基于長短期記憶網絡的軌道交通短期OD客流量預測

張萍，肖為周，沈錚璽

摘要：為了更準確地掌握軌道交通客流在線網中的時空分布，更高效地匹配客流需求與運輸能力，實現提高軌道交通運輸效率、改善運營服務質量的目的，提出了一種基于長短期記憶網絡的短期OD（交通起止點）客流量預測方法。以歷史客流數據為基礎，定性分析車站間OD客流量的時空相關性，利用回歸分析法定量分析客流影響因素，篩選出運營時刻、運營日特征、最低氣溫3個時間特征。為提高預測精度，以長短期記憶網絡為基礎，結合時間特征，為每對起訖點單獨構建預測模型，形成了基于長短期記憶網絡的軌道交通短期OD客流量預測模型。以蘇州市為例進行驗證，結果表明，加入了時間特征的短期OD客流量預測模型較移動平均模型、僅利用歷史客流數據訓練的基于LSTM網絡的短期OD客流量預測模型，預測結果與真實值之間的誤差降低了6.27%～8.58%，所提出的方法和模型可為軌道交通運營部門制定列車運行計劃、組織客運工作提供更準確的數據資料。

關鍵詞：交通運輸工程;城市軌道交通;站間OD客流;短期客流預測;長短期記憶網絡

中圖分類號：U293.13文獻標識碼：ADOI： 10.7535/hbgykj.2021yx05001

Forecast of short-term origin-destination passenger flow of rail transit

based on long short-term memory network

ZHANG Ping，XIAO Weizhou，SHEN Zhengxi

（School of Rail Transportation，Soochow University，Suzhou，Jiangsu 215131，China）

Abstract：In order to grasp the temporal and spatial distribution of passenger flow in the rail transit more accurately，match the demand of passenger flow and the capacity of rail transportation more efficiently，and achieve the purpose of improving rail transit transportation efficiency and operation service quality，a forecast method of short-term OD passenger flow （origin-destination ） based on long short-term memory network was proposed.The temporal and spatial correlation of OD passenger flow between stations was qualitatively analyzed based on the historical passenger flow data.The influencing factors of passenger flow were analyzed by regression analysis method，and three time characteristics of operation time，operation day characteristics and minimum temperature were selected.Based on the long short-term memory network，the model was built for each OD combining with the time features to improve the forecast accuracy.Therefore，the short-term OD passenger flow forecast of rail transit based on long short-term memory network was formed.Suzhou railway transit was taken as an example to make an imitation test.The results show that compared with the moving average model and the short-term OD prediction model based on LSTM network trained only by historical data，the error between the real value and the predicted result of the short-term OD prediction model with the time characteristics is reduced by 6.27%～8.58%.In short，the proposed model and the methods can provide more accurate data for rail transit operation department to make the train operation plan and organize passenger transport.

Keywords：traffic and transportation engineering;urban rail transit;origin-destination flow between stations;short-term passenger flow forecast;long short-term memory

軌道交通具有快速、準時等特點，性價比高，越來越多的居民選擇軌道交通作為主要出行方式。截至2019年底，中國共有40個內地城市開通軌道交通運營線路，總運營線路為208條，線路總里程為6 736.2 km;2019年全年累計客運量達237.1億人次，同比增長12.5%[1]?？梢钥闯?，中國的軌道交通正處于快速發展時期。一般而言，軌道交通的線網規模越大，乘客的出行特征就越復雜，客運工作就越難組織和協調。準確掌握軌道交通短期客流數據，是運營部門制定運營計劃的關鍵，是協調各部門完成運輸工作的基礎。

在短期客流預測方面，大部分學者的研究對象是軌道交通線路或者部分車站的進出站客流量[2]、日客流量[3]及小時客流量[4]。而站間OD（交通起訖點）客流體現了進出站客流的流向和分布，是分析客流時空分布的基礎，是進行客運組織和票務清分的關鍵數據。近幾年，也有學者對此進行了研究。姚向明等[5]基于乘客行程時間分布的客流到達率構建狀態空間模型，以卡爾曼濾波求解短時OD估計;之后，姚向明等[6]在先前研究的基礎上，考慮前向多個時段的影響，引入了滑動平均策略構建模型;劉洋等[7]對運營日、運營時段進行了聚類劃分，分析了OD客流量分布的穩定性和相關性;陳志杰等[8]考慮到不同時段內不同起訖點間的客流差異，建立了多時間尺度的短時OD客流量估計模型并利用交互模型求解，進一步提高了計算精度;蔣熙等[9]、李若怡等[10]、ZHANG等[11]、TANG等[12]以長短期記憶網絡LSTM為基礎，在短時OD客流量預測中考慮了狀態方程迭代遞推、多源數據、OD客流量吸引度、時空特征等內容，實現了深度學習方法在短時OD客流量預測中的運用;侯曉云等[13]建立了基于GRU神經網絡的短時OD客流量預測模型，在收斂速度和預測穩定性方面有了進一步提高。

