北京交通大学阴佳腾教授及其团队在城市轨道交通短时客流预测以及列车调度优化方面拥有丰富的理论基础和实践经验,《基于AI的轨道交通非常态客流预测与实时调度》一书汇集了作者及团队近年来在该领域的主要研究成果。针对城市轨道交通短时客流预测以及列车调度优化领域的不同问题,系统阐述非常态场景下城市轨道交通短时客流预测与列车调度优化领域的研究成果。
随着城市化进程的加速推进和人口规模的持续扩张,交通拥堵、环境污染等问题日益加剧,已成为制约城市发展的瓶颈。在这一背景下,传统公共交通和私人交通工具已无法满足日益增长的出行需求。相比之下,城市轨道交通凭借其高效便捷、环保节能、安全可靠、大运量等优点迎来了快速发展,已成为许多大中型城市主要的公共交通工具。在运营线路和运营里程方面,截至2024年底,我国开通城市轨道交通的城市有58个,共计运营线路361条,总里程达12160.77公里。其中,地铁运营里程达到9306.09公里,占比76.53%。当年新增运营里程936.23公里。此外,42个城市正在实施城市轨道交通线网建设规划,规划建设线路总长为5531.60公里。在线路数和客运量方面,2024年新增城市轨道交通运营线路25条;全年完成客运进站量193.61亿人次。此外,全年城市轨道交通完成客运周转量达2644.73亿人公里,累计完成客运量达322.57亿人次。城市轨道交通客运总量占公共交通客运总量的比例为30.15%,较上年提升了1.07个百分点。城市轨道交通的运营规模持续扩大,在公共交通领域发挥着关键作用。
随着城市轨道交通网络规模的迅速扩张以及客流量的大幅增加,其网络中客流的时空分布变得更加复杂,各特征时段的供需矛盾更加凸显,系统在高强度运行条件下面临的运营风险日益增加。大数据、人工智能等技术的兴起为解决供需矛盾、降低运营风险提供了新的思路,促使轨道交通逐渐向智慧轨道交通生态的方向发展。因此,借助智能化设施并顺应大客流发展趋势,科学地规划和运营轨道交通系统,开展相应的客流管控,并为实现节假日、突发事件等非常态场景下短时客流预测以及列车调度优化提供重要技术路径。目前针对非常态下的客流预测以及列车调度优化,存在预测精度低、调度优化方法难以适应复杂多变的运营环境等问题。
基于AI的轨道交通非常态客流预测与实时调度
阴佳腾, 张金雷, 陈星 著
北京:科学出版社,2027. 1
ISBN 978-7-03-085796-5
鉴于此,《基于AI的轨道交通非常态客流预测与实时调度》一书借助大数据挖掘和人工智能等新兴技术,构建了包括大型活动、节假日以及重大突发公共卫生事件等非常态场景下的短时进出站流量预测、短时 OD 流量预测、面向韧性提升的列车调度优化以及备用列车资源动态配置与列车实时调度一体化优化在内的一整套非常态场景下智能城市轨道交通短时客流预测以及列车调度优化体系。研究成果有助于辅助地铁运营公司实时高精度把握全网客流的时空分布状态、优化资源配置、增强轨道交通网络韧性,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,从而节约出行的经济成本和时间成本。
本书主要内容分为以下七章:
第 1 章为绪论。该章主要介绍了本书的研究背景及意义、相关研究面临的主要问题以及本书的章节安排。
第 2 章为大型活动期间城市轨道交通短时客流预测。该章主要介绍了基于深度学习的大型活动期间城市轨道交通短时客流预测方法,以解决大型活动期间城市轨道交通短时客流预测问题。首先,该章将目标站点的出站客流分为日常出站客流和额外出站客流两部分。其次,构建了面向大型活动期间城市轨道交通短时客流预测(Event-Flow Transformer Network,简称 EF-Former)模型,该模型包含特征空间提取(Feature Space Extraction,FSE)、多尺度时间依赖性建模(Multiscale Time-dependent Modeling,MTDM)和时间特征融合模块(Temporal Feature Fusion Module,TFFM),FSE 和 MTDM 模块用于对这两种客流在大型活动期间复杂的时间演变特征进行建模,TFFM 模块则生成融合后的客流特征并得到最终预测值。最后,将该模型应用于大型活动期间的真实城市轨道交通客流数据集进行实验,结果表明该模型能够对大型活动期间城市轨道交通短时客流进行准确预测。
第 3 章为城市轨道交通节假日期间短时 OD 客流预测。该章针对节假日期间城市轨道交通短时 OD 需求预测问题,提出了动态多图门控循环网络(DM-GCGRU),以应对节假日期间 OD 需求大幅波动所带来的预测挑战。该模型以数据为驱动,融合了多源异构数据,构建了多图结构并引入动态图卷积操作,将其嵌入编码器-解码器框架中,从而提升模型对复杂节假日出行模式的学习与建模能力。在建模过程中,编码器部分集成了多源数据融合模块、图构建模块以及时空动态图卷积循环模块,以实现高效的时空特征提取;解码器则由时空动态图卷积循环模块构成,实现对未来 OD 需求的精准预测。此外,引入了预训练策略,以增强模型对特征的理解和泛化能力;同时构建了一个结合物理知识的损失函数,将进出站流量与 OD 需求之间的约束关系纳入模型训练中,从而提升预测的物理合理性。为验证所提出的模型的有效性,选取了两个大规模真实数据集,即元旦期间的南宁地铁 OD 需求数据和端午节期间的西安地铁 OD 需求数据,进行了实验分析。结果显示,DM-GCGRU 模型在预测精度方面显著优于多种现有基准模型。同时,通过消融实验系统分析了各模块对模型性能的影响,验证了各组成部分的必要性与协同效应。该模型为节假日高波动 OD 需求的精准预测提供了一种具备可扩展性与物理解释能力的建模框架。
