城市轨道交通短时OD客流预测实验教学系统设计.pdf

ISSN1672-4305CN12-1352/N实 验 室 科 学LABORATORY SCIENCE第 26 卷 第 4 期 2023 年 8 月Vol.26 No.4 Aug.2023 城市轨道交通短时 OD 客流预测实验教学系统设计杨 群,罗 钦,赖怡纯,郭政阳,赖志鹏(深圳技术大学 城市交通与物流学院,广东 深圳 518118)摘 要:针对目前轨道交通运营管理实践教学中缺乏实验设备,学生缺少直观认知的问题,设计了基于地铁AFC 数据的城市轨道交通短时 OD 客流预测实验教学系统。系统分为数据准备、客流预测、结果评价三个模块,采用数据隔离方式解耦客流预测中的三个阶段,使用 B/S 架构实现了多用户同时访问和实验。该教学系统为轨道交通专业学生进行客流预测实践提供了平台,已在深圳技术大学城市交通与物流学院实践课程中投入使用。关键词:城市轨道交通;客流预测;实验教学;实验系统设计中图分类号:G482 文献标识码:A doi:10.3969/j.issn.1672-4305.2023.04.014Design of experimental teaching system for short-term prediction of origin-destination passenger flow for urban rail transitYANG Qun,LUO Qin,LAI Yichun,GUO Zhengyang,LAI Zhipeng(College of Urban Transportation and Logistics,Shenzhen Technology University,Shenzhen 518118,China)Abstract:In view of the lack of experimental equipment and students intuitive cognition in the cur-rent practical teaching of rail transit operation management,it is necessary to design an experimental teaching system for short-term OD passenger flow prediction of urban rail transit based on AFC data of metro.The system is divided into three modules:data preparation,passenger flow prediction and re-sult evaluation.Data isolation is used to decouple the three stages of passenger flow prediction,and B/S architecture is used to realize multi-user access and experiment.The teaching system provides a platform for rail transit students to carry out passenger flow prediction practice,and has been put into use in the practical teaching of our college.Key words:urban rail transit;passenger flow prediction;experimental teaching;experimental system design 收稿日期:2021-05-26 修改日期:2022-10-08作者简介:杨群,硕士,实验师,研究方向为轨道交通客流预测。E-mail:yangqun 基金项目:深圳技术大学实验室与设备管理研究基金(项目编号:JS20200020)。近年来,我国主要中大型城市的市内轨道交通系统规划与建设蓬勃发展 1-2。为了有效提高城市轨道交通系统运营组织水平,其核心是要掌握运输客流规律,准确地预测出行客流的动向,以此为基础才能实现精细化、智能化运营 3-4。在应用技术高校轨道交通运营管理等理论教学中,学生往往缺少直观认知,而在实验教学环节,由于缺少相应的实验设备,实践教学难以开展。本文设计了基于地铁 AFC 刷卡数据的城市轨道交通短时 OD 客流预测实验教学系统。