基于Wi-Fi嗅 探技术的站台引导员效用及布置研究*

刘光通 孔德文▲ 姚丽亚 孙立山 王 琨

（1.北京工业大学北京市交通工程重点实验室 北京 100124；2.北京理工大学机械与车辆学院 北京 100081；3.北京城建道桥建设集团有限公司 北京 100124）

0 引 言

站台是地铁站内连接落客区域与站厅层的过渡性集散空间。由于其空间狭小、客流集散量大，且乘客视野范围有限，站台范围内常出现不同等待区域内乘客分布不均匀的现象。这种现象会导致部分区域乘客过度密集等问题，对乘客安全性产生直接影响。为解决上述问题，部分轨道交通站点在站台区域布置引导员，以人工引导的方式保障客流的高效安全疏散。站台区域的引导员主要承担客流动态引导、安全提示、乘客问询等方面的工作，对站台区域候车乘客的动态运行具有显著影响。科学合理的引导员布置方案研究具有较强的现实意义。

国外已有研究表明，地铁站内行人的运动受环境影响明显，各组合下的设施和组织方案对行人疏散有不同的促进效果。Assis等[1]通过分析大量客流数据样本，发现行人候车及换乘时所展现的行为特征，为列车运营调度提供合理化建议；Helbing等[2]通过对排长队列的统计，发现队列中行人间距离趋向于固定，并研究得出是行人间相互作用后的结果；Hoogendoom等[3]发现改变通道瓶颈宽度，分层的行人将占用相邻层的空间，从而使瓶颈的容量呈阶梯式提高的现象；Kim等[4]通过研究高峰期间客流对车厢的选择特性，确定了影响乘客候车位置选择的因素，并验证距离是乘客首要考虑的因素；Luo等[5]基于实验总结了地铁站内设施瓶颈对行人动态的影响，并最终提出了优化措施；Juan等[6]提出在站台设置单向安全闸门的方式对客流进行管控，实验结果显示该方式能提高地铁的整体运行效率；Ma[7]等基于改进的社会力模型，研究了引导员对有限视野范围内的人群疏散效率，最终提出了对不同人群规模的引导员数量建议，并发现引导员也可能对疏散产生负面作用。

在国内研究方面，曹守华等[8]以轨道交通乘客上车时间为研究对象，综合了站台设置、车门宽度、提示音等一系列因素，建立了计算乘客上车时间的模型；李强等[9]研究发现，分区域疏散能够更大程度减少疏散时间，且更利于乘客选择最优路径；濮烨[10]建立了候车乘客分布优化模型，并结合案例验证了模型的实用性，提出了优化措施；乔婧等[11]发现行人流在站内通道设施的影响下会呈现分层规律，并依据规律提出了缓解正向冲突的措施。此外，李森芸[13]研究了站台结构、客流属性和引导措施对站台乘客分布的影响规律，吴茜蒙[14]建立了基于最短路径原则的引导员疏散分区模型和考虑出口通行能力的引导员疏散分区优化模型，以此确定引导员的数量和引导范围，最终通过实例验证了模型的有效性。

综上所述，国内外研究者对地铁站内站厅、站台，以及设施瓶颈等位置客流组织方案已经有了一定程度的研究，但对于站台引导员对乘客的影响效用以及引导员科学布置方法的研究数量较少，目前研究多限于对引导员的建模等理论研究，对于不同条件下的引导员布设方法等实际应用研究尚待深入。

因此，为确定轨道交通站台客流运动特性以及引导员对于客流运动状态的影响效用，笔者以北京南站地铁14号线站台为对象，分析了站台候车乘客运动特性及引导员作用；随后基于Any Logic仿真平台搭建了站台客流仿真模型，并分别在不同引导员布设方案和客流条件下分别进行实验；以车门人数均衡度以及二次上车人数2项指标为标准，判断各布设方案的运行效果，总结了各类引导员布设方案的适用性。

1 基础数据调查

1.1 调查方案

为研究轨道交通站台候车乘客运动特性，选择北京南站地铁14号线站台为对象进行数据采集。北京南站为14号线的始发/终到站，东至善各庄站（截至2019年5月）。站台形式为岛式站台，站台区域共设置2处楼扶梯、1处直梯，另有2处楼梯快速通道。快速通道和直梯的客流量远小于2处楼扶梯，故本研究中对快速通道和直梯的客流量忽略不计。在候车时，14号线站台可看作包含2个入口的封闭空间，北京南站为14号线的始发/终到站，因此该站台仅1侧存在候车乘客聚集现象。

利用Wi-Fi嗅探技术对站台客流量及行人分布数据进行采集。Wi-Fi嗅探技术是通过收集无线终端设备发出的连接请求信号，实现设备定位的技术。Wi-Fi探针（AP）是基于嗅探技术的无线终端设备探测器，当探针运行时，探针即可以获取其探测范围内的无线设备（如智能手机、平板电脑等）MAC地址，同时包括捕获此条数据的时间、日期、此设备的信号强度，以及此无线设备与Wi-Fi探针的距离。进入探针覆盖范围，开启其Wi-Fi连接功能，探针就能捕获其Mac地址[14-15]。经人工处理后，可以得到客流量、乘客的运动轨迹、位置、运动速度等数据。

