鐵路樞紐出租車換乘系統(tǒng)調(diào)度優(yōu)化方法

張永陽(yáng)，張文斌，陳 堃，李士香，周竹萍，李 衛(wèi)

(1.南京忠設(shè)智能科技有限公司，南京 210013；2.揚(yáng)州市交通建設(shè)管理有限責(zé)任公司，江蘇 揚(yáng)州 225012；3.中建交通建設(shè)集團(tuán)有限公司，北京 100000；4.南京理工大學(xué) 自動(dòng)化學(xué)院，南京 210094)

隨著動(dòng)車組列車和高速列車的發(fā)展，鐵路出行旅客日益增多。2019年國(guó)家鐵路旅客發(fā)送量完成35.79億人，比上年增加2.61億人，增長(zhǎng)7.9%；2020年和2021年，在疫情影響下，國(guó)家鐵路旅客發(fā)送量仍分別完成21.67億人、25.33億人[1]。出租車作為鐵路樞紐與城市交通銜接的重要方式，其客流集散量約占鐵路客流集散總量的10%～30%[2]，目前,鐵路樞紐難以根據(jù)實(shí)際需要進(jìn)行出租車調(diào)度，常出現(xiàn)“車等人”或“人等車”情況，造成了資源浪費(fèi),因此,如何提升出租車調(diào)度的智慧性已成為亟待解決的問題。

為提高樞紐出租車換乘系統(tǒng)的運(yùn)輸效率和服務(wù)水平，國(guó)內(nèi)外專家學(xué)者展開了較多的理論研究。如林建新等[3]從優(yōu)化上車點(diǎn)數(shù)量出發(fā)，考慮乘客體驗(yàn)和管理難易度，建立多階段、多目標(biāo)整數(shù)優(yōu)化模型，并以南京南站為例進(jìn)行仿真驗(yàn)證，結(jié)果表明綜合指標(biāo)優(yōu)化42%；紀(jì)杰周等[4]結(jié)合排隊(duì)論的思想分析機(jī)場(chǎng)乘客數(shù)量的變化規(guī)律和出租車司機(jī)的收益，建立收益損益模型，對(duì)提高機(jī)場(chǎng)出租車的運(yùn)作效率提供了指導(dǎo)；Wang等[5]基于排隊(duì)論、仿真模型以及傳感器和無(wú)線通信技術(shù)，在終點(diǎn)站建立帶有模擬方法的出租車-乘客調(diào)度模型，通過模型曲線得到最優(yōu)乘客釋放數(shù)量；Zhong等[6]提出基于大數(shù)據(jù)方法的出租車指標(biāo)預(yù)測(cè)模型，構(gòu)建了一套反映機(jī)場(chǎng)樞紐集散系統(tǒng)獨(dú)特屬性的出租車運(yùn)營(yíng)與服務(wù)評(píng)價(jià)指標(biāo)體系，為其他交通方式和樞紐的整體評(píng)價(jià)提供參考；Yang等[7]推導(dǎo)了乘客和出租車的相關(guān)排隊(duì)指標(biāo)，提出一種乘客-出租車相匹配的排隊(duì)模型，揭示了多點(diǎn)位出租車?？空局谐丝秃统鲎廛嚨呐抨?duì)動(dòng)態(tài)，有助于根據(jù)交通狀況改善樞紐的服務(wù)水平；田冰等[8]從交通延誤、時(shí)間成本、供求關(guān)系出發(fā)，提出一種基于AHP-模糊綜合決策模型，平衡短途和長(zhǎng)途司機(jī)的收益；Abid等[9]將用戶偏好和乘客、出租車之間的距離作為參數(shù)，建立基于多準(zhǔn)則決策問題的出租車調(diào)度模型，結(jié)果表明乘客對(duì)該模型滿意度更高；Youngrae等[10]提出基于上下文匹配矩陣的區(qū)域不確定貪婪出租車調(diào)度算法，實(shí)現(xiàn)收益和利潤(rùn)最大化；Rajendran[11]采用混合仿真目標(biāo)規(guī)劃算法對(duì)大城市的空中出租車進(jìn)行實(shí)時(shí)調(diào)度，對(duì)樞紐出租車調(diào)度具備一定的借鑒意義。