实验过程中先对采集到的真实 AFC 数据进行统计处理,用以生成短时 OD 客流数据;接着在系统中集成了 AR-MA(自回归滑动平均模型)、ARIMA(自回归积分滑动平均模型)、卡尔曼滤波模型、RNN(循环神经网络)、LSTM(长短时记忆网络)几种主流的短时客流预测模型和方法 5-6,以及结果展示和对比模块,在实验教学环节中可以让学生自行通过不同方法预测短时客流,还可以在创新实践课程中,对比不同方法的优劣,加深理解并且培养学生的科研兴趣;最后,为顺应线上线下结合的新常态教学,系统整体采用 B/S 架构和多用户技术,学生可以拥有独立的个人账号,独立进行实验和学习 7-8。杨群,等:城市轨道交通短时 OD 客流预测实验教学系统设计1 系统总体设计城市轨道交通短时 OD 客流预测实验教学系统,目标是实现从初始 AFC 数据采集,到全网络短时 OD 客流预测,和结果对比分析整个实验教学环节,同时满足多学生用户同时实验,还可以适应线上线下混合教学方式。系统总体采用模块化方式设计,将 OD 短时客流预测整个流程切分成几个独立模块,各独立模块可单独输出实验结果,也可以将前置模块的输出结果当作后置模块的输入。这样做可以方便实验教师针对不同的实验实践教学环节,开展不同程度和不同目的的教学,也可根据学生学习和实践效果,动态调整教学内容。如图 1 所示,短时OD 客流预测实验教学系统包括如下模块,各模块组成完整的实验流程。图 1 系统总体架构框图1.1 原始数据清洗原始数据清洗模块中,需要导入的数据是原始的 AFC 刷卡数据,AFC 原始数据示例见表 1 所示,其中,START_DATE 是乘客进站刷卡时间,TRADE_DATE 是乘客出站刷卡时间,START_ADDRESS 是进站站点,TRADE _ADDRESS 是出站站点,表格中的数字是站点编号,每个站点有唯一的站点编号。支持格式包括 excel 文件,mysql 数据表,txt 文本格式,导入数据需要有固定列名。数据清洗所要做的工作,主要包括数据去重,数据去空,剔除非法时间段的数据,还要剔除逻辑错误数据,包括同站进出,出站时间小于进站时间,同时会去除掉无用的列,为了提高后续处理性能。清洗完成后,可以选择导出结果数据,保存中间结果。1.2 短时 OD 客流数据生成模块需要导入的数据是清洗后的正确的 AFC 刷卡数据,同时设置 5min,10min 和 30min 三个时间间隔选项,主要功能是通过海量的 AFC 刷卡数据,基于选定的时间间隔,针对轨道交通网中所有的 OD 对统计短时客流量。统计规则是只要 AFC 数据中某OD 数据在时间间隔内没有出站记录,即在该统计时段的客流数据上自加 1,OD 客流数据示例如表 2所示,其中 OD_PAIRS 代表的是 OD 对,数据中,下划线前是 O 站点编号,下划线后是 D 站点编号,表中以 15min 客流统计为例。同样的,客流数据生成后,也可以单独导出,保存中间结果。表 1 AFC 原始刷卡数据START_DATE(进站刷卡时间)START_ADDRESS(进站站点)TRADE_ADDRESS(出站站点)TRADE_DATE(出站刷卡时间)8:59:55126302100012680170009:33:168:59:55124102100012680120009:44:058:59:55126303100012680120009:47:248:59:55126102400012630250009:48:138:59:55126801700012620160009:37:20 深圳地铁 2018/4/1表 2 短时 OD 客流量示例(人次/15min)OD_PAIRS(OD 对)9:00:009:15:009:30:009:45:001263021000_126303100054271263021000_126304100021351263021000_1263051000172120101263021000_126306100012161681263021000_12630710006489 深圳地铁 2018/4/1951.3 短时 OD 客流预测模块短时 OD 客流预测模块,需要导入的数据,包括上一步导出的客流数据,模块包括了 ARMA、ARI-MA、卡尔曼滤波模型、RNN、LSTM,5 种客流预测方法,预测的方法虽然不同,但是预测的目的,都是采用历史一段时间的 OD 客流数据,去预测未来一段时间的 OD 客流。通常,在导入客流数据时,要预留30%的数据量,用以保证在后一模块评价预测的准确性,以及对比分析不同方法的预测结果。所以,预测的时间段选择,通常要和预留数据的长度相吻合。当然如果是单独使用本模块进行短时客流预测的实验教学,可以不遵守此规则,理论上可以预测未来任何时长的客流数据。1.4 预测结果评价和对比模块预测结果评价和对比模块,需要导入的数据是前面模块得到的 OD 短时客流测试数据和预测数据。系统中集成的评价方法包括 MAE(平均绝对误差)和 MAPE(平均绝对百分比误差),此处需要注意的是,导入数据时候必须选择所用的预测方法,用以生成统计图表,如果人为选错了预测方法,则会导致预测和对比结果有误。如果需要对比不同方法的预测结果,则再次点击导入即可,计算得到的预测结果会自动加载到同一图表中。