ｌｇ垂 瓣罄 器罄 § ２０１ １．０４《城市公共交道》ＵＲＢＡＮ ＰｕＢＬＩｃ ＴＲＡＮ￣ＯＲＴ 擎漉 ∥ 丁蕾徐永能姜毅 （南京理工大学交通工程系南京２１００９４） 摘 要：将地铁中高峰时段购票客流看成排队论系统，结合排队论知识进行数据优化，利用ＭＡＴＬＡＢ编制 ＢＰ神经网络模型的程序，建立仿真并预测站点购票客流及自动售票机的需求量，从而达到应急售票服务的优 化。提升乘客服务满意度。并以某市大客流站点的客流数据进行论证。 关键词：排队论；ＢＰ神经网络模型；应急售票；优化 中图分类号：Ｕ２３１ ．９２ 文献标志码：Ａ Ｓｔｕｄｙ ｏｎ Ｐｒｅｄｉｃｔｉｏｎ ｏｆ Ｔｉｃｋｅｔ Ｐａｓｓｅｎｇｅｒ Ｆｌｕｘ ａｔ Ｕｒｂａｎ Ｒａｉｌ Ｔｒａｎｓｉｔ（ＵＲＴ）Ｓｔａｔｉｏｎｓ ａｎｄ Ｏｐｔｉｍｉｚａｔｉｏｎ Ｍｅｔｈｏｄｓ Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｔｒａｎｓｐｏｒｔａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎａｍｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ＆Ｔｅｃｈｎｏｌｏｇｙ，Ｎａｍｉｎｇ Ｄｉｎｇ Ｌｅｉ Ｘｕ Ｙｏｎｇｎｅｎｇ Ｊｉａｎｇ Ｙｉ Ａｂｓｔｒａｃｔ：Ｔｈｉｓ ｐａｐｅｒ ｃｏｎｓｉｄｅｒｓ ｓｕｂｗａｙ ｔｉｃｋｅｔ ｐａｓｓｅｎｇｅｒ ａｓ ａ ｑｕｅｕｉｎｇ ｓｙｓｔｅｍ ａｔ ｒｕｓｈ ｈｏｕｒｓ，ｃｏｍｂｉｎｅｓ ｑｕｅｕｉｎｇ ｔｈｅｏｒｙ ｆｏｒ ｄａｔａ ｏｐｔｉｍｉｚａｔｉｏｎ，ｕｓｅｓ ＭＡＴＬＡＢ ｔｏ ｐｒｏｇｒａｍ ＢＰ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｍｏｄｅｌ，ｂｕｉｌｄｓ ｉｍｉｔａｔｉｏｎ，ｐｒｅｄｉｃｔｓ ｔｈｅ ｔｉｃｋｅｔ ｐａｓｓｅｎｇｅｒ ｆｌｕｘ ａｎｄ ｔｈｅ ｄｅｍａｎｄ ｏｆ ＴＶＭ，ｔｈｕｓ，ｏｐｔｉｍｉｚｅｓ ｅｍｅｒｇｅｎｃｙ ｔｉｃｋｅｔ ｓｅｒｖｉｃｅ ａｎｄ ｉｍｐｒｏｖｅｓ ｃｕｓｔｏｍｅｒ ｓａｔｉｓｆａｃｔｉｏｎ．Ｗｅ ｃｈｏｏｓｅ ｔｈｅ ｄａｔａ ｏｆ ｐａｓｓｅｎｇｅｒ ｆｌｕｘ ａｔ ｂｕｓｙ ｓｔａｔｉｏｎｓ ｆｏｒ ｄｅｍｏｎｓｔｒａｔｉｏｎ． Ｋｅｙ ｗｏｒｄｓ：Ｑｕｅｕｉｎｇ Ｔｈｅｏｒｙ；ＢＰ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｍｏｄｅｌ；Ｅｍｅｒｇｅｎｃｙ Ｔｉｃｋｅｔ；Ｏｐｔｉｍｉｚａｔｉｏｎ 城市轨道交通正处于快速发展的阶段，但是 启动相应的纸质车票应急方案．通过发售纸质车票 我国城市轨道交通的发展还不够成熟。在轨道交 来加快客流的疏散，缓解自动售票机的工作压力和 通带来巨大的社会、经济效益的同时，也有部分 购票排队长度。但是，对于早晚高峰和周末的大客 城市由于运营经验不足、技术和人员投人有限、 流。还没有实施车票应急方案，且在客流疏散的过 客流的快速增长等原因，带来了一系列的运营服 程中并没有考虑排队时间和购票客流的预测。纸票 务问题，导致城市轨道交通服务质量的下降。如 的配备一般凭经验，缺乏一定的理论依据。本文针 何提高运营服务质量，将成为城市轨道交通发展 对这一现状采用ＢＰ神经网络做站点购票客流预测， 的重要方面。 并采用排队论模型进行应急售票优化研究。 乘客排队购票的难易程度将会影响乘客的出行 时间。