基于多源监测数据的城轨路网乘客出行路径估计方法_彭羽飞.pdf

文章编号：1673-0291（2023）03-0096-07DOI：10.11860/j.issn.1673-0291.20220039第 47 卷 第 3 期2023 年 6 月Vol.47 No.3Jun.2023北京交通大学学报JOURNAL OF BEIJING JIAOTONG UNIVERSITY基于多源监测数据的城轨路网乘客出行路径估计方法彭羽飞，蒋熙（北京交通大学 交通运输学院，北京 100044）摘要：针对目前城市轨道交通路网乘客出行路径估计准确率不足及直接监测方式受限的问题，提出基于多源监测数据的出行路径估计方法.首先，利用自动售检票（Automatic Fare Collection，AFC）数据、车站换乘断面监测量、区间断面监测量等多源监测数据，基于路网客流时空作用关系，构建符合实际监测情况和乘客出行总体规律的乘客出行路径估计模型.然后，运用计算图结构将模型抽象成一种分层网络，并提出基于正向传播和反向传播技术的模型求解算法.最后，以广州局部地铁路网为例进行分析.研究结果表明：所提出的方法可以实现路网乘客出行路径以及车站换乘客流的估计；在路网监测断面占比为 75%时，估计结果的均方误差、均方根误差以及平均绝对百分比误差分别为 1.67%、1.83%、1.27%，且误差会随着监测断面占比的增加而降低.关键词：城市轨道交通；出行路径估计；多源监测数据；反向传播；计算图结构中图分类号：U491 文献标志码：AEstimation method of urban rail transit passenger route based on multi-source detection dataPENG Yufei,JIANG Xi（School of Traffic and Transportation,Beijing Jiaotong University,Beijing 100044,China）Abstract:To address the problem of inaccurate route estimation and limited route detection in the urban rail transit network,a method for estimating travel routes based on multi-source detection data is proposed.First,using the Automatic Fare Collection(AFC)data,station interchange section monitoring volume,interval section detection volume and other multi-source detection data,a passenger travel path estimation model is constructed based on the spatio-temporal relationship of passenger flow in the road network,which is in line with the actual detection results and the overall pattern of passenger travel.Further,the model is abstracted into a hierarchical network based on computational graph structure,incorporating forward-passing and backward-propagation techniques to solve it.Finally,a partial subway network in Guangzhou is taken as an example for analysis.Results show that the passenger route choice and transfer passenger flow can be effectively estimated and analyzed using the proposed method.The mean square error,root mean square error,and mean absolute percentage error of 收稿日期：2022-03-31；修回日期：2022-07-03基金项目：国家重点研发计划（2022YFC3005200）Foundation item:National Key R&D Plan（2022YFC3005200）第一作者：彭羽飞（1998），女，山西大同人，硕士生.