譚杉 廈門軌道交通集團(tuán)有限公司

一、國內(nèi)外研究現(xiàn)狀

（一）短時(shí)客流預(yù)測研究現(xiàn)狀

在20世紀(jì)70年代和20世紀(jì)80年代，一些學(xué)者將數(shù)學(xué)模型應(yīng)用于交通流預(yù)測，大多數(shù)學(xué)者專注于道路交通流量的短期預(yù)測。詹金斯等人提出了1976年的自回歸整數(shù)移動(dòng)平均模型，這是一個(gè)時(shí)間序列預(yù)測模型，被廣泛使用。李應(yīng)用Arima模型到軌道交通的短期客流預(yù)測，并發(fā)現(xiàn)與其他時(shí)間序列模型相比，Arima模型更穩(wěn)定，準(zhǔn)確。城市軌道交通短期客流預(yù)測的研究雖然起步較晚，但發(fā)展很快，張立杰、馬維華在對不同城市軌道交通站點(diǎn)進(jìn)行客流分析后，按照結(jié)果分析了不同類型客流時(shí)間的相關(guān)性，并進(jìn)入客流序列，用支持向量機(jī)模型進(jìn)行強(qiáng)預(yù)測，基于灰色預(yù)測模型和馬爾可夫模型，王毅和徐瑞華提出了一種改進(jìn)的灰色馬爾可夫模型用于城市軌道交通客流預(yù)測，才可以有效的提高了短期預(yù)測的準(zhǔn)確率。Baili在正常和異常情況下研究了客流預(yù)測。在傳統(tǒng)算法的基礎(chǔ)上，將時(shí)間序列分析和回歸分析組合以預(yù)測假期等異常條件，這提高了客流預(yù)測的準(zhǔn)確性和異常條件下的動(dòng)態(tài)適應(yīng)性。林維數(shù)和其他人首先分析了廣州地鐵的日?？瓦\(yùn)發(fā)展模型，然后提出了一種基于誤差變化率的自適應(yīng)k最近鄰模型匹配算法。實(shí)驗(yàn)結(jié)果表明，該方法的準(zhǔn)確性可以保持在大約90%，這是十分實(shí)用的。當(dāng)前科技的不斷進(jìn)步，計(jì)算機(jī)的計(jì)算能力呈指數(shù)級增長?，F(xiàn)有的計(jì)算機(jī)性能已經(jīng)能夠支持大規(guī)模運(yùn)算，這使得神經(jīng)網(wǎng)絡(luò)預(yù)測方法得以實(shí)現(xiàn)，并在許多領(lǐng)域得到廣泛應(yīng)用。按照信息傳遞的方向，神經(jīng)網(wǎng)絡(luò)可分為前饋神經(jīng)網(wǎng)絡(luò)和反饋神經(jīng)網(wǎng)絡(luò)。在前向神經(jīng)網(wǎng)絡(luò)中，每個(gè)神經(jīng)元接收前一級的數(shù)據(jù)并輸出到下一級。當(dāng)它到達(dá)輸出層時(shí)，整個(gè)網(wǎng)絡(luò)沒有反饋。反饋神經(jīng)網(wǎng)絡(luò)是一個(gè)動(dòng)態(tài)反饋系統(tǒng)，它將數(shù)據(jù)作為輸入信號傳遞給其他神經(jīng)元。LSTM網(wǎng)絡(luò)在交通領(lǐng)域有著廣泛的應(yīng)用，特別是交通流預(yù)測和客流預(yù)測，高夢琦等人提出了小波分解與LSTM網(wǎng)絡(luò)相結(jié)合的預(yù)測模型，并以北京西直門站為例驗(yàn)證了模型的預(yù)測效果，李昌滿等人使用LSTM網(wǎng)絡(luò)模型，對乘客的長期數(shù)據(jù)進(jìn)行處理，訓(xùn)練公交站點(diǎn)和封閉公交站點(diǎn)的預(yù)測模型，然后利用該模型對多站點(diǎn)研究公交的客流進(jìn)行預(yù)測。