而乘客到达间隔时间的随机性和客流量是排 １ ＢＰ神经网络站点购票客流及 队现象产生的原因。因此，在客流高峰时间，乘客 ＴＶＭ需求量预测 在自动售票机前的排队现象是不可避免的。如果增 设自动售票机（ＴＶＭ）的数量，就要增加投资和设 备的维护管理，但同时也会发生非高峰客流时间的 １．１神经网络模型理论 空闲浪费；如果设备太少，排队现象就会严重，对 ＢＰ神经网络是由Ｒｕｍｅｈａ￣．Ｈｉｎｔｏｎ和Ｗｉｌｌｉａｍｓ 乘客和公司都会带来不利的影响。因此，管理人员 完整提出的，是一种单向多层前馈神经网络．它包括 必须考虑如何在两者之间寻找平衡点，制定相应的 １个输人层、１个输出层和１个或多个隐含层．同层 对策．以提高服务质量和效率。 神经元间无关联，一层神经元间向前连接，根据对象 目前。国内一些地铁公司在节日客流高峰时， 的复杂程度，选择适当的网络结构，就可以实现从输 ・５２・ ＵＲＢＡＮ ＲＪＢＵＣ＂ｌ＇Ｒ／ｄＳＦＯｆｆｆ《城南公凝交通》２０１１．ｏ４ 入空间到输出空间的任意非线性函数的映射。如图１ 所示是一个经典的ＢＰ网络结构模型。 １．２ ＢＰ网络结构 输出层 设计 本设计采用ＢＰ神 隐含层 经网络模型．实现对未 来若干时间段内某站点 输出层 购票人数进行预测。站 点某时段的客流总量可 图１ ＢＰ神经网络结构模型 以通过以前该时段的客流利于ＢＰ神经网络的方法进 行预测，在这里就不做介绍。在对地铁相应站点售票 系统网络中的售票信息进行实时预测时，购票人数和 应急纸票配备与时间及该站点以前的客流情况有着必 然的联系，因此在站点客流预测的结构设计中，通过 以前的客流总量、持卡人数、购买单程票人数及 Ｉ丝查ｌ ＴＶＭ数量去计算排队长度．并通过调查设置最大排 图３计算程序流程图 队长度，预测ＴＶＭ需求量，进行应急售票的优化。 输入层采用３个神经元：Ａ１、Ａ２、Ａ３分别表示 星期数、某站点高峰时段的客流总量和排队长度：输 出层采用３个神经元：Ｂ１、Ｂ２、Ｂ３分别表示高峰时 通过排队论模型及站点客流、购票客流比和正 段持卡客流量比．高峰时段单程票客流量比和ＴＶＭ 常工作的ＴＶＭ数量及虚拟ＴＶＭ数量，使服务强度Ｐ 需求量，网络结构如图２所示。 满足ｐ＜１的情况，再计算排队长度，优化前期的仿 由于节假日和非节假日的客流信息存在较大差 真数据。设置最大排队长度，通过神经网络站点客 异，因此，选取数据时要将节假日和非节假日的高峰 流预测模型预测站点客流购票人数及 ｒｖＭ需求量， 时段数据分开．以提高预测结果的精度。 最终设定人工售票点和应急纸票配备数。 ２．１排队论概述 地铁售票系统是平行排队的多服务台系统，乘 客到达后可以排在任何一个队列中．所以最后的队 长基本相等。乘客的到达分布属于泊松分布Ｐ（Ａ），Ａ 为平均到达率。服务时间服从负指数分布。因此由ｎ 台地铁自动售票机所组成的售票服务系统看成是ｎ 个ｍ／ｍ／１／∞／ｏ。／ 单通道排队系统。 图２站点客流预测的ＢＰ神经网络结构 但对于ｍ／ｍ／１／ｏ。／Ｏ０／ＦＣＦＳ系统，当到达率Ａ 大于服务率ｔｚ时，系统中的乘客将会越聚越多，无 １．３ ＢＰ神经网络站点购票客流及ＴＶＭ 法消散．排队长度的计算也将没有意义。 需求量预测方法 ＢＰ神经网络站点客流预测流程如图３所示： 图４排队系统 ・５３・ ２０１ １．Ｏ４《城市公共交遘》ＵＲＢＡＮ Ｒ，￣ＩＣ ＴＲ＾｝ｌ８Ｐ０町 ２．２模型构建 某地铁站设有购票处，有ｎ台自动售票机供购 票人员等候购票。设每小时到达地铁站的客流总量 具体的数据如下表所示： 表１ Ｓ市某地铁站客流信息表 为Ｘ人，需要购票的人数平均每小时Ｙ人，每个人 的平均购票时间３０ｓ，且服从泊松分布。