上述的研究均是建立在實時數據輸入條件下，基于狀態空間法結合歷史客流研究客流分流率，對當前進站客流進行流向估計從而得到OD客流量矩陣。本文提出的短期OD客流量預測以歷史刷卡數據為基礎，預測未來一周或未來一個月的OD客流量，以滿足運營公司短期運營決策的需求。

1問題描述

在軌道交通網絡結構較為穩定的情況下，OD客流量的變化情況與歷史同期類似[14]。以某市軌道交通線網中任一對OD為例，以一星期為周期分析客流變化，如圖1所示，觀察可發現OD客流量的變化趨勢與歷史同期大致相似，僅在部分時段變化有出入但基本穩定。

軌道交通自動售檢票系統（automatic fare collection system，AFC） 是一個封閉式自動化網絡系統，具有售票、檢票、收費、統計等功能，記錄了所有乘客的出行信息，可以從中提取出包含進站車站、進站時間、出站車站、出站時間、票卡類型等信息。對歷史AFC數據進行深入挖掘，取τ為時間粒度，將運營時間等分為m個時段，以進站時間為劃分標準，統計站間OD客流量。假設當前時段為s（s∈[1，M]，M為所有時段數），在時段s內，從車站i出發去往車站j的客流量為qij（s）（i∈[1，N]，N為網絡中所有車站數）。對于同一OD而言，乘客的在車時間大致相等，等車時間則與發車間隔即運營時刻有關，乘客是否跨時段出行對本文預測結果影響不大，因而不討論乘客跨時段出站的情況。

本文的短期OD客流量預測是指在獲得了軌道交通歷史AFC數據的條件下，結合站間客流在時間維度的高度相關性，構建歷史客流數據間的輸入輸出關系，通過大量數據訓練和誤差調整，能通過前k個時段的數據估計時段s的OD客流量值，而時段s的預測結果，也可作為s+1時段的基礎數據。因此本文提出的短期站間OD客流量預測模型可以預測未來一周、一個月的OD客流量。

2方法提出

軌道交通站間OD客流量分布在不同時間會呈現出不完全相同的特征，例如工作日和非工作日、高峰期與平峰期，筆者將時間因素細分，結合現有研究和軌道交通運營實際，選取易獲得的運營時刻、運營特征日、溫度、天氣情況，定量分析時間因素對OD客流量的影響。

2.1影響因素

將一天的運營時間細分，若時間粒度為τ，則運營時刻被分成m個時段，編號為1—m，運營特征日分為工作日、周末和節假日3類，分別取值為1，2，3，溫度取當天的最高氣溫和最低氣溫，天氣情況分為雨雪天氣和其他情況2類，其中雨雪天氣用1表示，其他情況用2表示，具體字符和數值對應情況如表1所示。

用線性函數的形式來描述運營時刻、運營特征日、天氣情況、最低氣溫、最高氣溫對客流的影響，形式如式（1）所示。

qijs=αHs+βDs+γZs+

λWLs+ωWHs。（1）

運用回歸分析方法標定參數，結果見表2，變量需通過5%的置信水平檢驗，即|t|>1.96，需通過顯著性檢驗即Sig.P<0.05，根據估計結果，去除天氣情況和最高氣溫。

對運營時刻、運營特征日、最低氣溫再次運用回歸函數分析，此時各參數均滿足置信水平檢驗和顯著性檢驗，線性回歸方程的擬合優度為0.196，說明上述3個時間因素是站間OD客流量的重要影響因素，但還不能完全表達客流量，用線性回歸方式預測OD客流量的效果不佳。在站間OD客流量其他影響因素尚不明確的情況下，神經網絡的優勢得以發揮。

