一种基于混合代理和贝叶斯推理的框架，用于在没有实时起点-终点数据的情况下对地铁站的时空占用情况进行建模

《Energy Conversion and Management-X》：A Hybrid Agent-Based and Bayesian Inference Framework for Spatiotemporal Occupancy Modeling in Metro Stations Without Real-Time Origin-Destination Data

通过融合代理建模与贝叶斯推断，提出仅需实时 AFC 数据即可准确预测地铁站时空占用分布的创新方法，实现能效提升 30.21% 并解决 OD 数据缺失问题。

　　本文探讨了一种在地铁站内进行动态时空占用建模的新方法，旨在解决传统方法在数据获取上的局限性。随着城市轨道交通的快速发展，地铁站作为城市交通网络的重要节点，其运行效率直接影响整个系统的可靠性和韧性。然而，地铁站内部的乘客流动和占用情况往往受到多种复杂因素的影响，如有限的通风条件、热量积聚、高客流量以及城市空气污染等，导致室内空气质量（IAQ）难以维持在健康标准范围内。此外，地铁站也是能耗较高的交通基础设施之一，其单位面积能耗远高于普通建筑，达到118–215 kWh/m2，其中20–60%的能耗主要用于供暖、通风与空气调节（HVAC）系统，而这些系统通常基于固定的时间表或保守的最坏情况假设运行，导致在实际运营中存在能源浪费。

为了应对这些挑战，本文提出了一种结合基于代理的建模（Agent-Based Modeling, ABM）和贝叶斯推理（Bayesian Inference, BI）的混合框架，利用仅有的实时自动售票系统（Automated Fare Collection, AFC）数据，对地铁站内的乘客占用分布进行估计。该方法突破了传统建模依赖完整的网络级起讫点（Origin-Destination, OD）数据的限制，为地铁站内乘客动态建模提供了一种新的思路。具体而言，本文通过改进的哈密顿蒙特卡洛（Hamiltonian Monte Carlo, HMC）采样方法，对乘客停留时间分布进行更新，从而实现对时空占用的高精度估计。实验结果显示，该模型的预测精度达到了R2值为0.99，平均绝对百分比误差（MAPE）为11.5%，在提升乘客舒适度和降低能耗方面表现出显著优势。

本文的研究重点在于构建一个无需依赖完整OD数据的建模框架，以解决地铁站内数据获取困难的问题。传统的地铁站乘客占用建模方法通常依赖完整的OD数据或传感器采集的室内追踪信息，但由于这些数据在实际操作中往往难以获取或存在延迟，限制了其在独立站级建模中的应用。此外，一些研究采用基于代理的建模方法，通过模拟乘客行为和空间互动，评估地铁站内的环境控制和节能策略。例如，Ren等人利用ABM方法对某地铁站的动态分区和乘客占用对能耗和舒适度的影响进行了研究，结果表明，基于占用的控制策略可以在不牺牲热舒适度的前提下，减少地铁站的冷却能耗达24%。然而，直接应用ABM方法在数据稀缺的地铁站中存在挑战，因为单站级别的数据通常只能反映乘客的进出时间和地点，而无法提供完整的出行轨迹。相比之下，机场等交通站点由于有登机和下机记录，能够获得更完整的乘客信息，但在某些城市地铁系统中，如斯德哥尔摩和纽约，乘客只需刷卡进入，而不需刷卡离开，这使得路线和目的地信息难以获取，进一步加剧了数据缺失的问题。

因此，本文提出了一种基于代理的建模和贝叶斯推理相结合的方法，以克服这些数据限制。基于代理的建模方法能够准确模拟不同乘客群体的行为和空间互动，尤其适用于大型交通枢纽和机场等场景，用于评估环境控制和节能策略。该方法通过模拟个体乘客的移动路径，能够捕捉到复杂的步行行为和空间分布，为地铁站内的动态占用建模提供了理论支持。同时，贝叶斯推理方法能够整合部分AFC数据，并通过参数推断优化模型预测的准确性。本文结合了这两种方法，通过引入哈密顿蒙特卡洛采样，对乘客停留时间分布进行建模，从而实现对地铁站内时空占用的准确预测。

本文的研究框架基于以下假设：在数据稀缺的条件下，通过整合基于代理的建模与贝叶斯推理方法，结合停留时间分布和哈密顿蒙特卡洛采样，可以实现对地铁站内时空占用的稳健和高精度估计，而无需依赖完整的OD数据。为了验证这一假设，本文构建了一个新的建模框架，该框架在数据获取和处理方面具有较高的实用性。首先，基于代理的建模方法被用于模拟乘客的出行行为，通过分析乘客的进入和离开时间，推测其可能的停留区域和移动路径。其次，贝叶斯推理方法被用于整合部分AFC数据，并通过参数推断优化模型的预测效果。这种方法不仅能够提高建模的准确性，还能够提升模型的可扩展性和数据效率，为地铁站的运营管理、通风控制和基础设施规划提供新的解决方案。