研究方向为交通运输规划与管理.email：.通信作者：蒋熙（1971），女，四川都江堰人，副教授，博士.email：.引用格式：彭羽飞，蒋熙.基于多源监测数据的城轨路网乘客出行路径估计方法 J.北京交通大学学报，2023，47（3）：96-102.PENG Yufei，JIANG Xi.Estimation method of urban rail transit passenger route based on multi-source detection data J.Journal of Beijing Jiaotong University，2023，47（3）：96-102.（in Chinese）彭羽飞等：基于多源监测数据的城轨路网乘客出行路径估计方法第 3 期the estimation results are 1.67%,1.83%,and 1.27%,respectively,with 75%of the detecting sections.Furthermore,these errors decrease as the percentage of detecting sections increases.Keywords:urban rail transit；travel route estimation；multi-source detection data；backward propagation；computational graph在城市轨道交通“一票制”情况下，利用多种技术手段与方法对乘客的实际出行路径进行估计是客流清分以及路网客流分析与运营决策的重要基础.在规划与预测相关应用中，常常基于效用最大化理论1、前景理论2、后悔理论3等构建乘客出行选择行为模型，来研究路网内乘客路径的一般规律.由于真实运营场景下乘客的实际路径选择结果受多种复杂因素影响，难以由这类选择行为模型和参数进行准确表征，基于选择行为模型的路径估计往往难以满足精准客流清分的需求.为了获得更符合实际的路径选择结果，利用乘客出行产生的实际数据来复现乘客的出行路径成为可行途径.其中，有研究运用 WIFI定位4、蜂窝小区定位5、人脸识别6、行人再识别7等乘客定位与轨迹监测技术对一定范围内乘客的实际出行路径进行直接监测，但受政策与实施条件、成本等限制难以大规模应用.因此，更多的研究利用实际运营数据中蕴含的路径相关信息及其作用关系构建模型，来间接推测乘客出行路径.其中高圣国等8-10通过研究同一 OD 下不同路径旅行时间的概率分布规律，利用自动售检票（Automatic Fare Collection，AFC）系统中乘客实际的进出站刷卡地点与时间来匹配可能的路径.这类研究仅从路径的时间特性上来体现乘客路径选择与运营状态的动态作用关系，准确性仍存在不足.综上而言，利用实际运营数据中蕴含的路径相关信息及其作用关系进行路径估计的方法更适合现阶段研究.由于乘客对于不同路径的选择除了影响其旅行时间不同外，还会影响路径上断面客流量的变化，且随着智能视频、列车称重等客流监测技术的发展应用，除了 AFC 数据外，区间及车站换乘等断面客流实际观测数据也可被获取.因此，本文基于乘客出行过程中的多源监测数据，围绕乘客路径选择与路网客流时空断面观测量的作用关系构建路径估计模型并求解，进一步提高基于运营数据的路径估计准确性.1 方法的提出城市轨道交通路网中，乘客从起始站进站至到达目的站的过程中会先后经历进站、候车、乘车、下车、换乘及出站等活动，并最终形成各自的出行链.以一个具有 3 条线路、6 个车站（包括 3 个双线换乘站）的局部路网为例，可构建如图 1所示乘客出行网络G=(V，E，D，P)来描述若干乘客出行链与客流时空状态的作用关系，其中，V是网络中各车站节点vi(i=1，2，9)所构成的集合，路网上每个普通车站各对应 1 个节点，每个换乘站依据衔接的线路数目 分 成 若 干 节 点；E是 网 络 中 有 向 边ek(k=1，2，18)所构成的集合，由区间以及换乘站内部换乘通道构成；D是由路网上所有的客流 OD 对vivj(i j)所 构 成 的 集 合；P是 由 各 个 OD 对vivj(i j)对之间的出行路径集Pvivj构成的集合.在乘客出行网络上，某 OD 对vivj(i j)下的乘客自起始站进站，按一定概率在路径集Pvivj中选择路径，并顺序经过路径上各个节点与边，最终到达目的站出站离开.在一个时段内，各个 OD 对客流在多条出行路径上进行分流、并在节点处交汇，带来各条边上的客流变化.由于网络上各节点与边之间存在空间关联性，路网上的分时 OD 客流量、乘客路径选择、区间和换乘通道内客流量之间必然呈现出相应的内在作用关系.