文、编辑 | 念初
为了估计车站关闭的影响，研究人员开发了一种新的数据驱动方法。
它旨在对客流量异常的车站进行分类，为了定义每个段内的趋势异常，建议使用动态时间规整方法。
研究结果表明，所提出的数据驱动法估算模型在计算车站关闭的影响方面，明显要优于其他最先进的模型。
地铁作为最有效、最节能的交通方式，被视为缓解城市污染的完美方式，因此在全球许多大城市中发挥着越来越大的作用。
如此严重的依赖性给地铁系统带来了巨大压力，并使服务中断难以承受。即使是轻微的服务干扰，例如地铁系统中的临时车站关闭，也可能导致公共安全和服务效率的重大损失。
了解地铁关闭时旅客的行为，对于采取适当的补救措施非常重要。这将有助于最大程度地减少对地铁系统的影响。
然而，由于地铁站关闭不频繁且相关数据有限，对地铁系统关闭下客流特征的研究一直受到限制。
最近，有学者将有关旅行者体验和感知的信息结合起来，以模拟长期地铁服务中断期间的模式选择，基于调查数据来研究用户对地铁服务中断的行为反应。
幸运的是，自动售票数据在地铁系统中的广泛使用，为研究提供了另一种机会来大量了解车站关闭时的乘客行为。
然而，很少有研究利用该数据的潜力进行地铁站关闭分析。
在之前的研究项目中，有人调查了华盛顿特区的三个公共交通中断对出行模式选择和自行车共享需求的影响。
这项研究表明，中转站的关闭对共享单车的出行量产生了相当大的影响。上述研究的车站关闭都持续了几个月，而我们的研究重点是持续数小时或一天的临时车站关闭。
提出的方法是基于形状的数据驱动，不需要预定义参数，因此站点关闭的估计效果比现有方法更具弹性和更直观。
在这次研究中，案例测试了来自北京地铁的真实交通场景数据，结果具有很强的稳定性。表明所提出的模型能够更准确地捕捉到封闭条件下客流的异常变化。
实验将选择北京地铁8号线奥体中心站进行对比试验，验证所提模型的有效性。
北土城站至奥体中心站，由于重大文化娱乐活动和众多旅游景点也在体育场内进行，每天接待游客14000余人次。
北京地铁可能受影响站点的客流数据如下图所示，图中介绍了北京地铁网络布局。
具体而言，根据出行时间选择可能受影响的站点：
（1）同属于8号线的相邻站点（即北土城、奥林匹克公园、森林公园南门、林翠桥）；
（2）需要换乘一次且不在同一8号线的站点（即北沙滩、安里路、大屯路东）。
本实验选择了从 17:00 到 2017 年 4 月 24 日最后一班火车停止的车站关闭。该实验基于存档的 5 分钟间隔的历史数据。
1、SAX 算法结果
考虑10:00-22:00的客流，根据上文的方法将可能受影响的时段划分为8个区间。让每个段的平均值用相应的符号和不同颜色的线标记。
红、绿、蓝、黄、黑分别代表a、b、c、d、e。正常日和闭站日时间序列的符号序列可以基于提出的SAX方法计算，如下图所示。
请注意，左侧子图是车站关闭日的符号化序列，右侧子图是正常日期的符号化序列。
由上图可得车站关闭下客流量变化如下：北土城和森林公园站南门客流变化最大。
例如，北土城站的符号序列由“cbbbbbceecba”变为“bacceccecbaa”，其中12个符号中有9个不同，如图(d)所示。
另外，森林公园站南门的符号序列由“ecdedccbdcaa”变为“cbcecccedbac”，12个符号中有七个不同，如图(g)所示。其他站点由于几乎固定的PAA 符号序列，客流没有变化。
2、SAX-DTW 算法结果
通过SAX-DTW计算停站情况下客流趋势变化，进一步得到下表所示的微小时空范围。结果表明，受影响最大的区间为闭站期间的第7第9区间（即下表第8~10列）。
在停站前的过渡段，许多受影响站点的客流较平时明显减少，而停站后客流突然增加，上升趋势明显。
附近的换乘站更容易受到影响，而必须经过两个或更多换乘站的车站受影响较小。在此场景中，受影响最大的站点是北土城站和森林公园南门站。
3、两种方法比较
为了验证我们提出的SAX-DTW方法的性能，将其与现有的SAX方法混合方法进行了比较。
以大屯路东、林翠桥站的识别结果为例，大屯路东站异常检测，该站客流变化如下图所示。
