSTM模型內(nèi)訓(xùn)練，將重構(gòu)完畢的全部分量預(yù)測(cè)結(jié)果相加，便是進(jìn)站客流量的預(yù)測(cè)結(jié)果[2]。

2"軌道交通客流預(yù)測(cè)模型的實(shí)際應(yīng)用

2.1"數(shù)據(jù)采集和處理

本研究數(shù)據(jù)源于某城市軌道交通的閘機(jī)刷卡記錄，研究開始前將AFC數(shù)據(jù)預(yù)處理，轉(zhuǎn)換成LSTM模型可識(shí)別的數(shù)據(jù)。對(duì)于不同類型的站點(diǎn)來說，客流分布特點(diǎn)和進(jìn)站時(shí)間規(guī)律也不盡相同，換乘站往往客流波動(dòng)性更強(qiáng)，而周圍鄰近居民區(qū)的站點(diǎn)能夠體現(xiàn)出市民的出行規(guī)律，客流時(shí)空分布規(guī)律相對(duì)較強(qiáng)。

本研究以某鄰近小區(qū)的居住站點(diǎn)1號(hào)、某換乘站2號(hào)為對(duì)象，以AFC數(shù)據(jù)為依據(jù)，研究2023年5月1號(hào)到6月30號(hào)之間的進(jìn)站客流量。進(jìn)站客流量受首末班車發(fā)車時(shí)間、節(jié)假日的影響較大。對(duì)于大多數(shù)站點(diǎn)來說，在6：30—20：30之間的進(jìn)站客流量較多，剩余時(shí)間較少，被研究的兩個(gè)站點(diǎn)也不例外，因此該研究以6：30—20：30為研究區(qū)間，以30"min為間隔，對(duì)兩個(gè)站點(diǎn)的進(jìn)站客流情況進(jìn)行調(diào)查。在預(yù)處理階段，為使特征集間的量綱差別產(chǎn)生的不良影響被消除，該研究利用min-max標(biāo)準(zhǔn)化，對(duì)采集的數(shù)據(jù)歸一化處理，幫助加快模型參數(shù)收斂速度，便于模型求解。

2.2"評(píng)價(jià)指標(biāo)

受多種因素影響，任何預(yù)測(cè)算法在客流預(yù)測(cè)應(yīng)用中，所得結(jié)果都只是無限接近真實(shí)值，但二者之間勢(shì)必存在誤差，可利用誤差進(jìn)行模型效果評(píng)價(jià)，判斷不同模型的性能與應(yīng)用效果。該研究采用決定系數(shù)（M1）、均方根誤差（M2）、平均絕對(duì)誤差（M3）作為定量評(píng)價(jià)指標(biāo)。

2.2.1決定系數(shù)

該指標(biāo)的作用在于評(píng)價(jià)模型擬合程度，可將模型對(duì)數(shù)據(jù)方差的比例，適用于多種模型的對(duì)比，取值范圍為0～1。當(dāng)取值為1時(shí)，說明模型預(yù)測(cè)的精準(zhǔn)度達(dá)到100%；當(dāng)取值為0時(shí)，說明預(yù)測(cè)準(zhǔn)確度較差，公式如下。

M1""""（4）

式（4）中：M1表示決定系數(shù)y1表示客流量的預(yù)測(cè)值，單位為人；y2表示客流量的實(shí)際值，單位為人；y3表示預(yù)測(cè)客流量的平均值，單位為人；n表示預(yù)測(cè)客流數(shù)量。

2.2.2均方根誤差

該指標(biāo)是指真實(shí)值和預(yù)測(cè)結(jié)果間的差值的平方和，可展示二者間的差異程度，所得數(shù)值越小，說明模型預(yù)測(cè)的準(zhǔn)確度越高，公式如下：

式（5）中：M2表示均方根誤差。

2.2.3平均絕對(duì)誤差

該指標(biāo)為真實(shí)值和預(yù)測(cè)值間的絕對(duì)誤差均值，可將預(yù)測(cè)結(jié)果的平均誤差程度展現(xiàn)出來，當(dāng)MAE數(shù)值越小時(shí)，說明預(yù)測(cè)準(zhǔn)確度越高，公式如下。

式（6）中，M3表示平均絕對(duì)誤差；n表示預(yù)測(cè)客流數(shù)量"[3]。

2.3"參數(shù)設(shè)置

該研究采用TensorFlow學(xué)習(xí)框架進(jìn)行模型構(gòu)建，利用ReLU激活函數(shù)，以MSE為損失函數(shù)，LSTM模型設(shè)置3層，有效避免過擬合情況發(fā)生。在各個(gè)LSTM層后方增加Dropout層，利用網(wǎng)絡(luò)檢索的方式，確定迭代次數(shù)的數(shù)值，該法的搜索面積較大，所得出的迭代次數(shù)取值可進(jìn)行批量處理。

站點(diǎn)1的LSTM模型批量處理取值為32，迭代次數(shù)取值為500；站點(diǎn)1的組合模型批量處理取值為32，迭代取值為400。站點(diǎn)2的LSTM模型批量處理取值為32，迭代次數(shù)取值為500；站點(diǎn)2的組合模型批量處理取值32，迭代取值為500。對(duì)上述參數(shù)批量處理和迭代次數(shù)取值后，一同納入已經(jīng)創(chuàng)建的LSTM模型內(nèi)展開訓(xùn)練，反復(fù)實(shí)驗(yàn)3次，計(jì)算平均值[4]。