2.2LSTM模型

長短期記憶網絡（long short-term memory，LSTM）[15]是一種特殊的循環網絡，是為了解決一般循環神經網絡（recurrent neural network，RNN）在處理長期序列時產生的梯度爆炸或梯度消失問題而提出的。相比RNN只有一個傳遞狀態ht，見圖2，LSTM在重復模塊中增加了一個傳輸狀態ct，見圖3，可以記憶不定時間長度的數值，在復雜序列特征學習方面具有優勢，適用于處理軌道交通客流數據這類影響因素復雜、間隔和延遲比較長的時間序列數據。圖2、圖3中，xt，yt分別表示當前節點數據的輸入和輸出。

LSTM的重復單元內部有4個網絡層，通過3個門來控制輸入輸出，如圖4所示。

圖4中zf，zi ，zo分別對應一種門控狀態，是由ht-1和xt組成的拼接向量乘以權重W，經過sigmoid激活函數形成的0～1的向量，如式（2）所示：

zτ=σ（Wτ·ht-1，xt+bτ），τ∈f，i，o。（2）

zt表示對輸入數據進行處理，是拼接向量乘以權重的結果經過tanh激活函數形成的-1～1的向量，計算公式如式（3）所示：

zt=tanhWt·ht-1，xt+bt。（3）

具體運算流程如下。

1）遺忘門zf對上一節點的輸入進行選擇性記憶。

2）輸入門zi決定當前節點的更新，zt表示對當前輸入進行選擇性記憶。在輸入階段，經遺忘門更新的傳輸信息與通過輸入門的信息相加，得到當前節點的ct，如式（4）所示：

ct=zfct-1+zizt 。（4）

3）輸出門zo控制當前節點的輸出，傳遞狀態ht由ct變化后與輸出控制zo相乘得到，如式（5）所示，當前節點的輸出yt由ht變化得到，如式（6）所示：

ht=zotanh（ct），（5）

yt=σWt′·ht。（6）

在圖4及式（3）-式（7）中，表示矩陣對應相乘;表示矩陣對應相加; Wα，α∈f，i，o，t，t′表示各狀態對應的權重向量;bβ，β∈f，i，t，o表示各狀態對應的偏置項;σ表示sigmoid激活函數，輸出是0～1的值，數值代表通過sigmoid函數的信息的保留程度，0表示不保留，1表示全保留 tanh函數類似sigmoid，輸出為-1～1，兩者的計算公式如式（7）所示：

σx=11+e-x，

tanhx=ex-e-xex+e-x。（7）

3模型構建

以網絡中的車站i和車站j為例，運用LSTM網絡構建車站間短期OD客流量預測模型。結合上文OD客流量影響因素研究，車站i和車站j間s時段的數據用Pij（s）：qijs，Hs，Ds，WLs表示，由s時段車站i和車站j之間的OD客流量、s時段的運營時刻編號、s時段的運營特征日屬性、s時段的最低氣溫組成。將所有數據整理成數據集，以前k條數據作為輸入，即式（2）與式（3）中x=（Pij（s-k），Pij（s-k+1），…，Pij（s-1）），以下一條數據的OD客流量作為輸出，式（6）中y=qij（s），構成模型的訓練結構，在模型訓練過程中不斷重復式（2）-式（6），直到滿足收斂條件。

在LSTM網絡模型中，模型參數的取值分別為時間步長k、隱藏層神經元個數n、迭代次數epoch對模型的預測結果和運算效率有較大影響。當k=3時，即以前3條數據的客流值作為輸入、后1條數據的客流值作為輸出時，整體效果較好。LSTM網絡設置一個隱藏層，隱藏層神經元取200個，迭代次數為350次。選用Adam算法更新權重，MAE作為損失函數，在隱藏層采用Dropout約束 [16]防止預測網絡過擬合。經過數據訓練和測試，將得到基于LSTM的短期站間OD客流量預測模型，該模型表達的是在時間因素影響下車站i和車站j之間OD客流量的非線性映射關系。

4實例分析

以2020年5月-8月蘇州軌道交通126個車站連續17周的AFC刷卡數據為例，對數據中異常記錄進行篩除，數據的有效性為99.99%。通常，短時OD客流量估計的時間間隔為5，10或15 min，一般不超過30 min;本文研究的是短期客流，研究30 min以內或超過120 min的時間粒度意義不大，因此選取60 min作為短期客流OD客流量預測的時間粒度。以60 min為時間間隔，統計各站間OD客流量，全日運營時間為6：00～23：00，劃分成17個時段，編號為1—17，運營特征日按工作日為1、周末為2、節假日為3的分類取值原則取值，歷史及預測期內的最低氣溫通過中國天氣網（www.weather.com.cn）查詢，共形成2 023條數據，模型數據示例如表3所示。