綜上所述，目前國(guó)內(nèi)外學(xué)者的研究主要集中在宏觀層面的效率、利益最大化，在微觀層面的調(diào)度時(shí)間和數(shù)量確定等方面有所欠缺，且較少考慮乘客實(shí)際需求。基于此，文中提出了一種考慮實(shí)際需求、乘客需求優(yōu)先的鐵路樞紐出租車調(diào)度優(yōu)化模型，并以揚(yáng)州東站為例進(jìn)行驗(yàn)證，結(jié)果表明該模型能顯著提升鐵路樞紐出租車換乘系統(tǒng)服務(wù)水平。

1 乘客排隊(duì)時(shí)間預(yù)測(cè)方法

1.1 排隊(duì)乘客實(shí)時(shí)檢測(cè)與追蹤

近年來(lái)，機(jī)器視覺技術(shù)在目標(biāo)檢測(cè)方面取得了驚人成就，以其無(wú)接觸、自動(dòng)化、智能化的優(yōu)點(diǎn)成為各種智能交通設(shè)施的技術(shù)選擇[12]，且目前鐵路樞紐出租車上客區(qū)域均安裝了攝像頭，攝像頭視角如圖1所示。

圖1 出租車排隊(duì)區(qū)域攝像頭視角

該視角下排隊(duì)乘客遮擋比較嚴(yán)重，無(wú)法對(duì)乘客整體進(jìn)行檢測(cè)，因此用較為顯眼的乘客頭部來(lái)替代乘客整體進(jìn)行檢測(cè)和跟蹤。文中采用目標(biāo)檢測(cè)算法Yolov5系列的s、m、l、x 4個(gè)版本中最輕量級(jí)且運(yùn)行速度最快的Yolov5s模型對(duì)乘客進(jìn)行檢測(cè)，在檢測(cè)速度和檢測(cè)精度上均能滿足實(shí)際需求[13]。

Yolov5所使用的CSP結(jié)構(gòu)主干網(wǎng)絡(luò)內(nèi)存需求大、運(yùn)算量大，為提高頭部檢測(cè)速率，使用MobileNet-v3取代Yolov5s的Backbone主干網(wǎng)絡(luò)[14]，有效減少模型參數(shù)的總量與運(yùn)算量，以滿足實(shí)時(shí)性需求。MobileNet-v3通過加入DW卷積、PW卷積使網(wǎng)絡(luò)運(yùn)算參數(shù)大幅度減少(約為原來(lái)普通卷積的1/8～1/9)。DW卷積和PW卷積原理如圖2～3所示。

圖2 DW卷積

圖3 PW卷積

在攝像頭視角中，靠近攝像頭的人頭往往較大，遠(yuǎn)離攝像頭的人頭較小，排隊(duì)乘客頭部尺度變化大，且背景雜亂，頭部遮擋嚴(yán)重，傳統(tǒng)方法使用單一的特征圖進(jìn)行檢測(cè)往往不能取得很好效果，檢測(cè)精度不高。為解決上述問題，基于Yolov5s，在特征處理層增加多尺度特征融合模塊(MSFFM)[15]，該模塊可以融合不同層的特征，降低特征層的獨(dú)立性，保留不同層次的特征信息。使用多尺度特征融合模塊將提取的特征融合后分層進(jìn)行檢測(cè)，能夠檢測(cè)不同尺度的乘客頭部，提升檢測(cè)精度。