目前，OD 客流量可以通过 AFC系统获取，部分区间断面和换乘通道断面客流可通过列车及车站客流监测系统获取.因此，利用路网内分时段 OD 客流数据以及若干监测断面的客流数据，就能够基于客流时空作用关系来建模，并估计任一 OD对下各条路径选择概率.面向路网客流清分需求，按照较大间隔（如小时）划分时段，并采集分时段的 OD 客流量、区间及换乘断面监测量等多源监测数据，用于估计该时段内的路1v2v3v5v4v6v5e1e7e12e13e14e10e11e15e2e3e16e9e4e18e17e6e8e7v8v9v线路1换乘站线路2换乘站线路3换乘站图 1乘客出行网络Fig.1Passenger travel network97北京交通大学学报第 47 卷径选择概率.客流清分需要获得符合实际运营场景的路径选择结果，本文从“路径选择”与“作用结果”二者之间正与反两个思维方向相结合的方式来探索相应的研究方法.其中，正的方向指基于客流时空关联性，对路径选择概率的任一估计将形成与之相应的网络上各断面预计客流量；反的方向指各断面预计客流量与实际监测结果、路网乘客总体出行规律之间的偏差可以修订原来估计的路径选择概率.通过正向与反向的不断迭代运算，就可以逼近符合实际的路径选择概率.由此，本文基于客流的时空作用关系，以路径估计结果最符合实际监测情况、乘客出行总体规律为目标，构建了一种乘客出行路径估计模型.模型中，各 OD 对客流量（已知量）、出行路径客流量（未知量）以及各断面上客流量（未知量）因路径的选择而呈现出一系列的逻辑关联，可以运用计算图结构将模型抽象为包含 OD 对客流层、出行路径客流层、监测断面客流层的分层网络.在此基础上，引入智能优化中广泛运用的正向传播与反向传播技术对模型进行求解，估计出近似最优的乘客出行路径选择概率.基于正向传播和反向传播技术的模型求解过程如图 2 所示，其中模型输入的多源监测数据包括来源于 AFC 系统的分时 OD 量、列车称重系统的区间断面客流量、车站客流监测系统的换乘通道断面客流量.来源于列车运行图的列车区间运行时分、基于调查获取的换乘时间、各 OD 有效路径集等作为参数输入模型，其中，路径集信息是利用文献 11 中的有效路径搜索方法得到，该方法主要考虑了区间运行时分、换乘步行时间、等车时间等时间因素确定路径广义费用，在并在此基础上应用深度优先遍历算法搜索得到路径集信息.借助多源监测数据，分层网络在进行正向传播时，通过将 OD 对客流量按照初始的路径选择概率分布至各出行路径上，各路径客流再分布至其所经过的各监测断面上，得到出行路径客流估计量和监测断面客流估计量，并进一步计算得到监测断面的客流估计量与实际监测情况及总体出行规律之间的“偏差”；反向传播时，通过链式法则计算该偏差相对于路径选择概率的偏导数以此用来更新该概率；不断重复上述正反向传播过程实现对路径选择概率的迭代更新，直至得到近似最优的路径选择概率，作为各 OD 对下优化的路径估计结果.2 乘客出行路径估计模型构建2.1 目标函数模型目标函数由两个子目标构成，子目标函数CMSE(zm，z?m)考虑到现有客流监测技术精度有限、带有一定随机性，采用所有监测断面客流量均方误差这一统计量来代表监测断面的实际监测量和模型估计量之间的误差，具体形式为CMSE(zm，z?m)=m M(zm-z?m)22 Mnum（1）式 中：Mnum为 路 网 上 监 测 断 面 总 个 数；m(m=1，2，Mnum)为监测断面索引；M为监测断面m的集合；z?m为研究时段内，监测断面m的实际监测量；zm为研究时段内，监测断面m的客流估计量.子目标函数CSUE(yp，zm，z?m)是考虑乘客的随机效用路径选择行为条件下网络达到随机均衡状态的一种等价表示，具体形式为CSUE(yp，zm，z?m)=Ctime(zm，z?m)+1od Dp Pod(yp ln yp)（2）式中：为感知系数，该值越大表征乘客对网络总体信息掌握程度越高；od(od=1，2，Dnum)为 OD对索引；Dnum为路网上 OD 对总个数；D为 OD 对od的集合；p(p=1，2，Pnum)为出行路径索引，Pnum为路网上出行路径总条数；Pod为与 OD 对od有关的出行路径p的集合；yp为研究时段内，选择路径p出行的客流量；Ctime(zm，z?m)表示乘客在监测断面上的所经历的在车和换乘时间之和，具体形式为OD对正向传播偏差反向传播实际监测情况乘客总体出行规律区间运行时分通道断面量 区间断面量换乘时间监测断面OD客流量路径集信息路径选择概率出行路径概率更新图 2基于正向传播和反向传播技术的模型求解过程Fig.2Model-solving process based on forward-passing and backward-propagation techniques98彭羽飞等：基于多源监测数据的城轨路网乘客出行路径估计方法第 3 期Ctime(zm，z?m)=m M(tm m zm)（3）式中：tm为通过监测断面m所在区间或换乘通道的时间；m为换乘放大系数，当监测断面m类型为换乘监测断面时，该值为 1.