城市轨道交通车站乘客聚散行为仿真及优化

傅志妍，陈 坚，李 武，钟异莹

FU Zhi-yan1, CHEN Jian2, LI Wu3, ZHONG Yi-ying2

（1.重庆第二师范学院 经济与工商管理系，重庆 400067；2.重庆交通大学 交通运输学院，重庆 400074；3.昆明理工大学 交通工程学院，云南 昆明 650504）

(1.Department of Economics & Business Administration， Chongqing University of Education， Chongqing 400067，China； 2.School of Traffic and Transportation， Chongqing Jiaotong University， Chongqing 400074， China； 3.Faculty of Transportation Engineering， Kunming University of Science and Technology， Kunming 650500， Yunnan， China)

城市轨道交通车站的乘客聚散行为结果将直接影响城市轨道交通车站的布局设计、客流组织及建设投资，传统的理论模型难以对乘客行为进行直观、大规模挖掘分析，也难以预测交通组织优化方案的效果，而已有的仿真技术缺少对城市轨道交通车站特殊环境与指标的构建研究。根据行人个体与环境设施之间相互作用程度，可以将对乘客行为的分析方法划分为宏观、中观和微观3个层次。宏观层次从全局角度分析行人运动过程的交通特性，通过“流量－速度－密度”之间的关系对行人交通流的集聚特性进行研究[1-2]。中观层次在分析时空特性 (如流量、密度、速度等) 基础上，关注行人在短时间内的决策行为，并以个体构成的行人单元为研究对象，构建行人中观仿真模型，描述单元体的动态变化[3]。微观层次研究的焦点是行人个体的行为过程，重点探究行人特性 (物理特性、心理特性等)、环境等因素在不同条件下对行人所可能采取运动方式的影响[4]。随着仿真模型对行为过程的细节程度要求不断提高，微观层次的乘客行为分析模型逐渐由离散型分析模型和连续型分析模型发展为基于元胞的分析模型、基于网络的分析模型、基于动力学的分析模型和基于智能体的分析模型[5]。自上述分析模型提出以来，不少研究者对其进行了优化改进，以提高对行人行为的刻画精度和适用范围。Blue 和 Adler 等应用元胞自动机模型模拟了露天场所下的行人的双向运动[6-7]，Muramastu 改进基本的元胞自动机模型为行人在网络中随机移动的元胞模型[8]。Thompson 和 Lovas 等在排队网络的基础上构建出火灾情况下人群在典型建筑中疏散的排队网络模型[9-10]。已有研究多从乘客运动和排队特征入手，多重因素对乘客聚散行为的综合影响研究较少。为此，通过总结车站乘客的聚散行为特征，以社会力模型为基础，采用Anylogic 软件对乘客在车站的聚散过程进行仿真，分析主要区域的行人密度和强度，寻找车站系统的瓶颈并提出相应的优化改进措施。

1 车站乘客聚散行为特征分析

1.1 车站乘客的交通特征

（1）宏观特征。乘客在轨道车站内快速移动，除具有在一般交通设施上的特性外，还具有一些特殊性。首先，乘客的行走距离较长，除了单一步行外还伴随买票、购物、群集等活动，同时乘客的流量具有突变性。其次，乘客在站台上不同区域的分布差异明显、上下车的具体行为和效率也有所不同，受到上下车乘客数量、车门宽度、车门与站台间的缝隙、车辆与站台地面之间高度差的影响。再次，乘客在车站中的选择和决策行为受周围广播系统、诱导设施等影响，并且乘客在站台的换乘时间取决于设施的能力和当前流量。最后，乘客个体在行进过程中可能因受到其他乘客的作用而改变自己行进速度或行进方向。

（2）微观特征。微观交通特性主要表现在乘客的步速和步幅[11-12]。乘客在轨道车站的步速分布范围为 0.5～2.16 m/s 之间，但 1.0～1.3 m/s 的乘客步速占总量的 60.7%。同时，乘客步速不仅与行人性别、年龄、出行目的有关，而且受到沿街建筑物的使用性质的影响。乘客步幅的分布区间，因性别、年龄而稍有差别，并且受人行道面铺装平整程度影响。