根據模型構建部分的參數設置，時間步長取3，隱藏層神經元個數取200個，迭代次數為350次，Dropout取0.2，將前16周的數據作為訓練集，最后1周的數據作為測試集。

運用Python3.7對模型進行求解，本文為每對OD客流量單獨建模，預測時，網絡被分解為126×125個獨立并行的子任務，形成獨立的基于LSTM的短期OD客流量預測模型。在此，取其中2個OD客流量值估計結果進行分析，圖5、圖6分別展示了車站1—車站2、車站3—車站4間模型預測結果與實際值的擬合效果。

進一步分析模型預測效果，將本文提出的模型與其他模型對比。在軌道交通客流相對穩定的情況下，運營者常常采用歷史同期數據或近一段時間的實際客流進行估算，即移動平均法，稱為模型1;為了驗證本文在客流預測模型中加入時間因素的優勢，將案例數據中運營時刻、運營特征日、最低氣溫三者刪去，不考慮時間因素的影響，僅利用歷史客流數據訓練模型，即僅客流數據輸入的基于LSTM網絡的短期OD客流量預測模型，稱為模型2;本文提出的時間因素條件下基于LSTM網絡的短期OD客流量預測模型稱為模型3。以時間為橫坐標，以某天的真實值、模型的預測值為縱坐標，如圖7、圖8所示，顯然，模型3的擬合效果優于模型1與模型2。

以平均絕對誤差MAE和均方根誤差RMSE作為評價指標，如表4所示，本文提出的時間因素條件下基于LSTM網絡的短期站間OD客流量預測模型的MAE及RMSE分為12.43%和17.20%，誤差比移動平均模型下降了6.27%和8.36%，比僅利用歷史客流數據訓練的基于LSTM網絡的短期OD客流量預測模型下降7.77%和8.58%。

5結語

本文以軌道交通歷史AFC數據為基礎，定性分析了空間因素、時間因素對OD客流量的影響，研究結果如下：

1）運用回歸分析法定量分析客流影響因素，將運營時刻、運營特征日和最低氣溫3個對客流影響較為顯著的因素從神經網絡的黑箱中提取出來，在一定程度上增強了模型的解釋能力;

2）分析了LSTM網絡的結構和特征，指出其對于軌道交通客流預測的適用性，結合特征值為每對OD客流量建立短期預測模型，有效提高了預測精度;

3）運用蘇州軌道交通2020年5月—8月共16周的數據訓練模型，預測得到軌道交通網絡8月最后一周的分時OD客流量，與移動平均模型、僅輸入歷史客流數據的LSTM模型的結果對比，誤差降低了6.27%～8.58%，驗證了模型的可行性及有效性。

綜上所述，本文提出了一個可預測未來一周的站間OD客流量的模型，所得數據可用于計算站點進出站客流量、換乘站各方向換乘客流量、斷面客流量等諸多客流指標，有助于軌道交通運營公司、城市交通管理部門了解軌道交通客流量的時空分布特征，為下一階段的軌道交通行車組織、人員安排、城市交通管理等工作提供依據，具有較強的實際意義。本文的不足之處在于模型參數還需結合其他軌道交通網絡進行深入研究，以提高模型的適用性。

參考文獻/References：

[1]城市軌道交通協會.城市軌道交通2019年度統計和分析報告[J].中國城市軌道交通協會信息，2020（2）：1-53.

[2]崔洪濤，陳曉旭，楊超，等.基于深度長短期記憶網絡的地鐵進站客流預測[J].城市軌道交通研究，2019，22（9）：41-45.

CUI Hongtao，CHEN Xiaoxu，YANG Chao，et al.Forecast of subway inbound passenger flow based on DLSTM recurrent network[J].Urban Mass Transit，2019，22（9）：41-45.

[3]白麗.城市軌道交通常態與非常態短期客流預測方法研究[J].交通運輸系統工程與信息，2017，17（1）：127-135.

