基于事件驱动的城市轨道交通应急处置微观仿真系统＊

王志强

（苏州大学城市轨道交通学院，215006，苏州∥博士，讲师）

应急处置微观仿真技术，就是采用计算机仿真的方法在网络中模拟随机发生的故障，分析在相关应急处置措施下，其不利影响在网络中的发生、发展、传播、扩散、消退和结束的动态全过程，以此来评价故障影响的严重等级、应急处置措施的科学合理性以及系统整体的安全可靠性水平等。

国外已经开发并成熟运用的城市轨道交通运输组织仿真系统比较多，如 RailSys［1］、OpenTrack［2］、Simone［3］、SimMetro［4］等，其功能已基本能够满足城市轨道交通系统日常运输组织工作的各种仿真需要。然而，这些系统大多数只涉及到了列车延误及其疏解的仿真分析，对于应急处置过程仿真与评价的问题还较少关注。国内对城市轨道交通安全问题的仿真研究虽然起步较晚，但发展迅速，其研究成果主要集中在客流出行特征［5］、出行路径［6］、列车运行仿真［7］等方面，涉及到地铁应急处置仿真部分的较少。

本文从网络层面出发，研究城市轨道交通正常运营及故障应急处置过程的微观仿真问题，以仿真模型的构建和乘客出行行为分析为重点，研究开发应急处置过程微观仿真系统，以突发列车故障救援为例，仿真其处置过程，并对结果进行分析评价。该系统能为城市轨道交通系统运输组织方案的优化、应急资源的优化配置、故障影响程度估算，以及应急处置预案的制定和评估提供重要的辅助决策工具和方法。

1 城市轨道交通客运流程分析

客运流程分为网络运营正常和网络应急处置2种情况。正常情况下的客运流程为：进站（→购票）→验票→通过楼梯→站台候车→上车→随车前行→到站下车（→换乘）→通过楼梯→验票→出站。

由于乘客的进站、出站、换乘过程属于站内移动，其微观仿真技术较为复杂。为了将研究重点放在网络运输上，本文采取了简化的办法来处理站内乘客的移动过程。即采用“进站时间分布函数”、“出站时间分布函数”和“换乘时间分布函数”分别计算乘客在站内的进站、出站和换乘所需的总时间，忽略其在站内的具体运动轨迹。简化后的客运流程为：进站→站台候车→上车→随车前行→到站下车（→换乘）→出站。

应急处置对乘客出行的影响，因事件地点、事件种类、事件等级、发生时间、乘客位置等诸多因素的不同而不同。因此，非正常情况下的客运流程远比基本服务流程要复杂。图1为以流程图形式描述的非正常情况下各种可能的乘客出行过程。

从图1可知，非正常情况下的乘客出行过程因为受到多种因素的影响，其可能的客运流程有多条路径。乘客在出行过程中会遇到各种变故而面临选择，其具体选择行为将因人、因地、因时、因事的不同而不同，这些不同造就了非正常情况下网络客流分布的高度复杂性。为掌握客流分布规律，辅助应急处置决策，采用微观仿真技术是较为理想的方案。

2 系统的类结构设计

由网络运输活动的直接参与主体可知，仿真系统包含的类主要有：乘客、列车、车站、区间、线路和网络。根据处置过程仿真的要求，设计仿真系统的类图见图2。

乘客是城市轨道交通系统的最终服务对象，微观仿真系统中必然包含了数量巨大的乘客个体对象，这些个体对象在面对各种情况时的行为选择和运动特点各不相同，因此乘客类集的科学设计将是建立仿真系统的关键。列车类的设计关键是能够反映出正常情况和非正常情况下各次列车的客运行为过程。网络类中包含线路类，线路类中包含车站类和区间类。这些类集一起描述了城市轨道交通网络结构信息。

3 系统的事件模型设计

3.1 系统的基本事件

非正常情况下乘客的出行选择过程非常复杂，难以直接进行分析。为此，需要从仿真对象的基本行为入手，构造出对象类的基本事件集，如表1所示。通过这些基本事件的不同排列组合即可构造出所有的客运事件模型。

图1 非正常情况下的客运流程图

3.2 微观仿真的事件驱动模型

虽然城市轨道交通的应急事件种类繁多，但究其对网络客运造成的影响不外乎5大类，即：“车站关闭”、“车站拥挤”、“列车延误”、“列车故障”、“区间中断”。因此，本文从5类不同的客运影响出发，考虑不同地点的乘客在不同选择下的行为过程，设计了应急处置状态下的网络运输微观仿真事件驱动模型，如表2所示。