但高峰时 段．地铁售票服务系统中乘客的到达率Ａ往往是大 于服务率 的，要想解决此问题，就应该配备相应 的人工售票点提高系统的服务水平，满足服务强度 ｐ＜１的情况。依据排队论的知识可以得出： 单位时间（每小时）内每台自动售票机前平均 到达的顾客数为： Ａ＝Ｙ／ｎ； （１—１） １ ２ ３ ４ ５ １ ２ ４５１１ ｉ ６．９９７４ ０．６５８ ４０６０ ４１ １５ ４０３７ ４０５８ ４０６３ ４０８３ ０，３４２ ０．３３４ ０—３４６ ０．３２９ ０．４０３ ０。３２８ ０．４０２ １２＋３ ｌ２＋１ １２＋２ １２＋１ １２＋４ １２＋１ １２＋４ ７．６４８６ ６．５５７１ ６．７２９２ ６．７４５７ ６；．８６２１ ６，８９０８ ０．６６６ ０．６５４ Ｏ．６７１ ０．５９７ ０．６７２ ０．５９８ ４３０７ ４ ５ 氆９８８８ ６，９７３６ ６．６９５７ ０，６１８ ０．６７８ ０．６１３ ０．３８２ ０．３２２ ０．３８７ １２＋４ １２＋１ １２＋４ ４ ５０ ４２４９ 单位时间（每小时）内受到服务的顾客平均数 （平均服务率）： ＝ｉ ｌ ４０３８ ８，７１４７ ０．６５８ ０．３４２ １２＋１ ２ ４１７９ ４２０７ ４Ｉ３６ ５．９１１ ９．２６７２ ５．９４５１ ０．６５６ ０．６８１ ０．６３８ ０．３４４ ０．３１９ ０．３６２ １２＋２ １２＋０ １２＋３ １２０； （１—２） ３ ４ 服务强度： ｐ： ： ｎ／ｘ ； （１—３） ５ ｌ ２ ３ ４４０３ ４１４５ 辱ｏ１４ ４２４９ ６．８０６５ ６．４０２２ ７．４２０２ ６．２２６１ ０．６２８ ０．６５８ ０ ６１２ ０．５９７ Ｏ．３７２ ０．３４２ ０．３８８ ０ ４０３ １２＋４ １２＋２ １２＋３ １２＋５ 系统中的平均排队长度： ｇ＝古＝ ；；（ （１－４一） ４ ５ ４３１ ０ ４６８２ ７ ７ ０．６７８ ０，６４３ ０．３２２ ０．３５７ １２＋１．５ １２＋４．３ 利用公式（１—４）优化前期的训练样本数据，并 在程序中设定ＴＶＭ需求量与购票人数的关系，输出 预测值。 假定某站点自动售票机共有ｎ 台，自动售票机 说明：表格中自动售票机１、，Ｍ数量加号右侧的数据 为优化排队长度所添加的虚拟数据 训练函数的误差曲线图如图５所示．当最大训 人工售票的效率是自动售票机的Ｚ倍，则需增加人工 售票点的数目ｎ 为： ｎ ＝［ 】；（１—５） 练次数达５４４次时。其均方误差达到目标值 ｍｓｃ＝０．００９６１１７４ 如果ｎ＜ｎ ，则不需要配备人工站点。 ３应用算例 选取Ｓ市某地铁站一个月内周一到周五（非节 假日）早高峰８：００—９：００的客流数据，共２０组。 输入的２０组样本中，取前１５组为训练样本Ｐ。中间 ３组作为校正样本ｐ１，后２组作为测试样本ｐ２。最 后两组数据的排队长度设为固定值６，即期望通过 ＴｖＭ数量的优化控制购票排队长度，使最大排队长 度为６．进而提升顾客的满意度。 ・图５ ｉ／ｉＩ练函数的误差曲线 （下转５９页） ５４・ ｕ髓州 札Ｉｃ ＴＲＡＮＳＰＯＲＴ《城市公麸交通》２０１ １．０４ 理智、高效使用有限的交通资源，考虑把限制汽车 增长及出行的措施看作“交通需求”的主要措施。 （５）提高交通信息化、智能化水平。通过信息 化、智能化提高城市交通的管理和服务能力，给出 然非常粗糙，对郑州城市公交价格需求弹性的研究， 还应该在线路、时段、距离、车型细分基础上深入 拓展研究。 参考文献： 【１］郑州市统计局．