基于GRNN神经网络的地铁疏散预警及对策研究

马成正　姜秋耘

(1. 柳州铁道职业技术学院运输管理学院　广西柳州　545007； 2. 南京地铁运营有限责任公司　南京　210012)



基于GRNN神经网络的地铁疏散预警及对策研究

马成正1姜秋耘2

(1. 柳州铁道职业技术学院运输管理学院广西柳州545007； 2. 南京地铁运营有限责任公司南京210012)

摘要针对国内地铁车站客流无序性和突发性的现状，提出基于广义回归神经网络GRNN的地铁车站客流预警模型。以南京地铁全线网某时段客流数据为输入样本，运用GRNN神经网络进行训练与测试，得出预测数据并对比实际数据进行误差分析。结果表明：预测数据拟合，精度可行。将预测数据与南京地铁实时客流预警系统相结合，提出突发性大客流应急情况下的运营服务对策措施，为地铁运营管理单位避免突发大客流造成人员踩踏、恐慌等事故提供参考。

关键词地铁；神经网络；误差分析；客流预警；对策

目前,大型城市正逐渐形成以地铁为骨干、公交为辐射、出租车为补充的公共交通出行方式，其中地铁又具有准点、快捷、安全、舒适的独特优势，在追求能耗小、污染少、运量大的社会综合效益背景下，世界上许多国家都确立了优先发展轨道交通的方针，大量高精尖设备及工程技术人员云集在地铁建设及运营的一线[1-3]。而地铁车站周边往往规划建设密集的商场、写字楼、大型活动场馆等建筑，极易形成局部大规模客流的突然聚集与消散。突发大客流的产生，往往是在较短时间、较小范围内聚集大量超出车站，尤其是换乘车站运输能力的客流，加之在多线运营的地铁城市，大规模客流已由简单的孤线单站聚散模式向深度网络化区域性聚散模式转变[4-6]。当突发大客流超过车站的

承载能力时，如疏散不畅，极易形成客流交叉拥堵，甚至产生恐慌性踩踏等安全事故。因此，建立地铁车站客流预警机制，并制订合理的应急疏散和运营组织方案，对保障地铁运营的安全、顺畅具有十分重要的意义。

1地铁车站客流GRNN神经网络预警模型

对于地铁车站客流预测问题，长期以来地铁建设方主要聚焦在线路规划咨询阶段，并以此作为城市立体交通网络规划依据，而对于地铁建成后的运营客流预警较少关注。

近年来，鉴于地铁车站相对密闭狭小的空间特性及全国发生的若干起影响较大的人员踩踏伤亡事故，引起了地铁运营方及相关学者的关注，开始投入研究地铁客流预警模型。其中，主要有时间序列方法、回归分析法、事故树、事件数、威布尔分布、灰色理论等方法[7]，但这些方法普遍存在人为因素过多，预警指标及事件概率难以确定，以致无法客观给出预警结果;或者需要的数据分析存在滞后性，难以运用到突发性的客流预警当中等问题。

广义回归神经网络GRNN作为并行计算模型的一种，往往不需要精确定义被建模对象的动态特性参数及内部之间的关系，只需要给出对象的输入/输出数据，通过非线性映射网络本身的学习功能就可以达到预测或评估的目的。同时相比BP、RBF等需要动辄百次样本训练、预测收敛速度慢的神经网络模型，广义回归神经网络GRNN在聚类分析能力、数据拟合能力及样本学习速度上有着较大的优势。GRNN模型结构如图1所示。

图1　GRNN模型结构

网络的第一层为径向基隐含层，该层的权值函数(‖dist‖)为欧氏距离函数，用于计算网络输入与第一层的权值IW1,1之间的距离，b1为隐含层的阈值。采用高斯函数作为网络隐含层的传递函数[8]：

网络的第二层为线性输出层，其权函数(nprod)为规范化点积权函数。通过计算网络的向量n2，并将结果n2提供给线性传递函数a2=pureline(n2)，计算网络输出[8]。