通過改進(jìn)的Yolov5s算法能實(shí)時(shí)檢測(cè)出租車上客區(qū)域乘客的頭部數(shù)量，從而檢測(cè)實(shí)時(shí)排隊(duì)人數(shù)，在檢測(cè)算法上增加Deepsort追蹤算法對(duì)排隊(duì)乘客進(jìn)行跟蹤，檢測(cè)得到每名乘客的上車時(shí)間，從而獲取乘客的上車時(shí)間間隔。Deepsort主體采用卷積神經(jīng)網(wǎng)絡(luò)(CNN)來(lái)提取被檢測(cè)物體的外觀特征，每生成一次檢測(cè)和追蹤的結(jié)果，都會(huì)對(duì)物體外觀特征進(jìn)行提取并保存，計(jì)算被檢測(cè)物體在當(dāng)前幀的外觀特征和前一幀存儲(chǔ)的外觀特征的相似度，若相似度高于閾值則認(rèn)為是同一目標(biāo)，有效減少目標(biāo)的丟失情況[16]。利用檢測(cè)和追蹤算法對(duì)即將上車區(qū)域內(nèi)檢測(cè)到的乘客頭部進(jìn)行追蹤，分別按順序記錄排隊(duì)區(qū)域內(nèi)每名乘客上車時(shí)間。

1.2 基于Informer的實(shí)時(shí)排隊(duì)時(shí)長(zhǎng)預(yù)測(cè)

誤差反向傳播神經(jīng)網(wǎng)絡(luò)(BP)是較為經(jīng)典的時(shí)間序列預(yù)測(cè)方法，在交通領(lǐng)域多應(yīng)用于公交車到站時(shí)間的預(yù)測(cè)。模型能將實(shí)時(shí)更新的到站時(shí)間作為輸入值預(yù)測(cè)公交車到站時(shí)間，且不斷更新的實(shí)際到站時(shí)間會(huì)反饋到模型，進(jìn)行自我改進(jìn)[17]。

Informer是一個(gè)基于注意力機(jī)制的監(jiān)督學(xué)習(xí)模型，近年來(lái)在很多場(chǎng)景的時(shí)間序列預(yù)測(cè)上明顯優(yōu)于Transformer模型，但在交通領(lǐng)域應(yīng)用較少。其整體上由編碼器(Encoder)和解碼器(Decoder)兩個(gè)部分組成[18]。其中，解碼器用于獲得原始輸入序列魯棒性的長(zhǎng)期依賴，解碼器進(jìn)一步實(shí)現(xiàn)序列預(yù)測(cè)，模型整體結(jié)構(gòu)如圖4所示。

圖4 Informer模型結(jié)構(gòu)

根據(jù)目標(biāo)檢測(cè)和跟蹤獲得每名乘客上車時(shí)間的歷史數(shù)據(jù)，將數(shù)據(jù)應(yīng)用于Informer模型訓(xùn)練，根據(jù)實(shí)時(shí)檢測(cè)的乘客上車時(shí)間數(shù)據(jù)作為Informer模型的輸入值，實(shí)時(shí)輸出預(yù)測(cè)結(jié)果即為后面每名乘客的上車時(shí)間，其實(shí)現(xiàn)流程如圖5所示。

圖5 排隊(duì)時(shí)間預(yù)測(cè)流程

2 出租車調(diào)度模型

首先，通過實(shí)時(shí)檢測(cè)的排隊(duì)人數(shù)獲取當(dāng)前出租車需求量，并對(duì)未來(lái)出租車客流量進(jìn)行預(yù)測(cè)，確定未來(lái)時(shí)間段內(nèi)出租車的總需求量。通過鐵路樞紐出租車蓄車池管理系統(tǒng)，獲取當(dāng)前蓄車池內(nèi)出租車數(shù)量，從而確定調(diào)度車輛數(shù)。通過對(duì)乘客數(shù)量排隊(duì)時(shí)間的預(yù)測(cè)，即可預(yù)測(cè)蓄車池內(nèi)車輛全部離開的時(shí)間，在蓄車池車輛全部離開前完成所需數(shù)量的出租車調(diào)度，實(shí)現(xiàn)出租車調(diào)度系統(tǒng)的精準(zhǔn)化和智能化。

