城市轨道交通乘客上下车行为与停站时间研究*

陈伽申 蒲 琪 涂颖菲

(1.同济大学铁道与城市轨道交通研究院,201804,上海;2.上海轨道交通检测技术有限公司,200331,上海∥第一作者,硕士研究生)

城市轨道交通乘客上下车行为与停站时间研究*

陈伽申1蒲 琪1涂颖菲2

(1.同济大学铁道与城市轨道交通研究院,201804,上海;2.上海轨道交通检测技术有限公司,200331,上海∥第一作者,硕士研究生)

乘客的上下车时间是城市轨道交通列车停站时间的重要组成部分,而列车停站时间关系到轨道交通系统的运行效率。以上海轨道交通1号线彭浦新村站、2号线南京东路站为背景,结合实地数据采集,分析不同客流特征下的乘客上下车行为;通过多元线性回归模型指出了乘客上下车混行对上下车时间的影响。通过定量指标的计算,对列车停站时间的组成进行分析,指出了运营管理中应关注无效停站时间在列车停站时间中过长的问题，提出在保证乘客有足够的时间完成上下车的前提下，尽量缩短列车的无效停站时间，从而提高城市轨道交通运行效率的建议。

城市轨道交通; 乘客上下车行为; 列车停站时间

First-author′s address Insititute of Rail Transit, Tongji University, 201804,Shanghai,China

乘客的上下车时间是城市轨道交通列车停站时间的重要组成部分,对乘客上下车行为与时间特点的把控，将直接影响列车停站时间的确定，从而对城市轨道交通运营组织管理产生影响。因此，在城市轨道交通运行图编制与修改工作中,分析乘客上下车行为特征、分析与改进现有停站时间设置,对提高城市轨道交通系统的运行效率有重要意义。

目前，国内外针对城市轨道交通乘客上下车行为与列车停站时间的研究已形成一定的成果。国外开展此研究最早的是Kraft(1975)[1],他指出列车停站时间主要受上下车乘客数与列车车厢内拥挤度影响。文献[2]指出了不同的列车车型对乘客上下车时间的影响。文献[3]以荷兰轨道交通为背景,分析了乘客在站台上不同的空间分布形式、不同的运营时间段和站台的物理空间形状等因素对列车停站时间的影响。文献[4]针对乘客的上下车行为进行分析,发现乘客的上下车时间和乘客数量呈线性关系,与车厢内拥挤度呈非线性关系。美国交通运输研究委员会(TRB)编写的《公共交通通行能力与服务质量手册》(Transit Capacity and Quality of Service Manual)[5]针对轨道交通停站时间的估计与评价提出了相关的定量分析方法。

国内学者针对该领域的研究主要有:文献[6]以北京地铁作为观测对象,得出了乘客上下车时间与上下车乘客数的回归模型,并基于实测数据对模型进行修正,最终得到轨道交通停站时间的修正模型。文献[7]以车站客流组织方法评价为目的,对北京轨道交通乘客上下车行为进行仿真分析。文献[8]运用方差分析法对影响地铁乘客上下车效率的因素进行了定量研究,得到当前的主要影响因素是人为因素。文献[9]在研究地铁站内乘客疏散时间时对乘客下车时间进行分析,建立了单门乘客下车时间与下车乘客人数的幂函数关系。文献[10]研究城市轨道交通乘客上车的时间规律,建立了分段形式的乘客上车时间模型。

综合国内外相关的研究发现,对城市轨道交通乘客上下车行为与列车停站时间的研究通常采取实测数据分析与仿真模型建立两种方法。然而，实测数据分析法往往基于乘客完全遵守先下后上的假设,与实际运营情况有一定的出入;仿真模型法虽然能对该问题进行更加微观细致的分析,但仿真模型在实际运营中的适用性上有一定的不足。本文基于现场站台视频资料的采集与处理，获得乘客上下车阶段流动率、上下车人数等基本信息，探究乘客上下车时间的行为特征之间的关系。同时，以此为基础，获取列车停站时间组成，采用数学统计方法进行分析，指出目前轨道交通运营管理方面的问题。

1 分析数据采集

本研究以上海轨道交通1号线彭浦新村站和2号线南京东路站为背景,对彭浦新村站2015年10月19—23日下行早高峰(7:30—8:30)和上行晚高峰(17:00—18:30)、南京东路站2015年10月12—16日上下行早晚高峰的站台监控视频进行数据采集,得到乘客上下车行为与列车停站数据进行分析。

根据对现场视频监控资料的观测,南京东路站与彭浦新村站在工作日早晚高峰时间的客流特征有明显的区别：南京东路站两个方向早晚高峰时段的上下车客流分布比较平均,下车人数约占到上下车总乘客数的50%～55%；彭浦新村站上行晚高峰时段下车乘客数远大于上车乘客数(下车乘客数约占上下车总乘客数的85%),下行早高峰时段上车乘客数远大于下车乘客数(上车乘客数约占上下车总乘客数的94%)，且彭浦新村站客流在早晚高峰的方向不均匀性明显,即上行早高峰与下行晚高峰时段客流压力远小于上行晚高峰与下行早高峰时段。因此，本文在样本选取与数据分类时,将彭浦新村站上行晚高峰与下行早高峰分开统计，而南京东路站两个方向与时间段不作分开统计,以此保证数据样本的代表性。