赋予两个子目标函数相对信任度，通过线性加权的方式构建最小化的单目标函数C(yp，zm，z?m)，可表示为min C(yp，zm，z?m)=CMSE(zm，z?m)+(1-)CSUE(yp，zm，z?m)（4）式中：W 为子目标函数CMSE(zm，z?m)的相对信任度.2.2 约束条件1）OD对客流作用约束.OD 对客流按照一定概率选择相应路径出行，具体形式为yp=xod od，p p P，od Dp（5）式中：xod为研究时段内，OD 对od之间的客流量；od，p为研究时段内 OD 对od客流量中，选择路径p出行的概率；Dp为与路径p有关的 OD对od的集合.2）OD对客流均衡性约束.同一 OD 对下的出行路径选择概率和为 1，具体形式为p Podod，p=1 od D（6）3）监测断面客流作用约束.监测断面客流由多条出行路径客流分布构成，具体形式为zm=p Pmyp p，m m M（7）式中：p，m为路径p是否经过监测断面m，是为 1，反之为 0.4）取值范围约束.路径选择概率取值范围应满足od，p 0，1 od OD，p Pod（8）3 求解算法3.1 基于计算图的分层网络描述运用计算图将模型抽象为包括 OD 对客流层（输入层）、出行路径客流层（中间层）、监测断面客流层（观测层）的分层网络，见图 3.该网络由图G=(H，S，W)表示，其中，H(H=D P M)为网络中节点集合，D、P、M分别为输入层、中间层、观测层节点集合，OD 对od、出行路径p、监测断面m分别为集合D、P、M中的元素，xod、yp、zm为研究时段内各层节点客流量；S(S=SDPUSPM)为网络中有向边集合，SDP、SPM分别为输入层与中间层、中间层与观测层节点之间的关系集合，集合中的元素分别表示 OD对与出行路径、出行路径与监测断面之间的连接关系；W(W=)是网络中有向边上的权重集合，、分别为输入层与中间层、中间层与观测层节点之间的边上权重集合，od，p、p，m分别为集合、中的元素.3.2 基于正向传播和反向传播技术的求解算法基于链式法则，使用正向传播和反向传播技术12-13对分层网络进行迭代求解，具体的求解算法一共分为 7个步骤.步骤 1：网络初始化.令模型迭代次数t=1；基于路径p和监测断面m的所属关系，固定权重p，m的 值 使 其 无 需 参 与 权 重 更 新，此 外，初 始 化权重tod，p.步骤 2：计算研究时段内各层节点客流量.给定输入层节点客流量xod，基于式（5）与式（7），将该值正向传播到各层节点上，得到节点客流量yp、zm.步骤 3：计算各层节点的次梯度.基于反向传播技术计算目标函数C(yp，zm，z?m)关于节点客流量yp、zm的次梯度(p)、(m)，计算式为(p)=C(yp，zm，z?m)yp=(1-)ln yp+1+m MpzmypC(zm，z?m)zm=(1-)ln yp+1+m Mpp，m(m)p P（9）(m)=C(zm，z?m)zm=zm-z?mMnum+(1-)tm m m M（10）步骤 4：计算权重tod，p的一阶偏导数.基于反向213213OD对客流量出行路径客流量.中间层观测层输入层.321pymz监测断面客流量yxodxMnumPnumDnum节点od节点p节点m=podod,pod,pp,mzm=ypp,mpPm图 3乘客出行路径估计的分层网络Fig.3Layered network for passenger travel route estimation99北京交通大学学报第 47 卷传播技术计算目标函数C(yp，zm，z?m)关于权重tod，p的一阶偏导数(tod，p)，计算式为(tod，p)=C(yp，zm，z?m)tod，p=C(yp，zm，z?m)ypyptod，p=(p)xod p P，od ODp（11）步骤 5：更新权重tod，p.利用次梯度下降法，更新第t次迭代时的权重tod，p，更新方式为t+1od，p=tod，p-(tod，p)p P，od ODp（12）式中：为迭代步长.步骤 6：权重t+1od，p归一化.对权重t+1od，p进行归一化，保证同一 OD下权重t+1od，p和为 1.步骤 7：判断算法是否停止迭代.基于式（1）计算第t次迭代时的目标函数值Ct(yp，zm，z?m)，判断算法是否同时满足、两个终止迭代条件.目标函数的迭代曲线收敛，收敛标准为连续两次迭代目标函数值的相对差值不超过给定的充分小正数，具体形式为Ct(yp，zm，z?m)-Ct-1(yp，zm，z?m)Ct(yp，zm，z?m)（13）子目标函数值CMSE(zm，z?m)小于容忍阈值.