基于此，提出基于乘客需求優(yōu)先的實(shí)時(shí)調(diào)度模型，模型的基本假設(shè)如下：

1)蓄車池出租車“富余量”為10輛；

2)每輛出租車平均乘車人數(shù)設(shè)定為1.5人；

3)調(diào)度決策模型每5 min計(jì)算一次;

4)每次調(diào)度需滿足未來(lái)20 min的需求。

模型假設(shè)可根據(jù)各樞紐實(shí)際進(jìn)行修正，調(diào)度流程如圖6所示。

圖6 出租車調(diào)度流程

2.1 需求預(yù)測(cè)

通過檢測(cè)出租車上客區(qū)每名乘客的上車時(shí)間，能得到出租車客流數(shù)據(jù)，因此可以根據(jù)歷史客流數(shù)據(jù)來(lái)預(yù)測(cè)未來(lái)客流數(shù)據(jù)。LSTM算法廣泛應(yīng)用于流量預(yù)測(cè)，且能很好地反應(yīng)節(jié)假日和不同時(shí)段的流量變化特征，但鐵路樞紐客流數(shù)據(jù)較為冗雜且繁多，在利用LSTM進(jìn)行預(yù)測(cè)時(shí)會(huì)出現(xiàn)梯度消失情況。注意力(attention)機(jī)制的出現(xiàn)能很好解決這一問題，使用注意力機(jī)制對(duì)LSTM的權(quán)值進(jìn)行處理，降低特征遺忘對(duì)特征權(quán)值的影響，以便更準(zhǔn)確地進(jìn)行預(yù)測(cè)。該模型結(jié)構(gòu)如圖7所示。

圖7 LSTM-attention模型結(jié)構(gòu)

對(duì)于LSTM部分[19]，xt表示t時(shí)刻的信息輸入；it為輸入門，控制從當(dāng)前xt中輸入至細(xì)胞中的信息量；ft為遺忘門，控制t-1時(shí)刻的細(xì)胞狀態(tài)Ct-1輸入t時(shí)刻隱層狀態(tài)Ht的信息量；ot為輸出門，控制Ct傳遞至t時(shí)刻隱藏狀態(tài)Ht的信息量，則可以將其算式表示為

it=σ(WhiHt-1+Wxixt+bi)

(1)

ft=σ(WhfHt-1+Wxfxt+bf)

(2)

ot=σ(WhoHt-1+Wxoxt+bo)

(3)

式中：Whi,Whf,Who,Wxi,Wxf,Wxo為權(quán)重矩陣;bi,bf,bo分別為輸入門、遺忘門、輸出門的偏置量；σ(·)為sigmoid激活函數(shù)。

細(xì)胞更新式和記憶細(xì)胞式為

Ct=tan h(WhcHt-1+Wxcxt+bc)

(4)

Ht=ot?tan h(Ct)

(5)

式中：tan h(·)為雙曲正切激活函數(shù)；?為兩個(gè)同階矩陣中對(duì)應(yīng)元素相乘的運(yùn)算，表示Hadamard乘積。

加入attention機(jī)制[20-21]，將LSTM隱藏層的輸出Ht經(jīng)過一層非線性轉(zhuǎn)化得到ut，如式(6)、式(7)所示。

ut=tan h(wiHt+b)

(6)

(7)

模型訓(xùn)練不斷更新﹐然后通過softmax函數(shù)進(jìn)行歸一化得到注意力權(quán)重矩陣at，如式(8)所示。

(8)

式中:ut為隱藏層單元。

將at和Ht經(jīng)過注意力機(jī)制得到最終向量vt，如式(9)所示。

vt=∑atHt

(9)

為體現(xiàn)節(jié)假日和每日客流高峰，對(duì)不同日期、不同時(shí)間段進(jìn)行概率權(quán)重的分配，反應(yīng)關(guān)鍵時(shí)間段的特征﹐使預(yù)測(cè)更加準(zhǔn)確，將Attention機(jī)制的輸出vt通過softmax函數(shù)進(jìn)行歸一化﹐輸出y如式(10)所示。

y=softmax(ωivt+b)

