摘要：在分析城市轨道交通客流运载情况的基础上，提出了一种基于深度学习的短时交通流预测方法，对北京地铁不同时段的客流量进行了预测，以期根据预测结果对应急救援站点资源配置方案进行有效设计与优化。
1.引言
近年来，我国人口与经济不断增长，城市化进程也快速发展，随着城市规模的不断扩大，社会经济活动的日益频繁，居民交通出行量由此被带动并大幅扩增。对此，优先发展公共交通成为有效缓解一系列城市交通问题的关键措施之一，城市轨道交通作为一种资源节约型和环境友好型的绿色交通工具得到大幅发展。以其容量大、速度快、安全可靠、准点舒适、节能环保等特点和优点成为城市居民出行时的首选公共交通方式。
目前，随着城市交通的日益拥挤，全国很多城市都在建设城市轨道交通。进入新世纪，尤其是2008年以后，我国通过扩大内需，促进经济平稳增长的一揽子计划，带动了国内基础设施建设的发展，加快了城市轨道交通建设。上海、北京、广州等城市的轨道交通路线已经形成了初步的网络，并且在逐步扩大。
在充分借鉴国内外先进经验的基础上，通过理论分析、现场调研，详细分析城市轨道交通客流的运载情况，有效把握客流规律，对短时交通客流进行预测，从而可以分析归纳应急救援站设置与应急资源配备的影响因素。在保障地铁突发事件应急救援有效性的基础上，有效减少地铁突发事件的财产损失和人员伤亡，大大提高地铁突发事件发生后的应急救援效率，进一步提高城市轨道交通预防和处理各种突发事件的能力，提升城市轨道交通应急救援与管理水平。
2.研究现状
国内关于应急资源配备的研究可以分为需求点配备和服务设施点配备两类。关于需求点的应急资源配备，主要是向突发事件发生地点输送和配置其需要的应急物资。针对多受灾点应急资源配置过程中出现的分配不均和资源竞争问题，王苏生和王岩[1]给出了一种以双层决策方法为基础的多受灾点应急资源配置模型。该资源配备理论依据应急出救就近原则，运用多受灾点多出救点动态优选策略，从而快速求取双层应急资源配置模型的全局最优解。对应急服务设施点进行资源配备，就是决策其应急资源存储量、补给量及管理标准等，从而能够满足其服务范围内应急服务需求点所需要的资源数量和配送要求。陈树群等人[2]建构了应急系统模型，该模型以gis为核心，主要应用于城市的突发性地质灾害等事件的应急辅助决策，模型通过对灾害现场以及救助机构的实时动态监视与控制进行救灾资源实时的调度和配置，进而来提高应急救援效率以及响应速度。
由以上分析可以看出,国内应急资源配备的研究针对需求点资源配送的较多，而关于应急服务设施点应急资源储备与管理的很少，尤其是应急服务设施点选址后，对各服务点应急资源配备、存储、补给的统一标准与分级标准至今几乎没有明确规定和要求。
在国外，shetty等人[3]在博弈论的基础上建立了多应急点的资源配置模型，运用nash均衡对模型中每种事故对应的资源配置方案进行优化求解，其中约束条件包括资源的可得到性、突发事件的严重程度和所需资源的数量等因素，该模型旨在缩短应急事故的应急响应时间，以最大程度的减少事故所带来的损失，但它仅适用与在同时发生多个中低级事故的情况，并且它要求应急救援资源必须安置在相同且固定的区域。
3短时地铁客流预测
地铁客流预测是指在t时刻对下一决策时刻t △t甚至以后更长时间段的地铁客流进行预测,通常认为,t到t △t之间的预测时间跨度不超过30min(甚至小于5min)的地铁客流预测为短时地铁客流预测。
3.1基于lstm的短时交通流预测模型
lstm（long short-term memory）属于循环神经网络rnn的一种，其加入了时间序列属性，对于短时交通流量随时间的变化能进行深层次的训练及特征提取，属于机器学习中的深度学习范畴。为了更好的构建基于lstm的短时交通流预测模型，在此之前先进行神经网络模型基础介绍及模型构建。
基于lstm的短时交通流预测模型，其具体处理步骤如下：
（1）首先对短时交通流数据进行预处理，对错误数据或缺失数据进行修正，得到有效的短时交通流量历史序列数据。
（2）对原始的短时交通流量历史数据进行归一化操作，得到范围在[0,1]之间的新数据。根据归一化数据，确定t时刻的前4个时刻的短时交通流量数据作为输入特征，形成4维的输入向量。
（3）确定模型结构及参数，设置超参数，主要包括每层的节点数、激励函数、学习率、目标函数、优化函数、批处理数量、迭代次数等。
（4）初始化权值矩阵，本文采用随机数设置。
（5）将短时交通流量数据输入到输入层，根据激活函数，得到输入层输出结果。
（6）将步骤（5）的结果与上一时刻隐含层输出结果及上一时刻cell状态值一起输入到此时刻的隐含层，经过三个控制门后，输出第一个隐含层结果。
（7）将第二个隐含层最终结果经输出层后，得到最终此时刻的短时交通流量预测值。
（8）根据预测值与实际值计算mse，作为误差目标函数。
（9）根据误差信号更新各层连接权值，直到达到期望误差或最大迭代次数后，停止训练。
（10）根据训练所得的误差最小的模型，得到此时刻的短时交通流量预测值。该值为归一化数据，再使用反归一化得到与原始数据量级相同的预测值，其为最终预测值。
3.2短时交通流量数据分析
针对应急物资的多资源调度问题，建立应急时间和运输成本最低的多目标优化模型，并采用邻域重叠和惯性因子线性变化等方法，提出全局和局部混合模式的改进的粒子群算法对其进行了求解，并取得较好的运算结果。
原始数据是2019年7月北京地铁afc数据,首先以五分钟为时间间隔,统计0:0:00到23:00:00的进站客流量数据,然后将客流量数据转变成以时间为横坐标、车站客流为纵坐标的二维数据。筛选05:00:00到23:00:00时间段内客流量数据,以五分钟为间隔统计13号线不同站的客流量数据,对原始数据进行归一化处理，划分训练集和测试集。应用lstm对数据进行处理后，工作日和双休日各站客流量分布如图1和图2。
由图1和图2可知,双休日由于进站客流较分散，工作日存在进站客流早晚高峰期。
4.结论
在方案设计和优化的过程中，通过建立基于lstm的短时交通流预测模型，对北京地铁不同时段的客流量进行了预测，后续会根据预测结果对应急救援站点资源配置方案进行有效设计与优化。
（本文得到北京联合大学2020年“启明星”大学生科技创新创业项目（202011417sj032）、北京联合大学2019年度校级科研项目（zk50201908）资助）
参考文献
[1]王苏生与王岩．基于公平优先原则的多受火点应急资源配置算法[j]，运筹与管理.2008(3):第16-21页．
[2]陈树群，陈联光，张锦家，等，台湾土石流危险区疏散避难规划[a]．第三届海峡两岸山地灾害与环境保育学术研讨会，2002．
[3]rashmi s．shetty．an event environment[d]．tampa bay：single game solution for resource allocation in a multi—crisis university of south florida．2004．