一周内工作日、双休日车站运营时段的客流分布具备普遍规律性，一般工作日有平峰期及早、晚高峰期之分，而双休日的客流通常比较分散、均衡，遇到国家法定重大节日,客流数据又会产生突发变化。为避免诸多不可预期的影响因子对模型的干扰，选取每条地铁运营线路客流量为输入样本，形成整体线网样本，以个体车站为目标样本，即网络的输出。所有数据均进行归一化处理，光滑因子需不断尝试获得最佳值(限于篇幅，本文以0.1为例)。

目前，已经有一些比较成熟的神经网络软件包，其中又以MATLAB神经网络工具箱应用最为广泛[9]。在MATLAB R2008a中创建GRNN用于客流预警，创建格式为net=netgrnn(P_train,T_train,i)，其中，P_train和T_train分别为输入样本和目标样本，i为光滑因子。

2实例分析

2.1换乘客流预测

结合南京地铁运营的实际情况进行实例分析。目前，南京地铁运营线路包括1、2、3、10、S1、S8线，运营里程225 km，服务车站121座，配置运营列车201辆，日均客运量超过210万乘次。

利用2015年5—6月每周周二各线的客流历史统计数据作为网络的训练样本(见表1)，以7月前两周周二的客流历史统计数据作为网络的外推测试样本，鉴于地铁换乘站客流的特殊性，选取既有线7座换乘站客流值为预警目标样本(见表2)。

表1　输入样本数据(各线客流)

表2　目标样本数据(换乘站客流)

注：数据来源于南京地铁ACC自动售检票清分系统。

利用上节创建的地铁车站客流预警GRNN模型，将归一化后的样本数据进行训练与测试。部分MATLAB代码如下：

*****************************

P=mapminmax(p,0,1);

[T,ts]=mapminmax(t,0,1);

P_train=[P(:,1) P(:,2) P(:,3) P(:,4) P(:,5) P(:,6) P(:,7) P(:,8)];

T_train=[T(:,1) T(:,2) T(:,3) T(:,4) T(:,5) T(:,6) T(:,7) T(:,8)];

P_test=[P(:,9) P(:,10)];

T_test=[T(:,9) T(:,10)];

for i=0.1

net=newgrnn(P_train,T_train,i);

y_xl=sim(net,P_train)

y_Psc=sim(net,P_test)

end

*****************************

经反归一化处理后的预测输出与实际客流样本见表3，绘制MATLAB对比图如图2所示。

表3　换乘站预测数据与实际数据误差分析　　乘次/d

图2　换乘站预测数据与实际数据对比

2.2短时客流预测

作为客流预警，地铁运营管理单位及政府公共安全部门更为关注的是短时段预测。短时客流工作日与双休日呈现不同峰值与断面。本文避开节假日，选取南京地铁鼓楼车站2015年10月12—15日早高峰7：00—7：30每隔5min短时客流数据为输入样本，与7：30—8：00外推测试样本建立映射关系，预测10月16日外推样本客流走势，样本数据见表4。

表4　短时客流样本数据(鼓楼站)

注：数据来源于南京地铁ACC自动售检票清分系统。

GRNN神经网络结构和MATLAB程序与2.1节类似，本文不再赘述。经反归一化处理后的预测输出与实际客流样本见表5，绘制MATLAB对比图见图3。

表5　短时客流预测数据与实际数据误差分析(鼓楼站)

图3　短时客流预测数据与实际数据对比

从表5可知，相对误差大致处于可接受区间。其中7:30—7:35及7:55—8:00短时客流预测出现较大误差，其原因一是样本数据采集偏少，GRNN网络学习训练不够；二是周五时段同比输入样本出现较大波动；三是需要不断调试光滑因子。