预测和对比的图表制作完成后,支持图片下载。2 系统硬件组成城市轨道交通短时客流预测实验教学系统,虽然需要采集 AFC 数据,但是认为数据是现成的,所以系统硬件组成中不包括 AFC 数据采集部分,但是客流预测系统又需要对大量数据进行存储、处理,并存储中间结果,同时系统是多用户系统,出于可靠性考虑,部署分布式数据中心。数据中心物理上分为四个分区,原始数据区,清洗后数据区,训练数据区,结果分析数据区,这样做是为了分离风险,通过数据层隔离各模块间的耦合影响,避免某一模块出现异常导致整个系统数据丢失。采用分布式文件系统,挂载各个数据中心到同一系统路径下,再部署 ftp 文件系统,对外统一提供文件服务,用以支持后续的面向用户数据导入导出功能。系统服务部分整体采用 B/S 架构设计,各服务模块采用服务化方式分布式部署,由于各模块间已经通过数据隔离的方式实现完全解耦合,所以采用分布式服务化部署,可以保证各模块独立运行,互不影响,提高系统整体效率和可靠性,所有业务数据放入mysql 数据库。系统硬件组成和架构如图 2 所示。图 2 硬件架构框图此外,实验教学系统为了满足不同班级,不同教师和学生同时进行实验实践教学的需求,采用多用户模式,为各用户提供单独的账户密码,支持多人同时登录系统使用。3 系统软件组成城市轨道交通短时客流预测实验教学系统软件部分,主要是根据功能的不同,划分成:数据准备、客流预测、结果评价三个功能模块。另外由于需要支持多用户访问,教学系统软件中包括了登录登出模块,并且每个用户由于角色不同,需要控制不同角色的权限,所以系统中设计了权限管理模块。总体软件结构如图 3 所示。图 3 软件架构框图系统在数据层采用分布式存储方案,但是使用统一的 FTP 服务器对应用服务层提供数据服务,应用服务层使用组件化+业务模块化的方式设计,整体包括业务模块,基础组件和外部数据接入三个模块,采用统一的云服务框架整合起来,对用户提供B/S 的服务,用户可以直接在浏览器进入系统域名06 杨群,等:城市轨道交通短时 OD 客流预测实验教学系统设计进行访问。3.1 用户登入与退出本系统的用户,由管理员给固定的用户开放账号,用户使用各自的用户名和密码,自行登录系统,用户登录的操作界面如图 4 所示,点击右上角登录按钮,会自动弹出用户名密码输入框。图 4 用户登录软件操作界面进入系统后,页面右上角有退出按钮,用户在使用完系统后可以点击退出按钮,退出整个系统。3.2 数据准备数据准备一级菜单,主要功能是完成原始 AFC数据导入,原始 AFC 数据清洗,AFC 数据转换为 OD客流数据,OD 客流数据导出四个步骤,为使用方便,采用从左到右的流程式图形化的操作模式,界面简洁清爽,数据准备软件操作界面如图 5 所示。图 5 数据准备软件操作界面使用过程中,首先需要维护站点信息,按照站号-站名的 key-value 形式将站点信息输入到图 5 中左上角所示输入框中,这里维护站点信息的作用,主要是将 AFC 刷卡数据中的站点和真实的站名关联在一起。接着用户需要上传原始的 AFC 刷卡数据,点击“原始 AFC 刷卡数据”右边的导入数据按钮,即可将原始 AFC 数据导入到页面中的表格中,这里START_DATE 是乘客进站刷卡时间,TRADE_DATE是乘客出站刷卡时间,START_ADDRESS 是进站站点,TRADE _ADDRESS 是出站站点。将原始 AFC 刷卡数据导入系统以后,就可以进行数据清洗,点击图中“原始 AFC 刷卡数据清洗”按钮,这步操作会将原始 AFC 刷卡数据中错误和重复的数据清洗掉,更重要的是结合客流预测具体场景,会将逻辑错误的数据也同时剔除掉,如:去除超出数据时间段的数据,去除进站和出站相同的数据,去除出站时间小于进站时间的数据,最后还要去除掉除进出站点和时间以外的所有无用列。此时在页面上就会呈现已经清洗完成的数据,用户可点击“原始AFC 刷卡数据”右边的导出按钮,导出清洗完成的中间数据。数据准备阶段的最后一步,用清洗后的 AFC 刷卡数据,合成 OD 客流数据。统计 OD 客流数据之前,首先必须要准备好清洗完成的 AFC 刷卡数据,这意味着如果用户有清洗好的 AFC 数据,也可以直接导入进行这步计算,增强功能的灵活性。其次是必须要选定一个时间间隔,最后点击“AFC 刷卡数据转换”绿色按钮,即可开始 OD 客流统计,用户等待系统计算完毕后,页面中 OD 客流数据表单中出现计算完成的数据。用户同样可以点击“OD 客流数据”表单右边的导出按钮,将统计好的 OD 客流数据当作中间数据手动保存。3.3 客流预测客流预测一级菜单,主要功能就是首先导入已完成清洗的原始客流数据,点击页面中“原始客流数据”区域的右上角上传按钮,就可以导入数据并显示在该区域,这里虽然没有限制用户必须导入已经清洗过的数据,但是为了预测的准确度,推荐导入已经完成清洗的纯净数据。接着需要设定站点数量和时间间隔,设定这两个参数主要是为了确定预测模型中的相关参数。