2 乘客上下车行为分析

2.1 不同客流规模与客流特征下的乘客流动率分析

乘客上下车行为分析针对单门乘客进行,采用乘客流动率作为描述乘客上下车行为速率的指标。其计算方法如下:

(1)

表1为不同客流特征下南京东路站和彭浦新村站乘客上下车流动率，可以看出,彭浦新村站上行晚高峰时段,乘客上下车的流动速度最快,而彭浦新村下行早高峰时段,乘客上下车流动速度最慢。这是因为当上车乘客数远大于下车乘客数时,车厢内外拥挤度较大,乘客顺利上车需要的时间较长。反之，当下车乘客数远大于上车乘客数时,车厢内外拥挤度小,乘客上下车受到的干扰较小，步行速度较快。

表1 不同客流特征下乘客上下车流动率

由于彭浦新村站的数据样本中客流具有明显的单向性,故上下车乘客出现混行(同一时间段内乘客上车与下车行为同时发生)现象的比例较小(出现混行的样本约占总样本量的22%),而南京东路站上下车乘客数量分布比较均匀,出现上下车混行现象的频率较高(出现混行的样本约占总样本量的75%)。故以南京东路站为研究对象,分析在不同上下车乘客数量下,混行现象对乘客流动率的影响。有混行和无混行情况下的乘客上下车流动率如表2、3所示。

由表2、表3可知,随着上下车人数的增加,乘客的步行速度随之上升;对于乘客上车与下车流动率,混行现象将减缓乘客的步行速度,而对于乘客上下车流动率,混行现象在一定程度上提高了上下车乘客整体的通行效率。

表2 不同客流规模下乘客上下车流动率(存在混行)

表3 不同客流规模下乘客上下车流动率(不存在混行)

2.2 回归分析

国内外针对轨道交通乘客上下车时间的研究发现,乘客的上下车时间与上下车人数呈线性关系。本文将下车人数(A)和上车人数(B)分为非混行人数(A1和B1)与混行人数(A2和B2)两部分,采用线性回归方法,分析乘客人数与上下车时间(TA,TB,T)之间的关系。选取判定系数R2、显著性指标(Sig)与赤池信息准则(AIC)作为评判指标,考察模型拟合质量以及是否出现过度拟合现象。回归分析结果如表4所示。

由表4可以看出,模型分组2中,A2(B2)的系数均大于A1(B1);除了上下车总时间模型,模型分组2在拟合优度与过度拟合指标上均优于模型分组1；对于上下车总时间模型,模型分组1和2中的AIC指标相差极小(小于1)。由此可知,上下车乘客数量对乘客上下车时间的影响，混行阶段大于非混行阶段。

表4 回归分析结果

3 列车停站时间分析

列车的停站时间一般包括列车开关门作业时间、站台清空时间、上下车结束至列车关门时间及车门关闭后的列车起动时间。其中,站台清空时间对轨道交通系统的运行效率有着最大的影响。对一个成熟高效的轨道交通系统来说,站台清空时间在满足乘客上下车需求的同时，应尽量减小车厢内乘客的等待时间。由于列车开关门作业时间与车门关闭后列车的起动时间一般较为固定,且仅受系统设备性能的影响,故本文重点关注停站时间中站台的清空时间和乘客上下车结束至车门关闭之间的时间。南京东路站、彭浦新村站列车停站时间组成见表5。

从表5中可以看出,南京东路站和彭浦新村站早晚高峰时段的平均站台清空时间均小于乘客上下车结束至车门关闭之间的时间,且站台清空时间占整个停站时间的比例均小于30%,极端情况下仅有18.1%(彭浦新村站下行早高峰)。城市轨道交通车站高峰小时客流压力大,站台滞留情况时有发生,列车无效停站时间(列车关门后滞留在站台的时间)过长将导致乘客等待时间与出行延误的增加,影响轨道交通系统的通行能力与运输效率。而世界上发展较为成熟的轨道交通系统,如加拿大的多伦多与日本的东京,列车的有效停站时间占总停车时间的比例可达到60%甚至更高[6]。

表5 列车停站时间组成

在实际运营管理过程中,为使系统能对一些微小的运营误差进行调整,编制列车运行图时,常在列车最小控制发车间隔与列车停站时间之间加入一定的运营裕量。《公共交通通行能力与服务质量手册》提出了一种基于实测数据的运营裕量计算方法,并以列车的发车间隔变异系数为考量系统服务可靠度的指标,以综合评价系统的服务质量[5]。具体计算方法如下[5]:

(2)

(3)

式中:

TEM——运营裕量;

Mi——发车间隔均值;

Md——停站时间均值;

Dd——停站时间标准差;

CI——控制发车间隔;

