基于概率神经网络的轨道交通车站客流安全状态评价

李俊辉 黎新华 谢小星

(1. 广东交通职业技术学院轨道交通学院 广州 501650； 2. 广州市地下铁道总公司运营事业总部安全技术部 广州 510030)

基于概率神经网络的轨道交通车站客流安全状态评价

李俊辉1黎新华1谢小星2

(1. 广东交通职业技术学院轨道交通学院 广州 501650； 2. 广州市地下铁道总公司运营事业总部安全技术部 广州 510030)

以城市轨道交通车站安全为研究对象，建立基于概率神经网络的车站客流安全状态评价模型。模型将提炼出的城市轨道交通车站客流安全状态评价指标作为输入参数，将评价等级结果作为输出参数，以各指标不同等级的评价标准作为模型训练数据来源。为验证方法的有效性，设计不同的客流场景，利用微观仿真软件VISSIM对车站客流运行状态进行仿真实验，以获得各指标的数据。仿真应用结果表明，该方法能够对城市轨道交通车站客流安全状态进行评价。

城市轨道交通；客流；安全状态评价；概率神经网络中

1 城市轨道交通车站客流安全状态概述

影响城市轨道交通车站运营安全的主要因素是设施设备和客流。车站规模和布局在设计时参考的主要依据是预测的客流量，车站一旦建成后，就很难改变或调整，设施设备的稳定性会在一定程度上影响车站的安全，但设备故障的随机性很难被单独量化。实际上设施设备的状态会在某种程度上影响客流在车站的规律和特征，例如当扶梯发生故障时，将导致乘客被迫选择走楼梯，从而改变了客流在车站的运行规律。因此客流的安全状态在很大程度上体现了车站的运营安全状态。

城市轨道交通车站客流安全状态评价，是指通过对车站客流信息进行动态采集与分析，进而评价车站在不同客流特征下的安全程度。田健等[1]提出采用基于层次分析法的模糊综合评价法对大客流的安全状态进行评价，但该方法需要专家打分确定各指标权重，评价结果受人为因素的干扰大，容易失真；张霖等[2]提出以行人特征为指标的评估体系，然而对各指标如何有效融合进行综合评价却缺乏深入研究；杨超等[3]提出客流安全检测与应急管理系统的框架，但对客流安全状态的识别只考虑了步行空间服务水平与客流安全的对应关系；其他学者则主要研究了城市轨道交通车站设备安全、乘客行为特征规律、车站设施设备服务水平、客流预测模型等[4-7]。综上所述，目前系统研究城市轨道交通车站客流安全状态的文献较少，且现有的研究方法仍然有待完善。

概率神经网络是基于贝叶斯分类规则与Parson窗口函数概率密度估计方法发展而来的一种并行算法，已经在模式识别和模式分类领域得到广泛的应用。它的优势在于用线性学习算法完成以往非线性学习算法所做的工作，同时又能保持非线性算法的高精度等特性，而且其网络对应的权值就是模式样本的分布，可避免人工赋予权值存在的主观性。因此，笔者利用概率神经网络的分类优势，以城市轨道交通客流的特征参数为输入，以不同的评价级别为输出，以不同参数的安全评价标准为数据集，随机产生大量符合要求的训练样本对模型进行训练，进而提出了基于概率神经网络的城市轨道交通车站客流安全状态评价方法，并运用仿真实验获得的各项参数对该方法的有效性进行了验证。

2 概率神经网络

概率神经网络(probabilistic neural networks，PNN)[8]的主要思想是用贝叶斯决策规则，即错误分类的期望风险最小，在多维输入空间内分离决策空间。它是一种基于统计原理的人工神经网络，以Parzen窗口函数为激活函数的一种前馈网络模型。PNN吸收了径向基神经网络与经典的概率密度估计原理的优点，与传统的前馈神经网络相比，在模式分类方面具有较为显著的优势。

2.1 分类器的理论推导由贝叶斯决策理论：

(1)

(2)

去掉共有元素，判别函数可简化为

(3)

2.2 PNN的结构与工作原理

PNN由4层网络构成: 输入层、样本层、求和层和输出层，其网络结构如图1所示。

图1 概率神经网络的结构

3 车站客流安全评价的神经网络结构

3.1 输入指标的确定

站台拥挤度即站台客流密度，是反映站台人员密集程度的指标，也是引发大客流的最直接因素，拥挤度越高越容易引发踩踏和冲突事故，其计算方法为：某时刻站台客流量与站台有效使用面积比，人/m2。