若 不 同 时 满 足 两 个 迭 代 条 件，则t=t+1，返 回步骤 2 继续计算，反之则结束迭代，输出当前权重tod，p以及节点客流量yp、zm.4 案例4.1 模型求解以广州市轨道交通局部路网为例，构建相应乘客出行网络见图 4.图 4 中有 1、2、5、6 号线共 4 条线路与编号为 A，B，W 共 23个车站（其中包括 6个双线换乘站）以及编号为 1，2，62的断面.以某工作日 730830 作为研究时段，输入该时段 AFC 刷卡数据、46 个列车运行区间断面及换乘站换乘断面监测量等客流信息、列车运行时分与乘客换乘时间等参数.对全网的 AFC 刷卡数据处理后生成案例局部路网的 OD 量14，其中涉及起点（或终点）、出发时间（或到达时间）信息的转换.此外为每个多路径 OD 构造生成 24 条备选路径.基于 Python3.8.2平台构建分层网络，网络结构包括 OD 对客流层（506 个节点）、出行路径客流层（586个节点）、监测断面客流层（46个节点）.本次求解时将模型参数取为 0.7，的取值一般与列车运行区间断面监测量和换乘站换乘断面监测量的监测准确率有关，准确率越高则值可调高.此外感知系数取为 19.612，换乘放大系数m（当监测断面m类型为列车运行区间监测断面时）取为 1.2、目标函数容忍阈值取为 2.模型超参数取为5 10-6.模型的目标函数的迭代曲线如图 5所示.由图 5可知，在8 000 次迭代后，目标值C(yp，zm，z?m)趋于稳定，且连续两次迭代目标函数值的相对差值不超过10-6，此外子目标函数值CMSE(zm，z?m)为 1.673，符合终止迭代条件.4.2 案例结果及分析模型迭代求解后，得到路网中多路径 OD 间乘客的路径选择概率和各路径上的客流量，对于表 1所列出的多路径 OD，其路径估计结果见图 6.运用模型结果，可进一步统计得到各换乘站内分方向换乘量以及比例，如表 2 所示，以 E 站为例，该站内共 8 个换乘方向，在研究时段内站内换乘总ABQ2号线5号线换乘站RTCBKQDE7IEU1号线KJVSPONFF9GMH6号线LL上行方向W43568131415161718192010293027281211313233343536212261622324535455565152495047484546394037385960575841424344252621图 4案例路网所对应的乘客出行网络Fig.4Passenger travel network corresponding to the subway network in case study图 5目标函数迭代过程Fig.5Iterative process of objective function100彭羽飞等：基于多源监测数据的城轨路网乘客出行路径估计方法第 3 期客流量达 34 877 人次，其中由 2 号线下行方向换乘1 号线上行的客流占比最大，达 28.9%，其次是由1号线下行方向换乘 2号线上行的客流，达 21.1%.为了测试路网中布设监测设备的断面数量对模型求解效果的影响，采用均方误差MSE、均方根误差RMSE及平均绝对百分比误差MAPE 3个指标对模型的断面客流估计结果进行评估，指标计算式为MSE=m M(zm-z?m)22 Mnum（14）RMSE=m M(zm-z?m)2Mnum（15）MAPE=12 Mnumm M(zm-z?mz?m)2（16）在监测断面占比为 25%（16个监测断面）、50%（31个监测断面）、75%（46个监测断面）、100%（62个监测断面）4种情况下，计算各断面客流量误差指标值见图 7.由图 7可知，模型总体求解效果良好，此外，表 1OD对客流量及路径集信息Tab.1 Origin-destination passenger flow and route choice informationOD对AKALARFL换乘路径AEKAFKAELABLABQRAFRAEKRFELFKLFQL路径编号OD对GVQEVKBS换乘路径GELVGBVQKEQFEQBEQLEVLKVQKBFSBQS路径编号图 6路径选择估计结果Fig.6Route choice estimation results表 2换乘站内换乘估计结果Tab.2 Transit estimation results at transfer stations车站B站E站F站换出方向2号线下行2号线上行5号线下行5号线下行2号线下行2号线上行1号线下行1号线下行2号线下行2号线上行1号线上行1号线上行2号线下行2号线上行6号线下行6号线下行2号线下行2号线上行6号线上行6号线上行换入方向5号线上行5号线上行2号线上行2号线下行1号线上行1号线上行2号线上行2号线下行1号线下行1号线下行2号线上行2号线下行6号线上行6号线上行2号线上行2号线下行6号线下行6号线下行2号线上行2号线下行换乘量/（人次/h）1 