然后就是选择预测的算法,系统中已经内置了 ARMA、ARIMA、卡尔曼滤波模型、RNN、LSTM 五种预测算法,但用户需要在一次训练和预测实验中,只选择一种方法。接着,用户需要先点击训练按钮,系统自动使用原始数据和选定的算法进行预测模型的训练,系统默认了 1000 次迭代,这样就可以计算出一组模型的参数。最后,用户可以点击预测,系统默认预测原始数据之后依次 10 个时间段的客流数据,并且将结果展示在“预测 OD 客流数据”的表格中,如图 6 所示。在预测完成后,用户可点击“预测 OD 数据”表格右边的下载按钮,保存本次预测的结果,当用户使用多种算法完成预测后,可以将结果分别保存,然后在结果评价模块进行对比分析。16图 6 客流预测软件操作界面3.4 结果评价结果评价一级菜单,主要功能包括预测数据的导入,真实数据的导入,结果评价指标选择和计算,图表化展示,统计图表下载。为了分析比较不同算法在 OD 客流预测中的表现,选取平均绝对误差(MAE)与平均绝对百分比误差(MAPE)对其预测结果进行评价 9-10,其计算公式分别如下:E-MAE=mi=1xi-xim(1)E-MAPE=mi=1xi-xixim 100%(2)其中,xi表示预测值,xi表示真实值,m 表示预测数据量。平均绝对误差(MAE)反映了所有 OD 对的预测 OD 客流量值偏离实际 OD 客流量值的平均距离大小;平均绝对百分比误差反映了所有 OD 对的预测量偏离实际量的平均比例。用户首先需要选定预测算法、评价指标和时间间隔,然后再分别上传相应的 OD 客流预测数据和OD 客流真实数据,这样就完成了结果统计的准备工作。接着点击页面右上角的“绘图”按钮,即可绘制一条曲线,如图 7 所示,系统支持用户多次上传结果数据,并且可以将所有曲线画在同一图中,方便用户对比分析。最后,用户可点击结果统计图右上角的下载按钮,将结果数据和统计图下载下来,方便在实验报告或论文中使用。4 结语本文设计了一套基于地铁 AFC 刷卡数据的城市轨道交通短时 OD 客流预测实验教学系统。本实验系统采用了基于权限控制的多用户模式,可以满足线上线下多学生同时进行实验,设计了分布式数图 7 结果评价软件操作界面据中心为所有用户提供可靠的全阶段数据服务。OD 客流预测实验教学系统软件部分分为数据准备、客流预测、结果评价三个模块,分别处理客流预测实验过程中的三个阶段,并且三个模块相互独立,学生可以分阶段进行实验,也可以分别下载各阶段的结果数据。该实验平台在深圳技术大学城市交通与物流学院的四创实践课程中已经投入使用,很大程度上激发了学生对于客流预测的兴趣,并且通过实践,加深了学生对客流预测常用算法特性的理解,使学生切实体会到了人工智能技术在交通领域工程实践中的应用。随着以创新和实践为导向的应用技术大学实践教学的逐步开展,该实验平台的应用能促进对学生创新思维的锻炼,充实和拓展了轨道交通专业传统客流清分和客流预测的教学方式。参考文献(References):1韩宝明,代位,张红健.2018 年世界城市轨道交通运营统计与分析J.都市快轨交通,2019,32(1):9-14,85.2 韩宝明,李亚为,鲁放,等.2021 年世界城市轨道交通运营统计与分析综述J.都市快轨交通,2022,35(1):5-11.3 张琳.基于深度神经网络的地铁客流预测系统研究D.北京:北京交通大学,2019.4 杨静,朱经纬,刘博,等.基于组合模型的城市轨道交通短时客流预测J.交通运输系统工程与信息,2019,19(3):119-125.5 李若怡.基于改进时空 LSTM 模型的城市轨道交通系统 OD 客流短时预测D.北京:北京交通大学,2019.6 郑丽娟.基于城市轨道交通网络运营的客流分布预测研究D.上海:同济大学,2008.7 玄玉波,黄红艳,陈玫玫,等.面向全景与目标识别的嵌入式实验系统设计J.实验室研究与探索,2020,39(9):84-87.8 张晓梅,鲁工圆,何必胜,等.基于城市轨道交通调度指挥仿真系统的实验教学研究J.实验室科学,2019,22(3):134-138.9 WuY,Tan H.Short-term traffic flow forecasting with spatial-temporal correlation in a hybrid deep learning frameworkJ.arX-iv preprint arXiv:1612.01022,2016.10 FuR,Zhang Z,Li L.Using LSTM and GRU neural network methods for traffic flow predictionC/2016 31st Youth Aca-demic Annual Conference of Chinese Association of Automation(YAC).IEEE,2016.26