平均客流速度指行人群体在站内的平均移动速度，一般取车站各关键区域客流速度的平均值(m/s或m/min)。速度越慢说明乘客之间的干扰越大，客流越不稳定。

车站客流承载度指车站实际客流量与设计客流量之比，反映车站设备对客流量的承受能力，数值越大，说明车站设备越不适应。例如，北京市轨道交通规定当车站客流量达到设计客流量的70%时开始采取限流措施，因此可将其作为一个指标评价车站客流的安全状态。

关键节点等待时间反映了客流在车站不同区域接口处的通过情况。它是乘客从进入车站到离开车站所经过的关键节点，即站台与站厅垂直上下通道等待时间、闸机出入口等待时间、出入口通道等待时间这3个关键节点的等待时间之和。该指标越高，说明车站客流拥堵现象越严重，乘客集散的速度越低，越容易引发安全事故。

垂直上下通道利用度指电梯和楼梯的利用度，为实际通过客流量与设计通过客流量的比值，数值越高，说明垂直通道的瓶颈现象越明显，车站的客流安全程度就越低。

在上述5个指标中，前3个指标体现客流的密度、速度、流量特征，后2个指标则可间接体现车站设备对客流的适应情况，因此能全面反映车站客流安全状态。

3.2 输出层的类型设置

根据已有的城市轨道交通安全状态分级标准，将PNN的输出层设为5种类型，分别是安全、较安全、基本安全、危险、非常危险(记为1、2、3、4、5级)。各级的评价标准如表1所示。站台拥挤度和平均客流速度的取值范围以文献[1]中提出的客流密度和客流速度安全控制阈值为基础，根据地铁运营安全专家的调查意见进行修正；车站客流承载度以文献[10]中提出的对北京市地铁的车站客流承载能力调查仿真结果为依据，选取仿真结果中客流特征波动较大的点作为划分不同安全状态等级的临界值；关键节点等待时间以文献[9]中提出的车站等待时间服务水平分级标准为依据，结合专家意见将服务水平与安全状态等级进行对应修正；垂直上下通道利用度以文献[7]中建立的乘客楼梯与自动扶梯选择模型为基础，根据不同客流下乘客对垂直通道的选择规律，并结合实测数据进行确定。

表1 城市轨道交通车站客流安全状态评价标准

3.3 模型实现的步骤

该网络输入层的节点数为5，包括站台拥挤度、平均客流速度、车站客流承载度、关键节点等待时间和垂直上下通道利用度；输出层的节点数为5，包括安全、较安全、基本安全、危险、非常危险(记为1、2、3、4、5级)5种安全状态。笔者采用Matlab7.0实现评价模型的创建、训练、检验和仿真，分4步实施:生成学习样本；对学习样本进行预处理；概率神经网络的建立、学习和检验；安全状态的评价。

根据表1中各指标安全等级的取值区间，随机产生1 000、250、50和25个样本数据，对概率神经网络进行训练，然后用100个随机样本进行检验[11]。为验证概率神经网络在运算速度和准确性方面的优势，同时用BP神经网络、RBF神经网络进行对比实验。经过多次实验，准确率随训练样本数发生变化的情况如图 2 所示，表明该模型已经可以用来评价轨道交通安全状态。

图2 概率神经网络与BP、RBF神经网络的比较

4 模型应用的仿真实验

4.1 模型应用的思路

首先选定需要进行评价的城市轨道交通车站类型，然后通过在车站关键位置安装客流信息采集设备(常用的方法为安装视频摄像头)获得客流相关的参数指标，再利用训练好的概率神经网络模型计算输入的客流特征指标，最后概率神经网络模型会计算输入向量属于安全等级的概率大小，并得出概率最大的那一种等级，这种安全等级就是输入向量通过概率神经网络计算后得出的，从而完成车站客流的安全状态评价。

4.2 仿真实验设计

仿真车站的参数设定如下：车站站台长度为118 m，岛式站台宽度为12 m，从 站 厅 到 站台共 有 楼 梯2个，自动扶梯2个，均布置在站台的中间，扶梯设置为上下行各1个，楼梯宽度为2.5 m，乘客选择电梯和楼梯的比例为5∶1[11]，站厅有A、B、C共3个出入口，距离最近的出入口闸机分别为60 m、75 m和80 m，宽度设计都为4 m，靠近每个出入口有4台闸机，初始设定为进出各一半，都为门扉式闸机。车站设计客流量为7 500人/h,高峰小时列车运行间隔为2 min。为便于根据仿真结果比较分析，设定如表2所示的6种客流情景。

图3 不同客流情景下的车站客流安全状态评价结果

表2 仿真客流情景设置(高峰小时) 人/h

将表2中的各类客流情景分别输入已设定好参数的VISSIM软件中，通过仿真运行结果获得每种情景下的客流指标特征参数，结合基础数据进行计算，各单项指标对应的6种情景数值见表3。