1.2 车站乘客的行为特征

（1）乘客尺寸和期望速度。乘客尺寸由乘客身体实际所占空间和安全距离2部分组成。身体所占空间为乘客身体在地面投影的面积，安全距离是乘客生理和心理上为防止墙壁或其他行人碰撞而保持的必要距离。在通道、自动扶梯、电梯等设施处，乘客尺寸对设施通行能力和服务水平有较大影响。期望速度 (即自由流速度) 是指乘客在不受他人干扰下，根据自身出行目的、身体素质等情况，选择的最舒适走行速度。期望速度反映乘客心理对于行走环境优劣的一个评估程度。作为行人仿真中的一个重要的参数，乘客期望速度并非定值，而是服从某种函数分布，这与现实条件下行人期望速度在时间和空间上的随机变化规律相一致。

（2）行李携带情况和同行情况。乘客携带行李的空间需求和走行速度受到行李体积、重量、个数等影响，携带行李情况对乘客的行走速度及路径选择有显著影响，在仿真过程中可通过乘客元素半径调整。在轨道车站中结伴同行的现象普遍存在，其行为特性与个体有所不同。个体在行为中只存在排斥他人、避免碰撞的特性，而结伴乘客在总体上表现为组内以相同行程速度行走，并且整体速度低于正常速度，在仿真中即表现出避免相互碰撞的排斥特性。另外，单个乘客为个体单独接受服务，而结伴乘客通常只需组队中的一个人接受购票、安检等服务，其余队员在等候区等候即可。因此，当结伴乘客的数目占总客流量的比例较高时，将较大影响客流总体速度和乘客接受服务情况。

2 车站乘客聚散行为微观仿真设计与实现

2.1 基于 Anylogic 仿真平台的建模方法

Anylogic 仿真软件是一款应用广泛，具有专业虚拟原型环境，用于描述离散、连续及混合系统行为的建模和仿真工具。Anylogic 行人库是一个模拟“真实”环境中行人流的高级库，主要包括环境建模和行为建模2个主要模块。环境建模通过应用行人库空间标记中“墙”“矩形墙”“环形墙”工具描绘出墙壁、立柱、隔离栏、障碍物、电梯、售票窗口等无法行走区域的边界；用“服务线”“区域服务”等空间标记标定各类服务设施的数量、空间位置和排队线路；用“目标线”设定行人的生成源和目的地。行为建模主要用流程图的形式来表示，应用行人库中的行为控件可模拟行人在空间行走过程中，对障碍物、其他行人和服务设施的反应。通过收集统计数据，将所建立的模型形象、直观地展现出来。采用人流密度图统计各区域的人群密度，用不同的颜色表示密度的高低差异，以判断服务设施的服务能力是否满足目前的负荷。

通过 Anylogic 的行人库构建行人模型的步骤如下。

（1）行人逻辑图的构建。根据行人在不同环境下行为流程 (如进站、购票、排队等) 绘制行人在仿真环境的行人行为逻辑图。

（2）仿真环境建模。导入仿真环境的 CAD 底图，应用空间标记模块绘制墙、立柱、售票机等物理环境。

（3）逻辑图和环境建模的匹配和智能体设置。将逻辑图中行人产生、到达、服务等行为的活动区域与环境建模中空间标记对应，将环境中的行人设置为智能体，并设置其相关属性。

（4）仿真输出数据的获取。通过数据分析板块获取与仿真相关数据，如行人流量、排队时间、行人密度进行统计和输出。

2.2 仿真结果分析的主要指标

为了定量分析乘客在城市轨道交通车站的聚散行为，除了直接比较不同仿真时刻下人流密度图的变化外，还应通过具体指标对聚散过程中人流的变化进行分析，为仿真结果优化提供参考依据。因此，研究选择人流密度和人流强度2个行人仿真的关键指标分析乘客在车站的集散行为。前者通过单位面积内的行人数目变化辨识乘客的集散状态，后者通过不同服务区域分析单位时间单位距离的通过人数判断集散过程中，冲突点、瓶颈点可能出现的时间和位置，并获取优化改进的重点区域。

2.3 仿真结果优化的主要策略

乘客集散行为仿真的主要目的在于优化车站系统的人流冲突点和瓶颈点，提高车站物理设施的服务能力，保障行人安全、快速集散，减少乘客不必要的出行时耗。通常而言，车站瓶颈点的主要优化策略集中在以下2个层面：一是优化冲突区的物理设施空间布局，通过改变自助购票机、售票窗口、检票闸机等设施物理位置，均衡乘客在车站的空间分布，降低行人在聚散过程中的冲突交织概率；二是增加人流冲突区的服务设施，对于长时间存在人流冲突的区域，需要通过增设相关服务设施以满足车站乘客集散需求，降低区域的人流强度。