(10)

2.2 調(diào)度數(shù)量和時(shí)間計(jì)算

未來(lái)20 min出租車客流總需求x：x=a+b，a為L(zhǎng)STM-attention算法的預(yù)測(cè)結(jié)果獲得，b由攝像頭實(shí)時(shí)檢測(cè)排隊(duì)人數(shù)獲得。

蓄車池車輛運(yùn)量y：y=蓄車池車輛數(shù)×每輛車平均運(yùn)載人數(shù)， 當(dāng)蓄車池運(yùn)量需求人數(shù)超過15人時(shí),即認(rèn)為蓄車池內(nèi)仍有10輛車“富余”，暫時(shí)不需要調(diào)度。

蓄車池車輛全部上車時(shí)間m：當(dāng)前出租車系統(tǒng)輸送y名乘客所需要的時(shí)間，即為后續(xù)y名乘客上車時(shí)間間隔預(yù)測(cè)值之和。

調(diào)度車輛數(shù)n為

n=-(y-x)/1.5+10

(11)

式中：1.5為出租車車輛平均載客數(shù),人。

調(diào)度流程每5 min更新一次，該更新速度可隨著算法流程的成熟逐漸進(jìn)行修改。

3 實(shí)例分析——以揚(yáng)州東站為例

3.1 實(shí)時(shí)排隊(duì)乘客的檢測(cè)和跟蹤

采用改進(jìn)的Yolov5s算法對(duì)揚(yáng)州東站出租車上客區(qū)域?qū)崟r(shí)排隊(duì)乘客人數(shù)進(jìn)行檢測(cè)，檢測(cè)效果如圖8所示。

圖8 實(shí)時(shí)排隊(duì)人數(shù)檢測(cè)效果

經(jīng)過實(shí)際檢測(cè)，當(dāng)排隊(duì)人數(shù)低于20人時(shí)，檢測(cè)準(zhǔn)確率能達(dá)到98%以上;當(dāng)人數(shù)超過20人時(shí)，檢測(cè)準(zhǔn)確率能達(dá)到95%以上。對(duì)某高峰時(shí)期實(shí)時(shí)排隊(duì)人數(shù)每分鐘進(jìn)行一次檢測(cè)，檢測(cè)結(jié)果如圖9所示。

圖9 高峰期出租車實(shí)時(shí)排隊(duì)人數(shù)

對(duì)全天客流進(jìn)行分析，出租車客流高峰期幾乎都在固定時(shí)間段出現(xiàn)，即高鐵列車到站時(shí)段。此時(shí)間段排隊(duì)人數(shù)較多，當(dāng)排隊(duì)人數(shù)接近最大時(shí)開始上下波動(dòng)，整個(gè)排隊(duì)現(xiàn)象持續(xù)時(shí)間較長(zhǎng)；在平峰期和低峰期人流到達(dá)緩慢，排隊(duì)現(xiàn)象僅持續(xù)幾分鐘即會(huì)消散。高峰時(shí)期，乘客需要根據(jù)排隊(duì)等待時(shí)間來(lái)決策是否乘坐出租車，因此,精準(zhǔn)預(yù)測(cè)排隊(duì)等待時(shí)間能有效提升乘客體驗(yàn)。

3.2 乘客排隊(duì)時(shí)間預(yù)測(cè)

檢測(cè)劃定區(qū)域內(nèi)乘客離開排隊(duì)區(qū)域的時(shí)間，即檢測(cè)圖10中檢測(cè)框內(nèi)乘客頭部離開檢測(cè)框左側(cè)框線的時(shí)間。分別按順序記錄檢測(cè)區(qū)域內(nèi)每名乘客頭部從黃色框左側(cè)離開的時(shí)間，記為該名乘客的上車時(shí)間，為突出乘客上車時(shí)間差異，通過相鄰乘客之間上車時(shí)間間隔來(lái)反映此特征，其散點(diǎn)如圖11所示。

