基于人工智能的城市轨道交通短时客流预测

本书为当前鲜有的利用人工智能进行城市轨道交通短时客流预测方法的专著，构建了一整套智能城市轨道交通短时客流预测体系。

张金雷，男，1993年2月生，工学博士，讲师。现任职于北京交通大学轨道交通控制与安全国家重点实验室，主要从事人工智能与交通大数据挖掘、短时客流预测、机器学习深度学习、计算机视觉相关研究，主讲《人工智能与大数据应用实战》 研究生课程、《人工智能与交通大数据实战》本科生课程，参编《深度学习与交通大数据实战》教材1部，指导多项本科毕业设计和大学生创新创业项目。主持和参与国家自然科学基金面上、国家自然科学基金青年基金、北京自然科学基金等项目多项。在Transportation Research Part C、IEEE Transactions on Intelligent Transportation Systems等交通领域国际顶级SCI期刊发表论文10 余篇，申请国家发明专利8项。读博期间2019、2020年连续两次获博士研究生国家奖学金，获2021年校最高奖学金-知行奖学金提名奖，主持研究生最高等创新基金项目，获国家留学基金委资助，赴美国华盛顿大学进行了为期一年的访学。

第1章绪论

1.1研究背景及意义

1.2相关概念

1.3面临的问题

1.4本书研究内容

第2章城市轨道交通车站级常态短时进站流预测

2.1概述

2.2客流空间特征挖掘

2.2.1基于两步K-means算法的车站聚类

2.2.2基于车站类别的客流特征分析

2.3客流时间特征挖掘

2.3.1客流时间序列相似性度量

2.3.2客流时间序列平稳性检验

2.3.3客流时间序列可预测性评估及分析

2.4基于聚类和LSTM的车站级短时进站流预测

2.4.1问题及数据简介

2.4.2基于聚类的LSTM模型

2.4.3模型配置

2.4.4预测结果分析

2.5基于元学习的新开车站或线路短时进站流预测

2.5.1问题及数据简介

2.5.2基于元学习的LSTM模型

2.5.3模型配置

2.5.4预测结果分析

2.6小结

参考文献

第3章城市轨道交通网络级常态短时进站流预测

3.1概述

3.1.1基于循环神经网络的模型

3.1.2基于卷积神经网络的模型

3.1.3基于图卷积神经网络的模型

3.1.4基于深度学习框架的模型

3.2基于ResLSTM的网络级短时进站流预测

3.2.1问题及数据简介

3.2.2ResLSTM模型

3.2.3模型配置

3.2.4预测结果分析

3.3基于Conv-GCN的网络级短时进站流预测

3.3.1问题及数据简介

3.3.2Conv-GCN模型

3.3.3模型配置

3.3.4预测结果分析

3.4基于Graph-GAN的网络级短时进站流预测

3.4.1问题及数据简介

3.4.2Graph-GAN模型

3.4.3模型配置

3.4.4预测结果分析

3.5小结

参考文献

第4章城市轨道交通车站级与网络级非常态短时进站流预测

4.1概述

4.2基于Graph-Transformer的节假日短时进站流预测

4.2.1问题及数据简介

4.2.2Graph-Transformer模型

4.2.3模型配置

4.2.4预测结果分析

4.3基于ST-former的疫情期间短时进站流预测

4.3.1问题及数据简介

4.3.2ST-former模型

4.3.3模型配置

4.3.4预测结果分析

4.4基于ST-BiLSTM-Attention的大型活动期间短时进站流预测

4.4.1问题及数据简介

4.4.2大型活动期间的客流数据分析

4.4.3ST-BiLSTM-Attention模型

4.4.4模型配置

4.4.5预测结果分析

4.5小结

参考文献

第5章城市轨道交通车站级与网络级短时OD流预测

5.1概述

5.2基于LSTM的车站级短时OD流预测

5.2.1问题及数据简介