3客流预警系统

基于广义回归神经网络GRNN对客流进行预测，同时辅助实时视频监控，是有效解决地铁车站客流预警难题的成功探索。南京地铁利用高清低照度摄像机对客流进行实时监控，并利用智能视频分析服务器(8路CIF/D1/720P)对客流影像进行辨识与评估，上传大客流预警平台服务器(DELL R420)，最终在PC及手机客户端实现终端报警的功能。该系统可以实现客流实时查询(见图4)、监控、三色图显示(见图5)、区域报表、预警弹窗、阈值设定、信息报送、数据存储等功能。

当车站客流触及设定的警报阈值，报警信息就会以屏幕弹窗和手机信息的方式，依预警等级逐级发送至行车值班员、值班站长、行车调度员、值班主任、安全管理部门、分管安全副总经理、总经理，成立应急指挥机构和现场处置小组。

图4　客流实时查询

图5　三色图

4对策与措施

车站通过能力主要受出入口及电扶梯、自动售检票设备、安检设备通过能力，车站内临时疏导措施以及列车输送能力等影响。一旦客流运输关键部位失控，无序的拥堵状态必然会对地铁运营秩序和服务带来严重挑战。因此，车站编制大客流应急处置预案并定期演练，建立公交接驳机制、警地联动机制等都是地铁运营方应急管理的必备手段。此外，还可参考以下临时性的措施。

1) 根据预测的大客流发生时间，客流人数，疏散所需时间，车站应及时启动三级客流控制，同时利用广播系统做好宣传，拉设警戒线，理顺购票队伍。贮备好足够的车票，设置临时售票亭。

2) 若出现站台拥挤现象时，值班站长应立即联系进站口站务人员，控制好进站乘客人数，同时立即委派人员到站台维持候车秩序，行车值班员应变更自动扶梯的开行方向，均设置为出站方向，力争使下车乘客尽快出站，通知售票人员放缓售票速度，减少进站客流人数。站台人员应加强对站台乘客安全的监控，行车值班员应加强接发列车作业安全的监控[10]。必要时，对客流进行疏散或采取只出不进、关站等措施。

3) 行调应根据大客流的预测情况，有预见性地及时调整列车运行图，并充分利用线路上的渡线、折返线、存车线，根据各站客流情况，增加车底数或变更列车运行交路，提高线路通过能力，从而增强列车输送能力；对于换乘站大客流，行车可组织邻线列车采取跳站停车、越行等措施，加强车站大客流的组织。环调注意观察客流情况，增加站内新风量，缓解乘客焦躁情绪。

5结语

本文基于广义回归神经网络构建地铁车站客流预警模型，以南京地铁ACC清分数据为例，利用测试样本对训练好的网络进行了验证，预测结果与实际数据误差拟合。结合地铁车站客流特性，提出发生大客流情况下的应急处置对策与措施。基于GRNN神经网络的地铁车站客流预警模型对于车站实时客流预测同样适用。通过对前期大量样本的学习，使训练后的网络具有泛化能力，同时结合视频分析技术、热敏计数技术等辅助系统，可为地铁车站大客流应急处置提供预警与决策。

参考文献

[1] 李得伟，孙宇星，黄建玲.地铁客流预警技术基础探讨[J].都市快轨交通，2013,26(2)：62-66.

[2] 黄宏伟，叶永峰，胡群芳.地铁运营安全风险管理现状分析[J].中国安全科学学报，2008,18(7)：55-62.

[3] 马成正.地铁设备房自动灭火系统设计及经济性分析[J] .地下空间与工程学报，2015，11(2)：536-539.

[4] KATHERINE E.T.Park-and-Ride/Pool[M].Transportation Research Board,2005.

[5] SIMPSON R, LOPRESTI E, HAYASHI S, et al.The smart wheelchair component system[J].Journal of Rehabilitation Research & Development, 2004, 41(3B): 429-442.

[6] 张铭，王富章，李平.城市轨道交通网络化运营辅助决策与应急平台[J].中国铁道科学，2012,33(1):113-120.