使用 SAX 方法，车站第一和第七段的客流数据没有差异，但使用我们提出的SAX-DTW 方法，第一和第七段的客流数据存在变化。
对于车站的第八和第九段，使用 SAX 系统的客流数据没有差异，但使用我们提出的 SAX-DTW 方法的客流量数据存在差异，将车站八段和九段的客流数据合并分析，验证两者孰优孰劣。
从图中可以看出，客流远高于图中方框所示的历史平均客流在第八和第九部分的结束日期。
因此，这两个部分的客运量存在明显差异。也就是说，提出的SAX-DTW算法可以准确定义有价值乘客数量的变化，比SAX方法更精确。
在混合模型中，采用投票法分别对独立样本检验、符号秩检验进行整合。
结果如下表所示，异常用红色标记，以森林公园南门站与奥林匹克公园站的识别结果对比为例。
森林公园站南门异常检测，该站客流变化如下图所示。它使用混合方法，车站第一和第八段的客流数据没有差异，但使用我们提出的方法，第一和第八段的客流数据存在变化。
客流数据合并到车站的第一和第八段进行分析，以检查两者中哪个是合理的。
它清楚地表明，历史平均数据是图中的数据，5个客流在第一段波动（急剧上升和峰值，然后快速下降）。
然而，在车站关闭的第一部分客流波动有起伏，第八段客流也波动较大（图中第二个方框）。
也就是说，提出的算法会比传统研究过程更准确地分类出客流中更可靠的趋势转移。
奥林匹克绿站异常检测。该站客流变化如下图所示。使用混合方法，车站第三段的客流数据没有差异，但使用我们提出的 SAX-DTW 方法，第三段的客流数据存在变化。
为验证二者何者合理，结合车站三段客流数据进行研究。图中显示，第三段截止日期的客流远高于图中方框所示的历史平均客流，6个航段之间的客流数量也存在明显差异。
在这项研究中，提出了一种新方法来估计车站关闭的影响。
为实现这一目标，文中提出了一种同时考虑客流数据的均值和趋势信息的方法，来自动确定受影响的时间和车站。
以北京地铁系统为例，验证了所提模型的性能，在估计车站关闭的影响方面，所提出的模型优于其他最先进的模型。
实际上，所提出的方法可以为地铁管理者提供丰富的乘客信息：进站或出站量不规律的车站导致客流管理策略和列车服务调整策略过度拥挤。
此外，所提出的方法考虑了车站关闭期间与正常时间的总体客流差异，以及客流趋势，将来应该比较更多的案例和方法。
1.H. Sun、J. Wu、L. Wu、X. Yan 和 Z. Gao著，《估计常见中断对城市轨道交通网络的影响》卷。94，第 62-75 页，2016 年 12 月。
2.Y. Wu、B. Huang、X. Li、Y. Zhang 和 X. Xu著，《一种数据驱动的车站关闭下客流异常检测方法》卷。8，第 149602-149615 页，2020 年。
3.R. Silva、SM Kang 和 EM Airoldi著，《预测交通量并估计大型交通系统冲击的影响》卷112，第 5643-5648 页，2015 年 5 月。
4.AM Pnevmatikou、MG Karlaftis 和 K. Kepaptsoglou著，《地铁服务中断：人们如何选择出行？》卷42，第 933-949 页，2015 年 11 月。
5.RI Sarker、S. Kaplan、M. Mailer 和 HJP Timmermans著，《应用情感事件理论解释公交用户对服务中断的反应》卷，第 593-605 页，2019 年 12 月。
6.N. Saxena、T. Hossein Rashidi 和 J. Auld著，《研究口味影响旅客在交通服务中断时的模式选择行为》卷17，第 86-95 页，2019 年 10 月。
7.H. Younes、A. Nasri、G. Baiocchi 和 L. Zhang著，《公交服务关闭如何影响自行车共享需求：从华盛顿特区大都会区 SafeTrack 项目中吸取的教训》卷76，第 83-92 页，2019 年 4 月。
8.J. Zhao、Q. Qu、F. Zhang、C. Xu 和 S. Liu著，《海量智能卡数据中乘客出行模式的时空分析》卷18，第 3135-3146 页，2017 年 11 月。