4614 6711 3874 73010 0725 8947 3732 1344 3992 4451 4081 1524 4642 1685 3107073 288400752128换乘比例/%11.938.111.338.628.916.921.16.112.67.04.03.325.912.630.84.119.12.34.40.7车站L站Q站K站换出方向1号线上行5号线下行5号线上行1号线上行5号线下行5号线上行6号线下行6号线下行5号线下行5号线上行6号线上行6号线上行1号线下行1号线上行6号线下行6号线下行1号线下行1号线上行6号线上行6号线上行换入方向5号线上行1号线下行1号线下行5号线下行6号线上行6号线上行5号线上行5号线下行6号线下行6号线下行5号线上行5号线下行6号线上行6号线上行1号线上行1号线下行6号线下行6号线下行1号线上行1号线下行换乘量/（人次/h）1 4823 1752 6061 6771 1808081 3651 1993 3092 0783 8443 6111 6441043291 8541 1201201 174354换乘比例/%16.635.529.118.86.84.67.86.919.011.922.120.825.41.65.128.617.31.918.15.5图 7不同监测断面占比下的误差结果分析Fig.7Error analysis at different proportions of detecting sections101北京交通大学学报第 47 卷随着路网中监测断面占比增加，各误差指标值总体呈现下降趋势，模型总体求解效果趋于正向发展.5 结论1）以最小化监测量与模型估计量的偏差和城市轨道交通网络接近随机均衡状态为目标，构建了乘客出行路径估计的数学规划模型，刻画了城市轨道交通路网中乘客出行与客流动态变化.2）基于客流量的时空关联性将模型抽象为分层计算图网络，提出一种基于正向和反向传播技术的模型求解算法，该算法能够对网络中的参数进行循环迭代更新.3）本文提出的模型及求解算法能够实现分时段的乘客出行路径选择概率估计并可进一步计算得到线路分方向换乘量以及同一方向换乘多方向的换乘比例，且路网中监测断面占比的增加有助于模型估计效果的提升，为实现路网客流清分并把握实际运营场景下的路网客流分布、制定相应运营决策提供重要数据基础.参考文献（References）：1 乔珂，赵鹏，秦志鹏.基于乘客类别的轨道交通网络乘客路径选择 J.北京交通大学学报，2012，36（6）：102106.QIAO Ke，ZHAO Peng，QIN Zhipeng.Route choice based on passenger classification for the urban mass transit networkJ.Journal of Beijing Jiaotong University，2012，36（6）：102106.（in Chinese）2 黄婷婷，朱海燕，杨聚芬.基于前景理论的轨道交通乘客路径选择模型 J.都市快轨交通，2019，32（2）：5963.HUANG Tingting，ZHU Haiyan，YANG Jufen.The route choice model of urban rail traveler based on prospect theory J.Urban Rapid Rail Transit，2019，32（2）：5963.（in Chinese）3 江妍妮，杨聚芬.基于后悔理论的城市轨道交通乘客路径选择 J.物流科技，2019，42（3）：108110.JIANG Yanni，YANG Jufen.Research on passenger route choice of urban rail transit based on regret theory J.Logistics Sci-Tech，2019，42（3）：108110.（in Chinese）4 DANALET A，FAROOQ B，BIERLAIRE M.A Bayesian approach to detect pedestrian destination-sequences from WiFi signaturesJ.Transportation Research Part C：Emerging Technologies，2014，44：146170.5 赖见辉，陈艳艳，钟园，等.基于手机定位信息的地铁乘客出行路径辨识方法 J.