[7] 杨森，孟晨，王成.基于改进灰色神经网络的故障预测方法研究[J].计算机应用研究，2013,30(12):3625-3628.

[8] 葛哲学，孙继平.神经网络理论与MATLAB R2007实现[M].北京：电子工业出版社，2007.

[9] 李春晓，李海鹰，蒋熙,等.基于广义动态模糊神经网络的短时车站进站客流量预测[J].都市快轨交通，2015,28(4):57-61.

[10] 马成正，蓝志江.基于人的认知可靠性模型(HCR)的接车进路办理诊断时间的研究[J].中国安全生产科学技术，2012,8(7):30-34.

(编辑：曹雪明)

国家标准《轻轨设计规范》送审稿顺利通过专家审查 2016年5月17日,住房和城乡建设部(以下简称住建部)城市轨道交通标准化技术委员会(以下简称标委会)在北京主持召开了国家标准《轻轨设计规范》送审稿(以下简称《规范》)审查会。来自北京、上海、广州、深圳、重庆、沈阳、青岛、苏州、武汉、珠海等的14位专家组成了专家审查委员会,中国工程院施仲衡院士任主任委员,中国城市轨道交通协会副会长宋敏华、重庆轨道交通(集团)有限公司原董事长及首席专家仲建华任副主任委员。住建部标准定额所处长雷丽英、住建部标委会秘书长李凤军,以及住建部标准定额司、城市建设司领导出席并讲话。中铁二院工程集团有限责任公司、中车长春轨道客车股份有限公司、中铁第四勘察设计院集团公司、长春市轨道交通集团有限公司、大连地铁运营公司等参编单位代表应邀参会。主编单位北京城建设计发展集团股份有限公司万学红副院长、轨道交通院院长于松伟及编制组毛励良、梁莉霞、周庆瑞、张海波等20余人代表参会。会议由住建设部标委会研究员陈燕申主持,《轻轨设计规范》主编于松伟院长进行了编制工作汇报。通过逐章逐条审查,专家组一致认为:《规范》结构合理、内容全面、重点突出,又引导了新技术、新材料、新设备等科技成果的推广应用;《规范》总体已达到国内领先水平并具有前瞻性,填补了国内轻轨领域标准的空白;同时《规范》实施后将拓展我国轨道交通的发展思路,在安全、质量、节能、环保等方面,将为轻轨提供可靠保障,在控制工程造价、运营费用等方面也将发挥重要作用。审查会后,编制组将根据审查会提出的意见和建议,修改后上报,推动《规范》早日颁布实施。北京城建设计发展集团股份有限公司 梁莉霞供稿

Passenger Flow Warning of Metro Station Based on GRNN and Corresponding Countermeasures

Ma Chengzheng1Jiang Qiuyun2

(1. Liuzhou Railway Vocational Technical College, Liuzhou 545007;2. Nanjing Metro Operation Co., Ltd., Nanjing 210012)

Abstract:A passenger flow warning model was introduced on the basis of the generalized regression neural network (GRNN) to solve the problems of disorder and sudden passenger flows in Chinese metro stations. The AFC data of Nanjing Metro was taken as an example and the GRNN model was used for data training and testing. The error analysis of predicted data and actual data was compared. Results showed that the predicted data was fitting to the actual ones and the accuracy is ensured. The countermeasures were derived from the predicted data and the real-time passenger flow warning system of Nanjing metro. The research will provide a reference for metro operation and management companies to avoid stampede accidents arising from sudden passenger flows. Key words: metro; neural network; error analysis; passenger flow warning; countermeasure

doi:10.3969/j.issn.1672-6073.2016.03.010

收稿日期:2015-09-17修回日期: 2015-12-08

作者简介:马成正，男，副教授，硕士，主要从事轨道交通行车组织与运营安全等领域的教学与科研工作，24416358@qq.com

基金项目:广西壮族自治区教育厅科研基金项目(2014YB565)

中图分类号U231 TP181

文献标志码A

文章编号1672-6073(2016)03-0037-05