3 实例分析

3.1 数据调查

以重庆轨道交通南坪站为实例分析对象，对南坪站站厅层的设施设备和晚高峰时段客流情况进行实地调查。首先，通过实地观测获得南坪站2个站层尺寸 (如车站长度和宽度等)，以及设施设备数目，进而绘制南坪站平面图。其次，调查进出站客流情况，包括进出站客流、购票乘客的比例及乘客的走行速度，南坪站乘客进出站流量统计如表1所示。

根据调查统计，乘客在车站的行走速度同性别相关，男性乘客行走速度区间大致为 0.9～1.84 m/s，女性乘客的行走速度的分布在 1.05～1.68 m/s 之间，总体的速度在 0.98～1.76 m/s 之间，整体平均速度为 1.45 m/s。

表1 南坪站乘客进出站流量统计Tab.1 Passenger flow in nanping station

3.2 仿真结果分析

依据建模步骤对重庆南坪车站进行仿真，站厅层仿真1min 和10min 的行人流量密度如图1所示。结果中行人由不同颜色的点来表示，点的颜色差异代表不同类性的行人。行人流量密度的大小通过颜色深浅来表征，绿色对应于低密度、黄色对应于中间密度和红色代表高密度。

由图 1b 可以看出，在仿真10min 后，西侧安检区密度远大于东侧，并且东侧的闸机区和扶梯区颜色较重，表明该处各设施的能力已经不能满足行人流需求，乘客在聚散过程中拥堵情况较为严重，需要对交通组织方式和设施设备配置进一步优化。

随着仿真时间的推移，进站闸机区域的人流强度和人流密度均在上升，人流密度的范围在0～0.25 人/m2之间，当仿真进行至10min 时，在进站闸机区内每小时内每米通过的行人数在 40～50人之间，且还有上升的趋势，但波动的范围在逐渐减小。

3.3 站厅层交通组织优化改进

3.3.1 优化改进措施

（1）改变安检的交通组织方式，将东西两侧的安检位置转移至南侧进行，并在高峰时期可增加1个安检口。

（2）高峰时期，自动售票机能力不足，可以在东西二侧各增加1台自动售票机。

（3）原在东西向中央的人工售票厅，可将其向前方前移5m。

3.3.2 改进方案仿真结果比较分析

（1）站厅层行人密度对比分析。通过对比优化前后的站厅层行人密度效果图可以发现，优化后的人流密度图颜色较浅，相同仿真时间内的黄色及以上区域数目少于优化之前，表明了优化措施的有效性。

（2）进站闸机区人流密度对比分析。优化前进站闸机区的人流密度最大值出现在仿真 4～5 min 之间，为 0.25 人/m2；优化后，进站闸机区人流密度的最大值出现在6～8 min之间，为 0.15 人/m2，最大人流密度下降 40%，效果明显。

（3）安检区人流强度对比分析。对优化前后的人流强度区间、最大值、最大值出现对应时间、人流强度的增长速度等指标进行比较，安检区优化前后人流强度比较结果如表2所示。

图1 站厅层仿真1min 和10min 的行人流量密度图Fig.1 Density of pedestrian flow on the station’s concourse floor∶ a one-minute simulation and a10minute simulation

表2 安检区优化前后人流强度比较结果Tab.2 Comparison of pedestrian flow intensities at the security check area before and after traffic optimization

优化后西侧安检区单台安检机的服务强度有所降低，东侧优化后每小时内单位长度 (1 m) 通过的行人数目下降约50人，人流强度的增速与之前相比较缓，整个安检区域的最大人流强度约下降 9.4%。

4 结束语

车站客流组织是城市轨道交通运营管理的核心内容之一，而车站乘客聚散行为仿真是客流组织优化的有效手段和重要方法。通过乘客聚散行为微观仿真能够定量描述乘客到达车站、购票、安检、候车、上车、离开等一系列交通活动链，并提取人流运动关键参数，实现车站内部人流活动分布规律的再现与模拟，为车站物理设施瓶颈点识别及客流组织薄弱处优化提供关键数据支撑。同时，乘客聚散行为模拟仿真可以预测车站短时人流时空演变趋势，是车站客流组织改善预设多套方案比选的有效手段和依据[13]。但是，由于车站乘客聚散行为复杂，影响因素众多，仿真结果输出和仿真精度的校核、行人在实际环境的决策行为描述有待进一步研究。

[1] LI W，ZHU W. A Dynamic Simulation Model of Passenger Flow Distribution on Schedule-based Rail Transit Networks with Train Delays[J]. Journal of Traffic and Transportation Engineering (English Edition)， 2016，3(4)：364-373.