计算机应用，2013，33（2）：583586.LAI Jianhui，CHEN Yanyan，ZHONG Yuan，et al.Travel route identification method of subway passengers based on mobile phone location data J.Journal of Computer Applications，2013，33（2）：583586.（in Chinese）6 梁鹏，刘晓勇，郝刚，等.基于人脸识别和无线射频识别的行人移动轨迹监控系统及实现 J.广东技术师范学院学报，2015，36（11）：2125.LIANG Peng，LIU Xiaoyong，HAO Gang，et al.Pedestrian movement monitoring system and implementation based on face recognition and RFID recognition J.Journal of Guangdong Polytechnic Normal University，2015，36（11）：2125.（in Chinese）7 闫秋芳.基于行人再识别的轨迹重现 J.现代计算机，2020（4）：5154.YAN Qiufang.Track re-creation based on re-identificationJ.Modern Computer，2020（4）：5154.（in Chinese）8 高圣国，吴忠.基于旅行时间分布的客流清分模型 J.交通运输系统工程与信息，2011，11（6）：124130.GAO Shengguo，WU Zhong.Modeling passenger flow distribution based on travel time of urban rail transit J.Journal of Transportation Systems Engineering and Information Technology，2011，11（6）：124 130.（in Chinese）9 ZHOU F，SHI J G，XU R H.Estimation method of path-selecting proportion for urban rail transit based on AFC dataJ.Mathematical Problems in Engineering，2015，2015：19.10 石俊刚，周峰，朱炜，等.基于 AFC数据的城轨乘客出行路径选择比例估计方法 J.东南大学学报（自然科学版），2015，45（1）：184188.SHI Jungang，ZHOU Feng，ZHU Wei，et al.Estimation method of passenger route choice proportion in urban rail transit based on AFC data J.Journal of Southeast University（Natural Science Edition），2015，45（1）：184188.（in Chinese）11 四兵锋，毛保华，刘智丽.无缝换乘条件下城市轨道交通 网 络 客 流 分 配 模 型 及 算 法J.铁 道 学 报，2007，29（6）：1218.SI Bingfeng，MAO Baohua，LIU Zhili.Passenger flow assignment model and algorithm for urban railway traffic network under the condition of seamless transferJ.Journal of the China Railway Society，2007，29（6）：1218.（in Chinese）12 WU X，GUO J F，XIAN K，et al.Hierarchical travel demand estimation using multiple data sources：a forward and backward propagation algorithmic framework on a layered computational graphJ.Transportation Research Part C：Emerging Technologies，2018，96：321346.13 杨越迪.城市轨道交通突发中断事件下公交接驳优化设计研究 D.北京：北京交通大学，2017.YANG Yuedi.Bus bridging services planning under sudden interruption of urban rail transitD.Beijing：Beijing Jiaotong University，2017.（in Chinese）102