3.3 事件驱动模型的优点分析

采用“事件驱动模型”，只需要指定好非正常情况下的各类乘客的行为流程，就能直接对整个网络的应急处置进行复杂的仿真运算。仿真过程中，所有对象的具体行为以及决策选择都是由计算机自动管理，无需人工介入，具有高度的智能化水平。

图2 仿真系统的UML（标准建模语言）类图

同时，微观仿真系统还具有良好的“可扩展性”，一方面，通过对“基本事件”的不同组合，可以构建任意的乘客行为流程，满足不同情况应急处置过程的需要；另一方面，通过进一步精细化设计类集的属性和方法，可以轻易地实现更多时分效率数据的统计和分析，满足不同目的的仿真需要。

4 系统算法流程设计

整个系统的算法流程较长，这里分步进行介绍。

步骤1：设置仿真参数。

（1）各线路的列车运行T－S数据：由基于牵引计算的多列车运行仿真计算［7－8］得到。每条线路根据开行方案和故障情况可以计算得到多种列车运行相对时分数据，而每次仿真，每条线路只能选择其中的一种。

（2）各线路的首末班车时刻：设置每条线路每个方向的首末班车发车时刻，该时刻加上前面得到的列车运行相对时分数据即可得到列车运行绝对时分数据，绝对时分数据才可直接用于仿真计算。

（3）设置每个车站的进站、出站和换乘过程耗时分布规律：每个车站因车站大小、结构和管理的不同，其进出站和换乘过程所需的时间分布规律各不相同，要分别进行设置。

（4）设置车站客流到站规律数据：因车站位置的不同，每个车站的到站客流总量和客流到站时间分布规律各不相同，需要根据历史统计资料分别进行设置。

表1 对象的基本事件集合

（5）设置进站客流的D（终到）站分配比例数据：每个车站的进站客流，其去向车站按一定的比例分布于网络中的各个站点，需要根据网络历史统计资料分别设置每个车站的进站客流D 站分配比例。

步骤2：计算仿真时间控制参数。

主要是确定仿真起始时间和仿真结束时间。各条线路都有各自的列车运行绝对时分数据，各车站都有乘客进站时分数据，因网络运输过程以列车运行为主，故仿真起始时间为各线首班车时刻中的最早（小）值，仿真结束时间为各线有列车运行数据的最晚时刻。

步骤3：初始化各车站进站客流数据。

（1）选定车站：从网络中选定一未初始化进站客流的车站。

（2）生成进站乘客对象数组：根据仿真起止时间和乘客到站分布规律，生成车站的待进站乘客对象数组，初始化每个乘客对象的到站时刻，同时根据车站类的进站时间计算函数计算每个乘客对象的进站耗时。

（3）为乘客出行指定D 站，并分配出行路径：根据车站的D 站分布比例，随机为每个乘客对象指派一个出行终点D 站，并调用网络类的出行路径计算函数，为乘客分配出行路径。

（4）分析乘客的出行步骤：调用网络类的出行步骤分析函数，根据乘客出行路径，将同一线路的出行过程以及不同线路间的换乘过程剥离出来，形成有序的出行步骤，保存每一步骤的起点、终点和类别信息。

（5）若有未初始化的车站则转（1），否则开始乘客出行过程仿真。

步骤4：仿真乘客出行过程。

（1）仿真时钟设为仿真起始时间。

（2）仿真时钟推进一个步长。

（3）网络中的每个车站执行图3流程。

（4）网络中每个正在线路上运行的列车执行图4流程。

（5）判断仿真时钟是否达到仿真结束时间。若是，则仿真过程结束；若否，则转步骤2。

因篇幅限制，图3和图4中有一些时间和人数的统计变量的更新未予标出。如：列车运行时间、列车故障时间、车站客运量、乘客等待时间等，这些变量对于客运效率的分析和优化将会起到重要的作用。

表2 网络运输微观仿真事件驱动模型

5 仿真实例分析

本文以苏州市2015年轨道交通规划网络为例，假设了各线路的基础数据、运营数据和客流数据，就1号线上行方向第六趟列车在金鸡湖西站至中央公园站间的区间内突发列车故障，并组织后续列车救援为例，对应急处置过程进行微观仿真，并将仿真结果与网络正常运营情况下的微观仿真结果进行对比。