5.2.2模型配置

5.2.3预测结果分析

5.3基于CAS-CNN的网络级短时OD流预测

5.3.1问题及数据简介

5.3.2CAS-CNN模型

5.3.3模型配置

5.3.4预测结果分析

5.4小结

参考文献

第6章城市轨道交通网络级短时断面流预测

6.1概述

6.2问题及数据简介

6.2.1问题分析

6.2.2网络表示及虚拟数据简介

6.2.3真实数据简介

6.2.4本章符号表示

6.3计算图模型简介

6.4基于计算图的车站等车时间与链路行程时间估计

6.4.1路径选择建模

6.4.2k短路搜索以及有效路径选择

6.4.3数学优化模型构建

6.4.4优化模型向量化

6.4.5计算图模型建模

6.5客流分配及短时断面流预测

6.5.1智能体仿真生成断面客流量

6.5.2虚拟地铁网络案例研究

6.5.3北京真实地铁网络案例研究

6.6小结

参考文献

第7章以轨道交通为骨干的多模式交通短时客流预测

7.1概述

7.2基于Res-Transformer的区域级多模式交通短时客流预测

7.2.1问题及数据简介

7.2.2Res-Transformer模型

7.2.3模型配置

7.2.4预测结果分析

7.3基于Res-Informer的网络级多模式交通短时客流预测

7.3.1问题及数据简介

7.3.2Res-Informer模型

7.3.3模型配置

7.3.4预测结果分析

7.4小结

参考文献

第8章基于计算机视觉的城市轨道交通站内短时客流预测

8.1概述

8.1.1目标检测

8.1.2目标跟踪

8.1.3短时客流预测

8.2问题及数据简介

8.2.1问题分析

8.2.2问题定义

8.2.3数据简介

8.3模型简介

8.3.1客流识别算法与客流预测算法

8.3.2Detect-Predict模型

8.4实验及分析

8.4.1客流识别实时性实验

8.4.2乘客数量统计以及客流时间序列提取算法

8.4.3精细化短时客流预测

8.5小结

参考文献

　　随着我国经济的快速发展，城市规模逐渐扩大，现有的交通基础设施已无法完全满足人们日益增长的出行需求，城市交通拥堵问题日益严重。城市轨道交通凭借其运量大、速度快、准时性高、污染小、安全性高等优势，近几年迎来了爆发式发展，已成为大中型城市中不可缺少的公共交通工具，有效缓解了城市交通压力。截至2021年年底，我国城市轨道交通总运营里程高达8708km，其中地铁7535km，占比86.5%。同时，轨道交通运营规模空前扩大并保持高增长态势，截至2021年年底，我国已开通269条城市轨道交通运营线路，同比增长10.2%，2021年全年客运总量236亿人次，同比增长34.1%，轨道交通发展前景广阔。

　　随着城市轨道交通线网规模的快速扩张和客流量的急剧增加，线网客流的时空分布日趋复杂，高峰时段供需不平衡问题愈加突出，部分车站客流超过设计能力，常态化限流车站逐步增加，系统安全运营和应急管理面临巨大挑战。大数据、人工智能等技术的兴起为应对现实挑战提供了解决思路，促使轨道交通逐渐向智慧轨道交通生态的方向发展。短时客流预测是构建智慧轨道交通生态的基础研究内容，然而既有相关研究存在预测精度较低、系统性较弱、网络客流时空特征捕捉不充分等不足，难以满足智慧化运营管理的需求。鉴于此，在新时代、新背景、新技术的推动下，本书借助大数据挖掘和人工智能等新兴技术，构建了包括城市轨道交通常态与非常态场景下车站级和网络级短时进站流预测、短时OD流预测、短时断面流预测、以轨道交通为骨干的多模式交通短时客流预测、基于计算机视觉的轨道交通站内关键设施处短时客流预测等在内的一整套智能城市轨道交通短时客流预测体系。研究成果有助于辅助地铁运营公司实时把握全网客流高精度的时空分布状态、及时有效地调整客流管控措施等，有助于辅助乘客合理选择出行路径和出行时间，规避拥堵线路，从而节约出行的价格成本和时间成本等。本书主要内容分为以下8章：