第 4 章为重大突发公共卫生事件期间城市轨道交通短时 OD 客流预测。该章主要从非常态场景下 OD 需求的变化特征出发,分析公共卫生事件对轨道交通出行模式造成的影响,并提出相应的预测解决方案。本章首先对疫情期间 OD 需求变化的非规律性、稀疏性及时空结构破坏等问题进行系统性分析,明确当前常规预测方法在非常态场景下的适应性不足。然后对短时 OD 客流预测问题进行定义,并介绍了基于广西壮族自治区南宁市疫情期间真实轨道交通 AFC 数据与疫情确诊病例数的实验数据集。在模型设计方面,该章提出了一种基于多频域时空特征挖掘的图神经网络 MFST-GNN,分别引入多频域时间特征提取模块、自适应空间特征提取模块,以及异构信息融合模块,从而全面建模 OD 需求的动态时空演化过程。最后依次介绍了模型的参数配置、评估指标与对比模型,在时间粒度分别设置为 15 分钟、30 分钟和 60 分钟的条件下进行预测实验,结果表明所提模型在精度、鲁棒性和泛化能力方面均优于现有方法,验证了其在突发公共卫生事件下的实际价值。
第 5 章为突发事件下考虑备用列车资源的列车实时调度优化方法。该章针对铁路突发事件下应急处置主要依赖人工调度导致响应滞后的问题,研究备用列车(简称“备车”)资源动态配置与列车实时调度一体化优化方法。与传统考虑确定性客流需求的处置方法不同,该章设计了基于随机客流场景的韧性列车实时调度方法,以提高突发事件下系统运营的恢复能力和服务水平。首先,提出了基于两阶段随机规划的列车实时调度优化模型。第一阶段优化备车在铁路线网中各存车线的分配方案,通过构建多目标函数平衡备车运用成本和乘客旅行时间。第二阶段基于确定的备车部署方案,考虑突发事件下的随机、动态客流需求,构建网络流模型以动态调整受影响的列车运行图,并优化突发事件发生后备车的运行计划,以最小化客流需求不确定情况下的乘客旅行时间。其次,设计了一种改进的整数 L 形分解方法用于求解该随机规划模型,通过分析第二阶段网络流模型的数学性质,构建了一种改进的整数割平面法,较传统整数 L 形割平面法能够显著提升模型的下界,并从理论上证明了该算法框架对两阶段整数随机规划问题的通用性。最后,基于北京地铁历史运营数据及典型突发事件进行案例研究,通过多场景仿真验证了该方法在缩短乘客滞留时间和提升系统恢复效率等方面的有效性。
第 6 章为铁路网络中面向韧性提升的列车调度优化调整方法。该章提出一种面向韧性提升的列车调度优化框架。该框架借助预先配置的车辆段机车、辅助线路和列车时刻表,帮助轨道交通系统在发生干扰后尽快恢复正常运行。首先针对具有多个车站和侧线的城市轨道交通线路,通过建立列车到达与出发事件集,构建事件-活动网络。通过定义多组决策变量和线性约束,对列车调度优化过程进行建模。结合短途折返列车调度策略和预留动车组的运用,将问题转化为混合整数线性规划(MILP)模型,其目标是最大化城市轨道交通线路面对干扰的韧性。其次通过分析模型特性并推导一系列线性不等式(证明其为有效不等式),开发了分支切割算法,以增强 MILP 模型的紧致性。最后,基于北京地铁实际数据开展数值实验,验证了该章方法的有效性。
第 7 章为考虑车站拥堵的城市轨道交通系统韧性优化。该章通过考虑列车延误与客流过度拥挤的影响,对城市轨道交通系统的韧性进行优化。首先,定义以韧性为导向的定量评价指标,并提出一种优化列车时刻表的混合整数非线性规划(MINLP)模型。该模型以系统韧性为优化目标,旨在平衡列车延误、服务取消和备用列车的额外成本,同时最大限度地利用列车运力以缓解高峰时段车站的拥堵。其次,提出一种两阶段迭代优化方法:第一阶段侧重于调整列车以增强系统韧性,第二阶段评估调整后的列车时刻表对乘客的影响。通过对车次暂停策略、部分车次取消策略以及小交路折返策略这三种不同重新调度方法的比较,证明了所推导不等式的有效性,且两阶段迭代优化方法平衡了计算时间和系统性能。最后,以北京地铁 6 号线为实际案例进行数值实验,结果表明该模型能使系统在客流早高峰时段的运营韧性提升 15.6%,在平峰时段的运营韧性提升 3.2%。
本书的研究工作得到国家自然科学基金(72322022,72288101)、教育部基础学科和交叉学科突破计划(JYB2025XDXM211)以及北京市自然科学基金(4252049,L251030)的资助,同时也得到河北省未来城市智慧交通管理重点实验室的大力支持。
本文摘编自《基于AI的轨道交通非常态客流预测与实时调度》(阴佳腾, 张金雷, 陈星著. 北京:科学出版社,2027. 1)一书“前言”,有删减修改,标题为编者所加。
ISBN 978-7-03-085796-5
责任编辑:王丽平李香叶
(本文编辑:刘四旦)
专业品质 学术价值
原创好读 科学品位
一起阅读科学
欢迎您点亮 ★星标,点赞?,在看▼
股票
板块
用户
资讯
评论 (0)