图5界面分为3块，左上部分为动画效果演示部分，展示了网络拓扑结构、列车当前位置、列车实时满载率和车站实时满载率等情况，拖动仿真进度条即可展示网络运输的完整过程；左下部分为指定线路各车站的实时客流量数据，可以迅速定位某时刻的重点车站及其负荷；右边为运营列车的实时客流量和满载率信息，用不同深浅的绿、黄、红三色来表示其当前列车满载率情况，便于迅速定位重点关注对象。

中央公园站为上行方向金鸡湖西站的后续中间站。从图6可知，正常运营时，站内乘客数呈规律性的起伏，且最大乘客人数不到200人；而在列车救援时，因长时间的列车延误，站内乘客数量逐渐攀升，后因故障列车在本站清客，故其客流量有一个激增，并最终突破500人；故障和救援列车过后，随着后续列车的抵达，站内乘客数才迅速下降至正常水平。

图3 车站部分的客运仿真流程图

乐桥站为事发区段上行方向的后续换乘站，其乘客数量的总体变化趋势与图6相似。但因其是换乘站，且系统在处理换乘客流时认为处于换乘过程中的乘客数量计入换出站，而换乘结束后开始候车的乘客数量才计入换入站，故图7中的客流变化曲线有一个规律性的下探，其原因皆为原计入本站的换乘客流量在其换乘结束后都被移入换入站了。

图8中的a）、b）、c）3幅图分别为故障列车、救援列车、救援列车的后续列车的车内客流量变化趋势图，而d）、e）、f）3幅图分别为前述3趟列车在正常运营情况下的客流量变化趋势图，上3幅图和下3幅图进行对比即可清楚地呈现列车救援事件对满载率的影响程度。图8a）为故障列车，在发生故障后停留在原地等待救援，在清客之前没有乘客上下车，车内客流量保持不变，清客后客流量变为零。图8b）为救援列车，在接到救援命令后到前方站台清客，然后展开救援，救援过程中车内无乘客。图8c）为救援列车的后续列车，因列车救援事件，导致前方车站出现长时间的列车延误，积压了大量的乘客，故后续列车的客流量显著增加。

在其它数据都相同，就是否存在列车故障救援2种情况的仿真结果进行了指标计算，计算结果如表3所示。由于受影响乘客比例很小（0.141%），故2种情况的指标数值差异不大，但从表3的数据中依然可以定量化描述出应急处置对网络运输效率的影响程度。

6 结语

图4 列车部分的客运仿真流程图

图5 应急处置过程微观仿真效果图

图6 中央公园站正常运营和列车救援时站内客流量变化趋势图

图7 乐桥站正常运营和列车救援时站内客流量变化趋势图

图8 列车内客流量变化趋势图

表3 部分运输效率指标结果对比

本文以客流事件为主线，将乘客、列车和网络综合在一起，构建城市轨道交通网络客流运输微观仿真模型，并在此基础上引入列车故障和救援措施，实现应急处置微观仿真系统和处置措施的效果评价。采用微观仿真技术，可将完整的网络客运过程再现，实现精细化统计众多时间和效率指标，为处置方案的分析、决策和评价奠定坚实的基础。

［1］Wahlborg M.Banverket capacity consumption，congested infrastructure and traffic simulation with Railsys［J］.WIT Transactions on the Built Environment，2008，Computer System Design and Operation in the Railway and Other Transit Systems－Computers in Railways XI，2008（103）：85.

［2］Nash A， Huerlimann D.Railroad simulation using OpenTrack［J］.Advances in Transport；Computers in Railways IX，2004（15）：45.

［3］Middelkoop D，Bouwman M S：Large scale train network simulations［J］.Winter Simulation Conference Proceedings，2001（2）：1042.

［4］Koutsopoulos，Haris N，Wang Zhigao.Simulation of urban rail operations application framework［J］.Transportation Research Record，2007，2006（1）：84.

［5］高鹏，徐瑞华.城市轨道交通车站客流仿真中的事件驱动模型［J］.系统工程理论与实践，2010，30（11）：2121.

［6］徐瑞华，罗钦，高鹏.基于多路径的城市轨道交通网络客流分布模型及算法研究［J］.铁道学报，2009，31（2）：110.

［7］刘海东，毛保华，何天健，等.不同闭塞方式下城轨列车追踪运行过程及其仿真系统的研究［J］.铁道学报，2005，27（2）：120.