　　第1章为绪论。本章主要介绍了本书的研究背景及意义、使用的相关概念、相关研究面临的主要问题以及本书的章节安排。

　　第2章为城市轨道交通车站级常态短时进站流预测。本章主要介绍了客流空间特征挖掘、客流时间特征挖掘、基于聚类和LSTM的车站级短时进站流预测以及基于元学习的新开车站或线路短时进站流预测四个部分。针对客流空间特征挖掘，分别介绍了基于两步K-means算法的车站聚类和基于车站类别的客流特征分析，据此对车站进行聚类，获得具有相似的客流量和相似的客流量变化趋势的车站类别。针对客流时间特征挖掘，分别介绍了客流时间序列相似性度量、平稳性检验以及可预测性评估及分析，对每一类车站进行合理的可用于预测的时间粒度推荐，从而提高预测精度。针对基于聚类和LSTM的车站级短时进站流预测，提出了基于聚类的CB-LSTM模型，该模型中基于同一子类下所有车站的客流数据构建的模型可以增大训练集数量，进而一定程度上提高模型表现能力。针对基于元学习的新开车站或线路短时进站流预测，提出了基于元学习的Meta-LSTM模型，该模型从多个数据丰富的地铁站学习客流特征知识，并将知识转移到数据有限的新开地铁车站，从而提高知识迁移的稳定性和新开地铁车站的客流预测精度。

　　第3章为城市轨道交通网络级常态短时进站流预测。本章主要介绍了基于ResLSTM的网络级短时进站流预测，基于Conv-GCN的网络级短时进站流预测，以及基于Graph-GAN的网络级短时进站流预测共三个使用不同预测方法的深度学习模型，并分别从问题及数据简介、具体模型、模型的配置以及模型的预测结果分析四个方面来对模型进行全面介绍。本章构建的深度学习模型框架能够使用一个模型对全网所有车站进行同步实时预测，且能满足实际运营“高精度”和“实时性”的要求，同时能够捕捉网络客流之间复杂的时空依赖关系和网络的拓扑信息，兼具可接受的模型复杂度、良好的模型表现效果和较大的实际应用价值等优势。网络级常态短时进站流预测是顺应网络化以及大客流发展趋势，提高运营组织水平和客流管控效率的重要手段。

　　第4章为城市轨道交通车站级与网络级非常态短时进站流预测。本章从节假日期间的客流预测、疫情期间的客流预测以及大型活动期间的客流预测三个方面对非常态下的地铁进站流预测展开研究。节假日客流预测方面，本章首先分析目前节假日客流预测存在的问题和挑战，然后对节假日地铁进站流预测问题进行定义，最后简单介绍实验相关数据集。在完成问题分析和数据简介以后，基于深度学习相关知识和图论领域知识提出节假日客流预测模型Graph-Transformer，并分别对模型各组成部分进行详细介绍。在介绍完模型框架后，首先介绍了模型配置，包括模型参数的选择、预测效果评价指标的选择以及基准模型的选择； 然后在真实数据集上进行实验，并对实验结果展开分析，验证模型预测的精确性和鲁棒性。至于疫情期间地铁短时进站流预测以及大型活动期间地铁短时进站流预测，其大体行书思路与上述节假日客流预测相近，分别构建了ST-former模型和ST-BiLSTM-Attention模型用于疫情期间网络级短时进站流预测和大型活动期间车站级短时进站流预测。

　　第5章为城市轨道交通车站级与网络级短时OD流预测。本章提出了基于深度学习的车站级和网络级城市轨道交通短时OD流预测模型，解决了如何获取轨道交通系统短时期内OD流的问题。在车站级短时OD流预测方面，详细分析了车站级和网络级短时OD流预测问题中面临的挑战，引入OD吸引度概念，在此基础上划分OD吸引度水平，借助经典LSTM模型构建了车站级短时OD流预测模型，探索了时间粒度与OD吸引度水平的最佳组合。在网络级短时OD流预测方面，基于推荐的时间粒度和OD吸引度水平，构建了网络级短时OD流预测模型CAS-CNN，实现了对全网所有OD对之间的短时OD需求进行预测，相较于多种既有深度学习模型，取得了良好的预测效果。精准的短时OD流预测能够提供车站之间的乘客时空出行分布，有助于理解乘客出行行为，有助于为轨道交通实时的路径规划和运营组织管理等提供重要的管理依据。