[2] FLORIAN M，MAHUT M，TRAMBLAY N. A Hybrid Optimization-Macroscopic Simulation Dynamic Traffic Assignment Model[C]//Proceedings of the2001IEEE Intelligent Transport Systems Conference. California：Institute of Electrical and Electronics Engineers，2001：120-123.

[3] 李昌宇，李季涛，宋小满，等. 基于从众心理的城市轨道交通站内应急疏散仿真研究[J]. 铁道运输与经济，2016，38(9)：77-81.LI Chang-yu，LI Ji-tao，SONG Xiao-man，et al. Research on Simulation of Emergency Evacuation from Urban Rail Transit Station based on Conformity Mentality[J]. Railway Transport and Economy，2016，38(9)：77-81.

[4] 郭谨一，刘 爽，陈绍宽，等. 行人运动仿真研究综述[J].系统仿真学报，2008，20(9)：2237-2242.GUO Jin-yi，LIU Shuang，CHEN Shao-kuan，et al. Review of Pedestrian Simulation Research[J]. Journal of System Simulation，2008，20(9)：2237-2242.

[5] 廖明军，李克平，王凯英，等. 行人交通微观仿真研究综述[J]. 武汉理工大学学报(交通科学与工程版)，2010，34(1)：180-183.LIAO Ming-jun，LI Ke-ping，WANG Kai-ying，et al.Review of Microscopic Simulation of Pedestrian Traffic[J].Journal of Wuhan University of Technology(Traffic Science and Engineering Edition)，2010，34(1)：180-183.

[6] BLUE V J，ADLER J L. Emergent Fundamental Pedestrian Flows from Cellular Automata Microsimulation[J].Transportation Research Record，1998，1644(6)：29-36.

[7] BLUE V J，ADLER J L. Cellular Automata Microsimulation of Bidirectional Pedestrian Flows[J]. Journal of Transportation Research Board，1999，1678(1)：135-141.

[8] MURAMATSU M，IRIE T，NAGATANI T. Jamming Transition in Pedestrian Counter Flow[J]. Physica A，1999，267(3)：487-498.

[9] THOMPSON P A，MARCHANT E W. A Computer Model the Evacuation of Large Building Populations[J]. Fire Safety Journal，1995，24(1)：131-148.

[10] LOVAS G G. Modeling and Simulation of Pedestrian Traffic Flow[J]. Transport Research B，1994，28(3)：429-443.

[11] 徐世鹏，张 宁，邵星杰. 城市轨道交通站点客流不确定性研究[J]. 都市快轨交通，2015，28(3)：12-15.XU Shi-peng，ZHANG Ning，SHAO Xing-jie. A Study on Uncertainty of Station Passenger Flow for Urban Rail Transit[J]. Urban Rapid Rail Transit，2015，28(3)：12-15.

[12] 孙文桥，刘启钢，凌 熙，等. 铁路物流中心设计方案仿

(  )(  )真评估优化技术研究[J]. 铁道货运，2017，35(9)：1-6.SUN Wen-qiao，LIU Qi-gang，LING Xi，et al. Study on Optimization Technology of Simulation and Evaluation of Railway Logistic Center Design Program[J]. Railway Freight Transport，2017，35(9)：1-6.

[13] 谢 俏，李斌斌，何建涛，等. 基于非参数回归的城轨实时进出站客流预测[J]. 都市快轨交通，2017，30(2)：32-36.XIE Qiao，LI Bin-bin，HE Jian-tao，et al. Real-time Forecasting of Entrance and Exit Passenger Flows for Urban Rail Transit Station：A Non-parametric Regression Approach[J]. Urban Rapid Rail Transit，2017，30(2)：32-36.