Cv——发车间隔变异系数;

Di——发车间隔标准差。

根据式(2)、(3),对彭浦新村站和南京东路站运营裕量与可靠度指标进行计算，结果见表6。

表6 运营裕量与可靠度指标计算

由表6可以看到,南京东路站上下行早高峰时段和彭浦新村站下行早高峰时段的估计运营裕量值为负值,且其对应的可靠度指标相对较大,这表明由于列车发车间隔时间值的离散性较大,降低了系统服务的可靠度,同时也导致系统无法留出足够的运营裕量对可能发生的微小运营偏差进行自调节;而彭浦新村站上行晚高峰时段的运营裕量远大于列车的停站时间,这将造成一部分乘客出行延误的增加。根据美国交通运输研究委员会的调查,北美许多轨道交通系统在保证列车服务高可靠度的同时,系统也预留了适当的运营裕量,如加拿大温哥华的轨道交通系统,其平均发车间隔为160 s,Cv=0.086 1，并预留了约50 s的运营裕量[5]。

4 结语

本文从分析乘客上下车行为入手,对乘客上下车时间与列车停站时间进行了建模与实例分析,主要包括:

(1) 通过对实地数据的采集,分析了不同客流特征下的乘客流动率特征,发现当上车乘客数远大于下车乘客数时,乘客上下车步行速率最慢,而当下车乘客数远大于上车乘客数时,乘客上下车步行速率最快;(2) 分析乘客上下车混行行为对上下车时间的影响,建立多元线性回归模型,发现乘客的混行会对上下车时间产生显著影响,而在相关研究中乘客完全遵守先下后上原则的假设会对分析结果带来一定的误差;

(3) 分析了列车停站时间的组成,以及在实际运营过程中出现的无效停站时间过长对系统运行效率的影响,并采用《公共交通通行能力与服务质量手册》的计算方法对实测数据进行处理,得到运营裕量的估计值,从而找出实际运营中服务可靠度较低、运营裕量不足的问题。

本文研究基于上海轨道交通的运营现状,也可为其他地铁线路的规划、建设与运营管理起到借鉴作用。例如，确定或调整列车在某车站的停站时间时,不但要考虑该车站的客流规模,也要考虑其特定的客流特征,在保证乘客有足够的时间完成上下车的同时,尽量缩短列车的无效停车时间,以保证系统的运行效率；在运营管理工作中应保障列车正点率,以提高运输效率与服务可靠度,同时为系统留出足够的运营裕量。

[1] KRAFT,W H.An Analysis of the Passenger Vehicle Interface of Street Transit Systems with Applications to Design Optimization [D].New Jersey:New Jersey Institute of Technology,1975:195-199.

[2] HEINZ W.Passenger service times on trains-theory,measurements and models[D].Stockholm:Royal Institute of Technology,2003.

[3] WIGGENRAAD,B L.Alighting and Boarding Times of Passengers at Dutch Railway Stations[R].Delft ：Trail Research School,Delft University of Technology,2001.

[4] PUONG A.Dwell time Model and Analysis for the MBTA Red Line[R].Boston:Massachusetts Institute of Technology,2000.

[5] Transportation Research Board.Transit Capacity and Quality of Service Manual[S].Washington DC:Transport-ation Research Board,2003.

[6] 张碧纯,卢弋.城市轨道交通停站时间建模研究 [J].交通与运输,2001(2):48—52.

[7] ZHANG Q,HAN B M,LI D W.Modelling and simulation of passenger alighting and boarding movement in Beijing metro stations[J].Transportation Research Part C,2008,10:635-649.

[8] 韩宇,韩宝明,李得伟.地铁站乘客上下车效率因素影响分析[J].城市轨道交通研究,2007(7):43-46.

[9] 陈绍宽,李思悦,李雪,等.地铁车站内乘客疏散时间计算方法研究[J].交通运输系统工程与信息,2008,8(4):101-107.

[10] 曹守华,袁振洲,赵丹.城市轨道交通乘客上车时间特性分析及建模[J].铁道学报,2009，31(3)：89-93.

On the Relation between Passenger Boarding Behavior and Train Dwelling Time

CHEN Jiashen, PU Qi, TU Yingfei

Passenger boarding time is a key factor to affect train dwelling time, the latter has great impact on the efficiency of rail transit system. Taking 2 Shanghai urban rail transit stations on Line 1 and Line 2 respectively as the study object, and through on-site observation, the passenger boarding behavior data according to different passenger flow characteristics are collected, the impact of passenger interweavement on alighting & boarding time is analyzed by using the linear regression model. Additionally, components of train dwelling time are analyzed through some quantitative indicators, corresponding shortcomings in daily operation are pointed out to ensure sufficient boarding time for passengers and shorten the invalid dwelling time of train.

urban rail transit; passenger boarding behavior; train dwelling time

*国家科技支撑计划项目(2015BAG19B01);上海市科学技术委员会科研计划项目(15DZ1204304)

U 293.6

10.16037/j.1007-869x.2017.01.014

2016-04-01)