郑州统计年鉴（２０００—２０１０）【Ｍ】． 北京：中国统计出版社 行者提供及时交通状况信息和最佳出行方案，使出 行者避免陷入阻塞行列，也因而避免交通的更严重 阻塞，以达到科学交通行为的目的。 （６）谨慎运用价格手段调整地面公交。通过对 ［２】【美】阿瑟・奥沙利文．苏晓燕等译．城市经济学（第 四版）【Ｍ】．北京：中信出版社，２００３ 【３】严作人．运输经济学【Ｍ】．北京：人民交通出版社，２００３ 居民的抽样调查以及对公交运营机构的访谈，大部 分居民认为郑州市地面公交定价总体基本合理。根 据本文的研究．价格调整本质上对交通出行需求改 变不大，而其联动作用明显。一方面公交的涨价会 【４】Ｖｉｃｔｏｒｉａ Ａ Ｐｅｒｋ，Ｊｏｅｌ Ｖｏｌｉｎｓｋｉ，Ｎｉｌｇｕｎ Ｋａｍｐ． Ｉｍｐａｃｔｓ ｏｆ ｔｒａｎｓｆｅｒ ｆａｒｅｓ ｏｎ ｔｒａｎｓｉｔ ｒｉｄｅｒｓｈｉｐ ａｎｄ ｒｅｖｅｎｕｅ【Ｊ】．Ｎａｔｉｏｎａｌ Ｃｅｎｔｅｒ ｆｏｒ Ｔｒａｎｓｉｔ Ｒｅｓｅａｒｃｈ， ２００４（１２）：３－１２ 为市民尤其是低收入人群带来更大的生活压力；另 一方面盲目的降价会短期影响交通结构，影响交通 ［５】孙甍，严作人．公交需求价格弹性计算和公交政策 刍议【Ｊ】．城市公用事业．２００６，２０（５）－３—７ 【６】张明海．上海市公交价格需求弹性估计【Ｊ］．上海 管理科学，２００４（６）：２８—２９ 系统的良性运行能力，广州亚运会地铁免费引起地 铁瘫痪是更为明显的实证。 考虑到郑州市公共交通的一般性，可以认为本 文的研究成果也基本上适用于国内其他的大中型城 市。同时，由于基础数据难以获得，以上的研究仍 【７】关蕾．城市公交票价定价模式研究【Ｄ】．西南交 通大学．２００７ （上接５４页） 有利于提高客流预测数据的精度．便于应急票的组 织与优化，提升售票系统的服务水平。尽量缩短排 训练结果 ｔ２２＝ｆ０．６７２２ ０．６４０１；０．３２７８ ０．３５９９；１３．７３５７ 队长度，提供乘客乘坐地铁的方便性，提高乘客的 满意度，提升地铁运营服务的质量，不但能够增强 企业的核心竞争力，还是城市轨道交通发展的需要。 建立一套科学的、具有可操作性的售票服务体系。 是轨道交通发展的必然趋势。 参考文献： 【１】费安萍．大客流地铁运营组织［Ｊ】．现代城市轨道交 通，２００５（２）：３３—３５ １６．３８２４］ 实际观测值 ｔ２：［０．６７８ ０．６４３；０．３２２ ０．３５７；１３．５ １６．３］； ＭＳＥ１－－ｍｅａｎ（（ｔ２－ｔ２２）．＾２）＝［０．０１８５ ０．００２３］ 实际运用时，ＴＶＭ需求量取整，并保证排队长度 不超过预先设定的最大排队长度。由训练均方差可以看 出实际输出与目标输出之间的差距不大。在误差允许范 围内．该网络可以较为准确地预测出持卡进站客流量 比、购买单程票客流量比及自动售票机ＴＶＭ的数量。 此外，还可以结合预测的购票客流，配备人工 售票点及应急票，优化站点服务水平，应急纸票配 ［２】刘法胜等．排队论与银行的客户服务系统【Ｊ】．山 东交通学院学报，２００３（１） 【３】童飞．基于ＢＰ神经网络的水上交通事故预测及 ＭＡＴＬＡＢ实现【Ｄ】．武汉理工大学硕士论文， ２００５．９～１０ 备量一般为单程票的２０％一２５％。 ［４］孙志强等．神经网络原理与ＭＡＴＬＡＢ７实现【Ｍ】．北 ４ 结论 采用ＢＰ神经网络模型和排队论相结合的方法， 京：电子工业出版社，２００５，９９－１０４ Ｉ ５】纪莹，徐行方．基于排队论的售票厅售票组织优化 ［Ｊ】．交通与运输，２００８（１２）：１３４—１３６ ・５９・