BAI Li.Urban rail Transit normal and abnormal short-term passenger flow forecasting method[J].Journal of Transportation Systems Engineering and Information Technology，2017，17（1）：127-135.

[4]LI Y，WANG X D，SUN S，et al.Forecasting short-term subway passenger flow under special events scenarios using multiscale radial basis function networks[J].Transportation Research Part C：Emerging Technologies，2017，77：306-328.

[5]姚向明，趙鵬，禹丹丹.城市軌道交通網絡短時客流OD估計模型[J].交通運輸系統工程與信息，2015，15（2）：149-155.

YAO Xiangming，ZHAO Peng，YU Dandan.Short-time passenger flow origin-destination estimation model for urban rail transit network[J].Journal of Transportation Systems Engineering and Information Technology，2015，15（2）：149-155.

[6]姚向明，趙鵬，禹丹丹.基于平均策略的城市軌道交通動態OD矩陣估計[J].吉林大學學報（工學版），2016，46（1）：92-99.

YAO Xiangming，ZHAO Peng，YU Dandan.Dynamic origin-destination matrix estimation for urban rail transit based on averaging strategy[J].Journal of Jilin University（Engineering and Technology Edition），2016，46（1）：92-99.

[7]劉洋，凌力，伍元忠，等.基于約束卡爾曼濾波的城市軌道交通線網客流OD實時估計研究[J].鐵道運輸與經濟，2018，40（10）：103-108.

LIU Yang，LING Li，WU Yuanzhong，et al.A real-time OD estimation of passenger flow in urban rail transit network based on constrained Kalman filtering[J].Railway Transport and Economy，2018，40（10）：103-108.

[8]陳志杰，毛保華，柏赟，等.基于多時間尺度的城市軌道交通短時OD估計[J].交通運輸系統工程與信息，2017，17（5）：166-172.

CHEN Zhijie，MAO Baohua，BAI Yun，et al.Short-term origin-destination estimation for urban rail Transit based on multiple temporal scales[J].Journal of Transportation Systems Engineering and Information Technology，2017，17（5）：166-172.

[9]蔣熙，賈飛凡，馮佳平.基于AFC數據的城軌路網客流OD在線動態估計[J].交通運輸系統工程與信息，2018，18（5）：129-135.

JIANG Xi，JIA Feifan，FENG Jiaping.An online estimation method for passenger flow OD of urban rail Transit network by using AFC data[J].Journal of Transportation Systems Engineering and Information Technology，2018，18（5）：129-135.

[10]李若怡，李得偉.城市軌道交通動態OD矩陣分析及估計模型研究[J].鐵路計算機應用，2017，26（1）：63-66.

LI Ruoyi，LI Dewei.Analysis and estimation model of dynamic OD matrixes for urban rail Transit[J].Railway Computer Application，2017，26（1）：63-66.

[11]ZHANG J L，CHEN F，WANG Z J，et al.Short-term origin-destination forecasting in urban rail transit based on attraction degree[J].IEEE Access，2019，7（99）：133452-133462.

[12]TANG Q C，YANG M N，YANG Y，et al.ST-LSTM：A deep learning approach combined spatio-temporal features for short-term forecast in rail transit[J].Journal of Advanced Transportation，2019.DOI：10.1155/2019/8392592.

[13]侯曉云，邵麗萍，李靜，等.基于深度學習的城市軌道交通短時客流起訖點預測[J].城市軌道交通研究，2020，23（1）：55-58.

HOU Xiaoyun，SHAO Liping，LI Jing，et al.Urban rail transit short-time passenger flow OD forecasting based on deep learning modeling[J].Urban Mass Transit，2020，23（1）：55-58.

[14]許俊，王登，李晨毓，等.基于動態反饋神經網絡的城市軌道交通短期客流預測[J].現代交通技術，2014，11（5）：43-46.

XU Jun，WANG Deng，LI Chenyu，et al.Short-term passenger flow forecasting for urban rail transit based on dynamic feedback neural network[J].Modern Transportation Technology，2014，11（5）：43-46.

[15]HOCHREITER S，SCHMIDHUBER J.Long short-term memory[J].Neural Computation，1997，9（8）：1735-1780.

[16]SRIVASTAVA N，HINTON G，KRIZHEVSKY A，et al.Dropout：A simple way to prevent neural networks from overfitting[J].Journal of Machine Learning Research，2014，15（1）：1929-1958.