基于新冠疫情下的城市轨道交通客流监控研究

宋著坚

2020年一场新冠疫情给人们生活和出行带来了前所未有的影響，其中承担城市内通勤、出行优先选择的城市轨道交通也面临着从未有过的运营情况，线网客流从疫情爆发后出现断涯式下降。但随着复工复产和疫情防控推进，政府主管部门对城市轨道交通的列车拥挤度要求越来越高，一边是逐渐增加的客流量，一边是严格控制列车满载率，这给运营单位对客流预测和管控提出了更高的技术要求。本文结合国内疫情期间轨道交通客流变化分析，对疫情下轨道交通短期客流预测及管控方案进行探讨。

一、疫情下客流特征

以H市为例，H市轨道交通客运量由1月140万人次骤降到了 2月初10万人次，客流下降了约92%。随着2月中旬企业复工，客流也逐步增长，直至恢复至疫情前水平。如图1所示。

在客流极低的运营情况下，原有的客流监控范围、预测方法和客流分析体系已经不能适用。在客流增长时，急需结合疫情变化，制定全面的客流监控方案，对后续客流增加进行有有效的监控和预测，以应对突发客流增长时运力不匹配问题。因此必须建立一个有效的客流监控的体系，准确掌握线网客流变化情况，及时发布预警。

二、客流监控内容

（一）客流量监控

客流总量反映线网客流规模，是客流监控的首要指标。在疫情期间，客流量指标分为两个方面，一是实时日客流量监控，二是周客流量走势监控。实时日客流量监控反映当日客流的增长情况，在早高峰结束后，就可以发现今日客流的总体规模变化。客流量监控一般是对进站客流的监控，由进站客流乘以一个设置好的乘客换乘比例得出实时客流量，因此客流总量监控数值存在一定误差。

（二）断面客流量监控

断面客流量中“最大断面客流量”反映列车上乘客聚集密度，行业内以1小时内断面输送的乘客总数量为指标，该指标和每小时投入该区间的列车数量有关，运营单位可通过增加在线列车数量来降低断面满载率。断面客流量监控是线网客流监控面临最难的一项工作。随着复工复产的进行，交通运输部也下发了不同防疫级别下的最高断面客流要求（交运明电[2020]84号），见表1。

最大断面客流也具有时段性的特点，在早晚高峰的特定区段，断面客流量会达到高峰。目前各城市地铁均有线网断面客流监控系统，实时监控线网断面客流情况。上述系统是在历史客流数据基础上，结合当日实时进站量数据和列车运行图数据进行客流模拟预测。

（三）站台客流量监控

许多城市地铁站与机场、火车站、汽车站都有换乘，在疫情期间对与地铁外交通工具衔接车站以及重点换乘车站的进出站量监控（包括站台拥挤度）非常有必要，防止发生突发大客流事件。

三、客流预测

Y：该时段历史客运总量与历史日客流总量比

该方法是由于每小时段的客运量与最终的客运量有一定的比例关系，借助这个特点进行当日最终客流量的预测。预测的精度一是取决于进站数据的实时性和准确性，二是取决于数据的粒度。

（二）周客流趋势预测

周客流预测基本能够反映下一周客流增长情况。疫情期间对下周客流量的预测也是特别的重要，便于运营方提前对下一周的运输计划进行调整准备，适应客流变化的需求。周客流预测主要是通过每周客流增长（降低）趋势，以及周每天之间客流比例关系进行预测。由于周客流预测规律性太强，遇发生外部事件会导致预测偏差，所以周客流预测仅作为后期客流管控的准备和参考。考虑到周客流预测的周期较大，在实际预测时，一般是每天做未来7日的客流预测，以提升预测的实时性和准确度。

（三）断面客流量预测

1、国内相关研究

断面客流量预测短时预测模型，主要分为两大类：理论驱动模型和数据驱动模型。理论驱动模型主要有动态交通分配模型；数据驱动模型主要有时间序列模型、卡尔曼滤波模型、非参数回归、神经网络算法和支持向量机等单个模型以及小波变换、贝叶斯分解、经验模式分解等组合模型。模型的可靠性及可操作性对预测结果的准确性和实时性起决定作用。在实际应用中，模型的选择至关重要。

断面客流量预测在业内有深入的研究，并在各大城市轨道交通行业内进行实现，以下是相关研究的预测数据流程图（见图2）。从下图看出，预测的重点是第一步客流分配模型的的创建，因为实时客流的进出站数据是无法准确匹配，需要模型结合每个乘客的出行规律、历史出行情况、进行预测性的分配。

2、简单比例预测法

简单比例预测法是找出线网实时进站量和断面客流量的关系进行趋势预测，下图为历史小时进站量和断面客流比例预测图，如图3所示。