摘要：在分析城市軌道交通客流運載情況的基礎上，提出了一種基於深度學習的短時交通流預測方法，對北京地鐵不同時段的客流量進行了預測，以期根據預測結果對應急救援站點資源配置方案進行有效設計與最佳化。

1.引言

近年來，我國人口與經濟不斷增長，城市化程序也快速發展，隨著城市規模的不斷擴大，社會經濟活動的日益頻繁，居民交通出行量由此被帶動並大幅擴增。對此，優先發展公共交通成為有效緩解一系列城市交通問題的關鍵措施之一，城市軌道交通作為一種資源節約型和環境友好型的綠色交通工具得到大幅發展。以其容量大、速度快、安全可靠、準點舒適、節能環保等特點和優點成為城市居民出行時的首選公共交通方式。

目前，隨著城市交通的日益擁擠，全國很多城市都在建設城市軌道交通。進入新世紀，尤其是2008年以後，我國透過擴大內需，促進經濟平穩增長的一攬子計劃，帶動了國內基礎設施建設的發展，加快了城市軌道交通建設。上海、北京、廣州等城市的軌道交通路線已經形成了初步的網路，並且在逐步擴大。

在充分借鑑國內外先進經驗的基礎上，透過理論分析、現場調研，詳細分析城市軌道交通客流的運載情況，有效把握客流規律，對短時交通客流進行預測，從而可以分析歸納應急救援站設定與應急資源配備的影響因素。在保障地鐵突發事件應急救援有效性的基礎上，有效減少地鐵突發事件的財產損失和人員傷亡，大大提高地鐵突發事件發生後的應急救援效率，進一步提高城市軌道交通預防和處理各種突發事件的能力，提升城市軌道交通應急救援與管理水平。

2.研究現狀

國內關於應急資源配備的研究可以分為需求點配備和服務設施點配備兩類。關於需求點的應急資源配備，主要是向突發事件發生地點輸送和配置其需要的應急物資。針對多受災點應急資源配置過程中出現的分配不均和資源競爭問題，王蘇生和王巖[1]給出了一種以雙層決策方法為基礎的多受災點應急資源配置模型。該資源配備理論依據應急出救就近原則，運用多受災點多出救點動態優選策略，從而快速求取雙層應急資源配置模型的全域性最優解。對應急服務設施點進行資源配備，就是決策其應急資源儲存量、補給量及管理標準等，從而能夠滿足其服務範圍內應急服務需求點所需要的資源數量和配送要求。陳樹群等人[2]建構了應急系統模型，該模型以GIS為核心，主要應用於城市的突發性地質災害等事件的應急輔助決策，模型透過對災害現場以及救助機構的實時動態監視與控制進行救災資源實時的排程和配置，進而來提高應急救援效率以及響應速度。

由以上分析可以看出,國內應急資源配備的研究針對需求點資源配送的較多，而關於應急服務設施點應急資源儲備與管理的很少，尤其是應急服務設施點選址後，對各服務點應急資源配備、儲存、補給的統一標準與分級標準至今幾乎沒有明確規定和要求。

在國外，Shetty等人[3]在博弈論的基礎上建立了多應急點的資源配置模型，運用Nash均衡對模型中每種事故對應的資源配置方案進行最佳化求解，其中約束條件包括資源的可得到性、突發事件的嚴重程度和所需資源的數量等因素，該模型旨在縮短應急事故的應急響應時間，以最大程度的減少事故所帶來的損失，但它僅適用與在同時發生多箇中低階事故的情況，並且它要求應急救援資源必須安置在相同且固定的區域。

3短時地鐵客流預測

地鐵客流預測是指在t時刻對下一決策時刻t+△t甚至以後更長時間段的地鐵客流進行預測,通常認為,t到t+△t之間的預測時間跨度不超過30min(甚至小於5min)的地鐵客流預測為短時地鐵客流預測。

3.1基於LSTM的短時交通流預測模型

LSTM（Long Short-Term Memory）屬於迴圈神經網路RNN的一種，其加入了時間序列屬性，對於短時交通流量隨時間的變化能進行深層次的訓練及特徵提取，屬於機器學習中的深度學習範疇。為了更好的構建基於LSTM的短時交通流預測模型，在此之前先進行神經網路模型基礎介紹及模型構建。

基於LSTM的短時交通流預測模型，其具體處理步驟如下：

（1）首先對短時交通流資料進行預處理，對錯誤資料或缺失資料進行修正，得到有效的短時交通流量歷史序列資料。

（2）對原始的短時交通流量歷史資料進行歸一化操作，得到範圍在[0,1]之間的新資料。根據歸一化資料，確定t時刻的前4個時刻的短時交通流量資料作為輸入特徵，形成4維的輸入向量。

（3）確定模型結構及引數，設定超引數，主要包括每層的節點數、激勵函式、學習率、目標函式、最佳化函式、批處理數量、迭代次數等。

（4）初始化權值矩陣，本文采用隨機數設定。

（5）將短時交通流量資料輸入到輸入層，根據啟用函式，得到輸入層輸出結果。

（6）將步驟（5）的結果與上一時刻隱含層輸出結果及上一時刻Cell狀態值一起輸入到此時刻的隱含層，經過三個控制門後，輸出第一個隱含層結果。

（7）將第二個隱含層最終結果經輸出層後，得到最終此時刻的短時交通流量預測值。

（8）根據預測值與實際值計算MSE，作為誤差目標函式。

（9）根據誤差訊號更新各層連線權值，直到達到期望誤差或最大迭代次數後，停止訓練。

（10）根據訓練所得的誤差最小的模型，得到此時刻的短時交通流量預測值。該值為歸一化資料，再使用反歸一化得到與原始資料量級相同的預測值，其為最終預測值。

3.2短時交通流量資料分析

針對應急物資的多資源排程問題，建立應急時間和運輸成本最低的多目標最佳化模型，並採用鄰域重疊和慣性因子線性變化等方法，提出全域性和區域性混合模式的改進的粒子群演算法對其進行了求解，並取得較好的運算結果。

原始資料是2019年7月北京地鐵AFC資料,首先以五分鐘為時間間隔,統計0:0:00到23:00:00的進站客流量資料,然後將客流量資料轉變成以時間為橫座標、車站客流為縱座標的二維資料。篩選05:00:00到23:00:00時間段內客流量資料,以五分鐘為間隔統計13號線不同站的客流量資料,對原始資料進行歸一化處理，劃分訓練集和測試集。應用LSTM對資料進行處理後，工作日和雙休日各站客流量分佈如圖1和圖2。

由圖1和圖2可知,雙休日由於進站客流較分散，工作日存在進站客流早晚高峰期。

4.結論

在方案設計和最佳化的過程中，透過建立基於LSTM的短時交通流預測模型，對北京地鐵不同時段的客流量進行了預測，後續會根據預測結果對應急救援站點資源配置方案進行有效設計與最佳化。

參考文獻

[1]王蘇生與王巖．基於公平優先原則的多受火點應急資源配置演算法[J]，運籌與管理.2008(3):第16-21頁．

[2]陳樹群，陳聯光，張錦家，等，臺灣土石流危險區疏散避難規劃[A]．第三屆海峽兩岸山地災害與環境保育學術研討會，2002．

[3]Rashmi S．Shetty．An event environment[D]．Tampa Bay：single game solution for resource allocation in a multi—crisis University of South Florida．2004．