表3 6种仿真客流情景的单项指标数值

4.3 结果分析

以各单项指标作为计算输入，通过Malab7.0软件对概率神经网络进行评价，6种客流情景下的评价结果分别为等级2(较安全)、等级3(基本安全)、等级3(基本安全)、等级4(危险)、等级5(非常危险)、等级5(非常危险)，各单项评价指标的结果和概率神经网络综合评价结果如图3所示。

根据以上仿真结果可得出如下结论。

1) 在表2中，以情景1为例，各单项指标对应的安全状态分别为2、1、4、2、3级(见图3)，通过概率神经网络进行评价，综合评价结果为2级，对应的描述为较安全，其他情景类似。分析得出，应用概率神经网络评价模型能够全面考虑车站客流特征指标，不需要专家或相关技术人员根据主观经验人为设计评价指标的权重，能较全面反映评估路段的安全状态优劣程度。

2) 情景1、情景2、情景3的总客流量一定，但是客流的方向特征有了变化，通过表3的仿真结果可知，由于车站设备是按照进出站均衡的条件设置的，所以当客流均衡的时候(情景1)，车站的安全评价结果为2级，即较安全，而另外两个为客流方向不均匀的情景，正常情况下必然会导致车站设备的利用失衡，所以情景2和情景3对应的评价结果为3级，即降为基本安全。情景4、5、6的总客流量相同，但相比前3个情景，客流总量增加了很多，概率神经网络的评价结果分别为4级、5级、5级，即危险、非常危险、非常危险。由此可见，概率神经网络模型能够体现因客流量变化带来的安全状态改变，也能体现客流方向不均衡造成的安全状态改变，说明了该方法的合理性。

3) 本仿真实验的客流特征参数获取和计算是通过设定的客流情景，运用仿真软件获得相关指标的数值。在实际应用中，可通过视频处理计算、图像处理技术等客流信息实时采集和计算设备获取车站客流实时参数，再运用概率神经网络进行实时评价，进而可得到车站实时客流安全状态等级，该方法可为完善城市轨道交通车站客流安全监控和预警系统的功能提供借鉴。

5 结语

基于概率神经网络的城市轨道交通车站客流安全状态评价方法可以最大限度地利用先验知识,在贝叶斯最小风险准则下对客流安全状态进行定性评价。概率神经网络训练速度快,在工程上容易实现,且可以达到较高的诊断准确率。笔者在对城市轨道交通车站客流特征进行分析的前提下，提炼出城市轨道交通车站客流安全状态评价的 5 个指标以及对应的评价标准作为模型的输入数据来源库，最后通过设计仿真实验获得需要的数据对该方法进行验证。结果表明，该方法可以实现对车站客流安全状态的评价，且过程无需专家确定权重，表明了该方法的合理性。同时仿真结果还表明，笔者提出的概率神经网络综合考虑全部指标的影响，评价精度较高，运算速度快，能适用于小样本判别和计算机实时处理的要求，可以作为城市轨道交通车站运营安全智能监控系统的功能补充。

[7] 曹守华.城市轨道交通乘客交通特性分析及建模[D].北京:北京交通大学,2009.

[8] 姜绍飞.基于神经网络的结构优化与损伤检测[M].北京: 科学出版社，2002.

[9] 李洪旭.城市轨道交通车站设施设备与整体服务水平分级研究[D].北京：北京交通大学,2013.

[10] 胡清梅.轨道交通车站客流承载能力的评估与仿真研究[D].北京:北京交通大学，2011.

(编辑：王艳菊)

Evaluation of Safety Status of Station Passengers in Urban Rail Transit Based on Probabilistic Neural Network

Li Junhui1Li Xinhua1Xie Xiaoxing2

(1. Institute of Rail Transit, Guangdong Communication Polytechnic, Guangzhou 501650; 2. Security Technology Department, Guangzhou Metro Corporation Operation Division, Guangzhou 510030)

This paper presents a model for evaluating station passenger safety status in urban rail transit by using probabilistic neural network. The indexes extracted from the model are taken as input parameters while the results of the evaluation level as output ones. Different levels of evaluation criteria for each indicator are regarded as the model training data sources. To verify the effectiveness of the method, different passenger scenarios are designed, and data for each indicator are obtained by conducting simulation experiments for station passenger status using microscopic simulation software VISSIM. The simulation results show that this method can evaluate urban rail transit station passenger safety status.

urban rail transit; passenger flow; safety status evaluation; probabilistic neural network

李俊辉,男,硕士,讲师,从事城市轨道交通运营管理研究，272147750@qq.com