2.4"結(jié)果分析

2.4.1"站點(diǎn)1的預(yù)測(cè)結(jié)果

采用LSTM模型能夠計(jì)算該站客流量的周期特征、總體變化情況，但對(duì)客流峰值時(shí)段的學(xué)習(xí)能力不高。在工作日，高峰期的客流預(yù)測(cè)值低于真實(shí)值，低谷階段的預(yù)測(cè)值超過真實(shí)值，與原始曲線之間的擬合度較差。在非工作日，峰值階段的模型預(yù)測(cè)值和真實(shí)值偏差較大，且客流變化趨勢(shì)較為復(fù)雜，模型無法準(zhǔn)確高效地學(xué)習(xí)客流變化規(guī)律。采用組合模型能夠得到該站客流量的整體情況，但客流波動(dòng)較小的時(shí)段，預(yù)測(cè)波動(dòng)超過單一模型[5]。究其原因，組合算法對(duì)客流分解能夠獲得頻率屬性，因此對(duì)客流波動(dòng)較大時(shí)段的學(xué)習(xí)能力較強(qiáng)，反之則較弱。可見，組合模型盡管能夠提高該站點(diǎn)的預(yù)測(cè)精度，但無法高效學(xué)習(xí)客流波動(dòng)較小時(shí)段的特征。

2.4.2"站點(diǎn)2的預(yù)測(cè)結(jié)果

采用LSTM模型能夠計(jì)算該站客流量的整體情況，但預(yù)測(cè)曲線的波動(dòng)較大，與原始曲線之間的擬合度較差，在低谷時(shí)期的預(yù)測(cè)準(zhǔn)確度不高，預(yù)測(cè)值超過真實(shí)值，說明該模型無法準(zhǔn)確預(yù)測(cè)該站的客流變化趨勢(shì)。究其原因，站點(diǎn)2為換乘站，進(jìn)站客流量較大，情況較為復(fù)雜，規(guī)律性較低，該模型對(duì)站點(diǎn)2客流特征的學(xué)習(xí)能力不足，容易受到波動(dòng)干擾，影響最終預(yù)測(cè)結(jié)果。采用組合模型能夠得到該站客流量的整體情況，且高峰和低谷期的預(yù)測(cè)準(zhǔn)確度較高，但仍與實(shí)際數(shù)值有所差異，特別是在低谷時(shí)期，客流預(yù)測(cè)值超過真實(shí)值。究其原因，當(dāng)客流量較小的情況下，組合模型的學(xué)習(xí)能力不高。與單一模型相比，高峰和低谷期的預(yù)期差值明顯縮小，這說明組合模型對(duì)客流波動(dòng)的干擾性較小，整體預(yù)測(cè)結(jié)果準(zhǔn)確度較高[6]。

3"結(jié)語

綜上所述，隨著軌道交通建設(shè)規(guī)模日益擴(kuò)大，運(yùn)營(yíng)計(jì)劃制訂難度隨之增加，應(yīng)以短時(shí)進(jìn)站客流量為依據(jù)，使車站動(dòng)態(tài)管理效率得以提升。在客流量預(yù)測(cè)過程中，相關(guān)部門可采用深度學(xué)習(xí)算法，創(chuàng)建NGO-VMD-LSTM模型，充分提取客流波動(dòng)特征。根據(jù)實(shí)例分析可知，組合模型與單一LSTM模型相比預(yù)測(cè)精準(zhǔn)度更高，適用于非線性、非周期性波動(dòng)的短時(shí)客流數(shù)據(jù)處理，且計(jì)算結(jié)果準(zhǔn)確穩(wěn)定，可為車站動(dòng)態(tài)管理提供科學(xué)依據(jù)。

參考文獻(xiàn)

[1]侯曉云，邵麗萍，李靜，等.基于深度學(xué)習(xí)的城市軌道交通短時(shí)客流起訖點(diǎn)預(yù)測(cè)[J].城市軌道交通研究，2020，23（1）：55-58.

[2]王雪琴，許心越，伍元?jiǎng)P，等.基于混合深度學(xué)習(xí)模型的城軌短時(shí)客流預(yù)測(cè)[J].鐵道科學(xué)與工程學(xué)報(bào)，2022，19（12）：3557-3568..

[3]卡達(dá)（Anish"Khadka）.基于深度學(xué)習(xí)的城市軌道交通短期客流預(yù)測(cè)[D].南京：東南大學(xué)，2018.

[4]張文娟，楊皓哲，張彬，等.考慮多時(shí)間尺度特征的城市軌道交通短時(shí)客流量預(yù)測(cè)模型[J].交通運(yùn)輸系統(tǒng)工程與信息，2022，22（6）：212-22.

[5]王佳琳.基于深度學(xué)習(xí)模型的城市軌道交通短時(shí)客流預(yù)測(cè)方法研究[D].北京：北京交通大學(xué)，2020.

[6]李莎，王秋雯，陳彥如，等.基于SAE-ConvLSTM深度學(xué)習(xí)模型的多站城軌短時(shí)客流預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用研究，2022，39（7）：2025-2031..