圖10 乘客頭部追蹤檢測(cè)區(qū)域

圖11 乘客上車時(shí)間間隔分布

由圖11可知，乘客的上車時(shí)間間隔主要分布在10 s以下。且由于偶然因素的影響，如存放行李過多或者逗留時(shí)間過長(zhǎng)會(huì)導(dǎo)致間隔時(shí)間過長(zhǎng)，甚至?xí)^40 s，相當(dāng)于正常狀況下多名乘客的上車時(shí)間間隔。

利用歷史數(shù)據(jù)分別對(duì)BP模型和Informer模型進(jìn)行訓(xùn)練，測(cè)試生成的預(yù)測(cè)值與實(shí)際值對(duì)比如圖12所示。Informer模型在出現(xiàn)偶發(fā)因素和長(zhǎng)時(shí)預(yù)測(cè)時(shí)表現(xiàn)出更好的效果，更符合實(shí)際需要。經(jīng)過實(shí)際檢驗(yàn)，排隊(duì)時(shí)間預(yù)測(cè)值與實(shí)際值差距較小，在乘客接受范圍之內(nèi)。從方便旅客角度看，將實(shí)時(shí)排隊(duì)結(jié)果在微信小程序上進(jìn)行信息共享，便于乘客和出租車司機(jī)做出決策，極大節(jié)約兩者時(shí)間，提升服務(wù)體驗(yàn)。小程序界面如圖13所示。

圖12 BP模型與Informer模型預(yù)測(cè)結(jié)果與實(shí)際結(jié)果對(duì)比

圖13 微信小程序顯示出租車等待人數(shù)和預(yù)計(jì)等待時(shí)間

3.3 出租車調(diào)度

使用LSTM-attention算法對(duì)揚(yáng)州東站高峰時(shí)期未來(lái)20 min出租車客流量進(jìn)行預(yù)測(cè)，結(jié)果表明準(zhǔn)確率在92%以上，符合實(shí)際需求。基于預(yù)測(cè)結(jié)果，進(jìn)行出租車調(diào)度。改進(jìn)后的出租車調(diào)度系統(tǒng)在蓄車池連續(xù)有車的情況下，出租車司機(jī)的平均等待時(shí)間降低了20 min以上。

4 結(jié) 論

1)使用MobileNet-v3取代Yolov5的Backbone主干網(wǎng)絡(luò)，能有效提升檢測(cè)頭部速度，加入特征融合模塊能提升監(jiān)控視角下頭部檢測(cè)精度，在檢測(cè)的基礎(chǔ)上增加追蹤算法達(dá)到實(shí)時(shí)檢測(cè)排隊(duì)乘客人數(shù)和排隊(duì)乘客離開時(shí)間的效果，優(yōu)于傳統(tǒng)的目標(biāo)檢測(cè)算法。

2)創(chuàng)新地將Informer模型用于出租車乘客排隊(duì)時(shí)間預(yù)測(cè)，在用歷史數(shù)據(jù)對(duì)模型進(jìn)行訓(xùn)練后，將實(shí)時(shí)檢測(cè)結(jié)果作為模型的輸入值，與傳統(tǒng)的“人數(shù)×平均時(shí)間”和BP模型預(yù)測(cè)的方法相比，在客流高峰期準(zhǔn)確性有所提升，但在客流較少或時(shí)間較短時(shí)效果不優(yōu)。

3)通過LSTM-attention深度學(xué)習(xí)算法對(duì)鐵路樞紐出租車客流進(jìn)行短時(shí)預(yù)測(cè)，提出基于乘客需求優(yōu)先的出租車調(diào)度模型，減少揚(yáng)州東站“車等人”和“人等車”現(xiàn)象，提升服務(wù)水平。不足之處在于模型部分參數(shù)需要根據(jù)各樞紐實(shí)際情況進(jìn)行調(diào)整。