　　第6章为城市轨道交通网络级短时断面流预测。本章以数据为驱动，将模型驱动的交通分配方法和数据驱动的交通分配方法予以结合，将传统分配模型置于计算图框架下，借助计算图模型估计路径/路段的实时行程时间和车站不同方向的等车时间，进而通过智能体仿真动态获取短时断面流量。首先，引入了机器学习领域的计算图模型，并详细分析了基于计算图的客流分配模型相比传统客流分配模型的优势。其次，将轨道交通客流分配模型置于计算图框架下，通过乘客路径选择建模、k短路搜索以及有效路径选择、构建数学优化模型、优化模型向量化、计算图模型建模等步骤，估计了路段行程时间和站点等车时间，进而通过客流分配和智能体仿真等步骤，最终生成了断面流量。最后，进行了案例研究，将该模型应用于虚拟地铁网络，验证了模型的合理性和有效性，将该模型应用于北京真实地铁网络，获取了网络短时断面客流。该模型实现了实时获取全网所有断面的短时客流量，解决了如何获取轨道交通全网短时期内断面流量的问题。

　　第7章为以轨道交通为骨干的多模式交通短时客流预测。本章提出了基于深度学习的区域级和网络级的多模式交通短时客流预测模型，解决了城市范围内不同尺度的多模式交通短时客流预测问题。在区域级多模式交通短时客流预测方面，详细分析区域级多模式交通短时客流预测面临的问题及研究现状，基于Transformer和残差网络构建多任务学习模型Res-Transformer，并通过案例分析证明所提出模型的有效性和鲁棒性。进一步，通过实验分析多模式交通的交互机理，并对比单模式交通与多模式交通短时客流预测模型的预测结果，证明协同考虑多种交通模式的优势以及有效性。在网络级多模式交通短时客流预测方面，详细分析网络级多模式交通面临的问题，依据网络级多模式交通数据特点，基于Informer和残差网络构建多任务学习模型Res-Informer，通过案例分析及消融实验证明该模型的有效性，实现了精准的网络级多模式交通短时客流预测。不同规模下的多模式交通短时客流预测能够提供不同交通模式之间的客流规律，有助于理解不同交通模式之间的关联，有助于实现以轨道交通为骨干的多模式交通系统协同管理。

　　第8章为基于计算机视觉的城市轨道交通站内短时客流预测。本章为了预测站内不同场景的微观客流，保证站内乘客通行安全，提出基于计算机视觉的端到端精细化短时客流识别与预测模型(Detect-Predict)。首先拍摄并标注轨道交通站内图片数据集用于训练YOLOv5目标检测算法，并通过通道剪枝对检测模型压缩，其次结合Deep SORT算法与LSTM算法实现乘客数量实时统计和预测。在拍摄的站内视频数据上进行实验，结果表明采用处理输入视频每秒传输帧数的方法，乘客数量实时统计算法可以满足识别与预测的实时性和高精度要求。该章节提出的模型可以实时识别与预测轨道交通站内场景的微观客流，研究成果可指导乘客更加合理地规划出行，轨道交通运营管理部门可实时掌握站内各场景未来客流并及时采取措施疏散站内拥挤乘客，保障乘客乘车安全，提升乘客出行体验，对于智慧轨道交通建设具有重要意义，具有一定的应用前景。

　　本书作者在城市轨道交通短时客流预测方面拥有丰富的理论基础和实践经验，内容汇集了作者及其团队近年来在该领域的主要研究方法和成果。作者在撰写本书过程中，考虑到内容的准确性和真实性，针对城市轨道交通短时客流预测领域不同方面的问题，详细查阅了大量的参考文献，并在此基础上竭力使用简明扼要的语言，系统阐述城市轨道交通短时客流预测领域的研究成果。虽然在撰写过程中，作者力求做到尽善尽美，但本书介绍内容为城市轨道交通较为新颖的领域，同时作者的时间和精力有限，书中难免有瑕疵之处，敬请各位学者、师生提出宝贵的意见和建议。

　　本书的研究工作得到国家自然科学基金杰出青年科学基金项目(编号： 71825004)、国家自然科学基金基础科学中心项目(编号： 72288101)、国家自然科学基金优秀青年科学基金项目(编号： 72122003)以及国家自然科学基金青年科学基金项目(编号： 72201029)的资助。此外，在本书内容的组织过程中，北京交通大学李树凯教授、阴佳腾副教授、戚建国讲师、章树鑫博士、杨咏杰、陈瑶、李华、张婧慧、毛帅等均参加了本书的撰写，在此表示感谢！

作者

2022年7月