（二）列車運(yùn)行圖節(jié)能優(yōu)化研究

列車運(yùn)行控制策略按照地面的運(yùn)行條件確定列車的運(yùn)行條件，使列車能按不同的速度曲線在站間運(yùn)行，計(jì)算不同的牽引能耗運(yùn)行，并在同一時(shí)間條件下進(jìn)行站間同一操作，得到運(yùn)行速度曲線，達(dá)到節(jié)能的目的。1970年Figuera研究了列車的運(yùn)行策略，線路中平緩運(yùn)行的列車運(yùn)行策略經(jīng)常被停止，并說明在這種情況下，牽引、滑行和制動(dòng)條件應(yīng)出現(xiàn)在列車的最佳運(yùn)行策略中。與之前的火車不同，Ke等人基于2009年蟻群算法MAX MIN研究的能耗組合優(yōu)化模型。在文獻(xiàn)中建立了火車在線駕駛策略的優(yōu)化模型。示例性分析表明，本文提出的優(yōu)化模型在列車節(jié)能方面具有卓越的性能；考慮到線坡，平均運(yùn)行速度，間隔速度，加速度等因素，采用了組合模糊PID和MAX MIN蟻群算法的列車駕駛策略，證明了優(yōu)化方法有利于火車的能量消耗。優(yōu)化是指通過調(diào)整某些優(yōu)化目標(biāo)，停止時(shí)間，間隔運(yùn)行時(shí)間等進(jìn)行列車圖的優(yōu)化，以及國內(nèi)外員工的因素，以減少火車操作。研究了列車節(jié)能運(yùn)行優(yōu)化的收斂優(yōu)化目標(biāo)。優(yōu)化是通過調(diào)整船舶出發(fā)區(qū)間和培訓(xùn)運(yùn)行時(shí)間來優(yōu)化在某些優(yōu)化目標(biāo)下進(jìn)行列車運(yùn)行。國內(nèi)外學(xué)者將減少火車維護(hù)業(yè)務(wù)，實(shí)現(xiàn)列車節(jié)能運(yùn)營優(yōu)化的一定研究成果。

二、短時(shí)客流預(yù)測概述

（一）客流概述

在單位時(shí)間，軌道交通中乘客的數(shù)量和方向的總和稱為乘客流量。按照其時(shí)間分布特性，可分為全天客流，整天小時(shí)客流和高峰時(shí)段客流；按照其空間分布特性，可分為站客流和間隔客流。車站客流由可變客運(yùn)，站客運(yùn)流和偏離車站客運(yùn)流組成。車站客運(yùn)是地鐵短期客流預(yù)測的主要研究對象。穿過單位時(shí)間的一定部分的軌道交通線的乘客被稱為截面乘客。段客流分配可分為日?？土鞣植?，每周客流分布，段客流分布，每月客流分配和年度客流分布。在短期客流預(yù)測和后續(xù)旅客流量預(yù)測中，每月和年度客運(yùn)量的年度影響相對較小，并且沒有討論時(shí)間。按照乘客流量曲線，在大型客流的分配中，廣播通常有高峰客流分布?；貧w分析方法按照因素之間的關(guān)系，使用統(tǒng)計(jì)推理方法構(gòu)建擬合功能。其中，線性回歸分析是最基本和簡單的。其優(yōu)勢簡單且易于使用，但其缺點(diǎn)是難以表達(dá)非線性數(shù)據(jù)和高度復(fù)雜的數(shù)據(jù)。時(shí)間序列預(yù)測模型基于系統(tǒng)觀察到的連續(xù)時(shí)間歷史乘客流量數(shù)據(jù)。通過曲線擬合和參數(shù)估計(jì)，建立了一種數(shù)學(xué)模型，以預(yù)測未來短期內(nèi)乘客流動(dòng)的發(fā)展趨勢。

（二）神經(jīng)網(wǎng)絡(luò)預(yù)測模型

模擬人腦中的神經(jīng)網(wǎng)絡(luò)模型。它包括大量處理單元（稱為神經(jīng)元）來形成復(fù)雜的網(wǎng)絡(luò)系統(tǒng)。它是一個(gè)高度非線性動(dòng)態(tài)系統(tǒng)。它具有以下優(yōu)點(diǎn)：并行分布式處理具有強(qiáng)烈的檢測能力，可以處理相關(guān)的非線性關(guān)系，不需要從輸入數(shù)據(jù)到特定數(shù)學(xué)公式的輸出數(shù)據(jù)，通過簡單的線性操作和神經(jīng)元激活，可以預(yù)測未來。缺點(diǎn)是在模型訓(xùn)練過程中，需要足夠的數(shù)據(jù)來確保更好的預(yù)測效果，并且易于收斂或局部點(diǎn)融合。

（三）組合預(yù)測模型

由兩個(gè)或兩個(gè)以上模型組合而成的預(yù)測模型為組合預(yù)測模型，其目的是彌補(bǔ)單一預(yù)測模型的不足，研究表明，大多數(shù)組合預(yù)測模型比單一預(yù)測模型更有效、更準(zhǔn)確，在城市軌道交通的研究中，組合模型的應(yīng)用更為頻繁。

三、結(jié)束語

由上可知，節(jié)能減排是未來交通行業(yè)中的發(fā)展重點(diǎn)，對城市軌道交通節(jié)能問題展開研究對城市交通行業(yè)的發(fā)展有著十分重要的意義。列車運(yùn)行圖是城市軌道交通運(yùn)營單位中重要的組成部分，其的編制情況會直接影響到乘客對出行的滿意度和列車運(yùn)行耗能的情況。