本文的主要贡献包括以下几个方面。首先，提出了一种新型的建模框架，该框架结合了基于代理的模拟和贝叶斯推理方法，能够实现对地铁站内乘客流动和占用分布的动态预测。这种方法在数据处理和模型优化方面具有较高的灵活性，能够支持参数的持续更新和模型的泛化能力。其次，本文引入了一种新的乘客-列车匹配方法，该方法基于历史行为模式和运营时刻表，以概率方式分配乘客到特定列车，从而消除了对实时OD数据的依赖。这种方法能够有效应对数据缺失的问题，提高模型的实用性。再者，本文提出的模型能够仅通过闸机数据预测地铁站内的时空占用分布，无需依赖实时OD信息或额外的传感器输入。这一创新有效解决了地铁运营商在实时数据获取方面的常见瓶颈。最后，本文通过一个两阶段的验证过程，对模型的预测效果进行了评估。首先，基于代理的模型通过分析乘客的出发闸机记录进行独立验证；其次，完整的混合模型通过分析乘客的到达闸机记录进行验证，确保模型的预测精度和可靠性。此外，本文还进行了三项敏感性测试，以评估模型在不同假设条件下的鲁棒性。

本文的研究对象是上海地铁9号线的下南门站，该站位于上海市黄浦区，是一个非换乘站，主要服务于混合住宅和旅游区域。该站的日均客流量约为28,000人，其公共区域分为两个地下层：上层为换乘层，设有售票设备、闸机和通行区域；下层为站台层，乘客在此上下车。该站的乘客流动具有明显的时空特征，尤其是在高峰时段和节假日，乘客的出行行为和占用分布会受到显著影响。因此，本文通过对该站的乘客流动进行建模，验证了所提出方法的有效性。

在乘客出行方向预测方面，本文采用了一种统计方法，通过分析历史OD数据，假设乘客选择最短的乘车时间路径。这一假设为研究提供了实际可行的简化方式，尽管可能无法完全反映现实中的乘客行为，如减少换乘次数、避开拥堵或进行折返出行等。为了评估该假设的敏感性，本文在全网络范围内对所有涉及该站的OD对进行了k最短路径分析（k=3），以验证模型在不同条件下的适用性。该分析结果显示，乘客的出行方向选择对地铁站内的时空占用分布具有显著影响，尤其是在高峰时段和节假日，乘客的出行行为和占用模式会变得更加复杂。

在HMC采样性能评估方面，本文对采样过程进行了详细分析，以确保后验推断的可靠性。在该模型中，乘客的停留时间被假设为服从伽马分布，由形状参数α和尺度参数θ进行参数化。通过独立采样每种可能的路径条件，并报告标准的收敛诊断指标，如Gelman-Rubin统计量（R^）、有效样本量（ESS）和94%最高密度区间（HDI），本文验证了HMC采样方法在提升模型预测精度方面的有效性。实验结果显示，HMC方法在有效样本量、采样效率和链混合度方面均优于传统的随机游走MCMC方法，如吉布斯采样和Metropolis-Hastings算法，这使得该方法在计算密集型任务如地铁站占用建模中具有显著优势。

本文的研究框架在多个方面进行了创新，尤其是在数据获取和处理方面。通过结合基于代理的建模和贝叶斯推理方法，本文能够实现对地铁站内乘客流动和占用分布的高精度估计，而无需依赖完整的OD数据。这一方法不仅能够提升模型的准确性，还能够提高模型的可扩展性和数据效率，为地铁站的运营管理、通风控制和基础设施规划提供新的思路。此外，本文提出的模型在实际应用中表现出良好的适应性，能够有效应对数据缺失的问题，提高地铁站的运行效率和乘客舒适度。

综上所述，本文的研究成果为地铁站内动态时空占用建模提供了一种新的解决方案，特别是在数据获取困难的情况下。通过结合基于代理的建模和贝叶斯推理方法，本文能够实现对地铁站内乘客流动和占用分布的准确预测，为地铁站的运营管理、通风控制和基础设施规划提供重要的参考价值。该方法不仅能够提高模型的预测精度，还能够提升模型的实用性，为地铁站的节能降耗和室内空气质量优化提供新的方向。未来的研究可以进一步拓展该方法的应用范围，探索其在其他交通基础设施中的适用性，同时也可以结合更多的数据源和算法，提高模型的鲁棒性和适应性。