具体调查方案如下：2个探针分别由2名调查人员手持，并分别站在2处楼梯口处的斜对称方位布设，见图1。Wi-Fi探针采集频率设置为2 s/次，采集时间从工作日的17：00开始，连续采集10个候车周期。

乘客的1个候车周期定义为：上一班次地铁关门的时刻，到本班次地铁到达车门开启的时刻之间的时间。通过实地观察，地铁14号线候车周期为5 min，车辆到达后开门时间为52 s。

图1 探针布设位置Fig.1 The diagram of AP setting position

数据采集所使用的2个探针可分别获取某时刻乘客与2个探针的距离。分别以2个Wi-Fi探针所处位置为圆心，所收集的距离为半径画圆产生2处交点，其中1个点代表乘客实际位置，根据设施、站台范围等实际情况，可判断代表该点。

为降低误差影响，数据采集过程中，设置探针采集数据的频率为2 s/次。将单个乘客的位置距离绘制散点图。去除波动较大的数据点，并考虑乘客移动的连续性，利用拟合曲线，确定乘客在各时刻下的与探针间的距离，见图2。

图2 某乘客距离散点图Fig.2 Scatter diagram of distance from some passenger

为确定数据采集的精确度，在实地数据采集之前，先进行距离误差实验以及开启Wi-Fi人数实验。通过人工法对站台楼扶梯处客流量进行计数，同时利用Wi-Fi探针在相同位置进行数据采集，连续采集30 min。以有效的Mac地址数量作为客流量，对比发现，有效的Mac地址数量约为实际人数的33%，故在后期统计客流量时，将所获取的数量按比例扩张，作为实际客流分布数据。

1.2 调查结果

依据上述方案，最终共获得10个候车周期内候车乘客数据。进入站台的总人数为3 531，其中楼梯口1进入人数为1 728人，楼梯口2进入人数为1 803人。各周期内进入站台的客流量见图3。

图3 各周期进入站台客流量Fig.3 Volume of passenger enter platform in each cycle

由图3可见，2个楼扶梯口在周期内进入站台客流量在150～204人·次不等。其中客流最为密集的为4～6，进入站台的总人·次分别为394，378，388人·次，此时站台拥堵现象较为严重。

候车时，每个车门前一般形成2列排队乘客。全部的10个周期中，第4周期处于客流高峰期最明显的时段。该周期下的候车乘客的分布特性最为典型，各车门前的等待人数见图4。

图4 候车乘客分布数量图Fig.4 Distribution chart of waiting passengers

由图4可以见，距离楼梯口较近的10号车门与19号车门人数最多，位于站台中部的14～17号车门由于存在障碍物，限制了候车空间，候车人数较相邻车门较少。此外，由于空间因素影响，站台两端车门相较站台中部车门乘客数较少。

在乘客登车期间仍有乘客到达，但开门时间较短，难以完成登车；加上部分未上车乘客，导致本班次车门关闭后，仍有30～50名乘客在候车区等候，主要分布在距离2个楼梯口距离较近的车门。

所收集的数据也用于仿真模型中的乘客期望速度、各等级密度的乘客数量、等待区排队容量等参数的标定。

2 轨道交通站台引导员效用分析

2.1 站台候车乘客运动特性

根据实际观测的数据可得出以下候车乘客运动规律。

1）地铁班次的到达具有明显的周期性，但到达站台的客流具有连续性，并且存在时间上的不均匀现象。

2）客流密度较小时，候车乘客会趋向减少步行距离，选择距离楼梯口最近的等待区候车。

3）当站台各候车区域区域存在一定量乘客时，乘客会趋向于选择候车人数较少的区域进行候车。

4）站台设施及管理措施，如建筑设施、引导员、引流栏杆等，对于候车乘客运动的影响效果较为明显。

2.2 引导员效用分析

实例站台在高峰期设置3名引导员，1名位于楼梯口位置，2名位于候车区域。通过对比候车乘客运动特性及实测数据可以发现，引导员具有动态导向作用，在站台候车乘客疏散的过程中，引导员主要具备以下效用。

1）维持乘客上下车秩序，减少上下车客流冲突，从而提高开门时间的利用效率，保证乘客安全。

2）乘客路线指引。岛式站台上，可帮助乘客明确候车区域的方向，提高乘客行走的目的性。

3）候车区域乘客调配。当引导员管理范围内的区域排队超过一定人数时，引导多余乘客前往周围其他相对空闲的候车区域，从而提高站台空间的利用效率，减少乘客滞留现象。

4）突发事件下的安全保障。引导员对于站台及车站构造较为熟悉，且掌握应急处理方案，可在出现列车故障、自然灾害或恐怖袭击等突发事件时减轻客流恐慌心理，安全快速疏散乘客。

目前，引导员分布位置尚未形成统一的规定，一般根据站台的设施设置及客流高峰期实际情况决定，并依据客流运动实时状态进行调整。通常，引导员的位置可根据与站台的相对位置分为：①位于站台侧部；②位于楼扶梯口；③位于站台中部。以北京南站地铁14号线站台为例，该站台共有30个车门，以1～30从左到右依次编号。引导员位于侧部、楼梯口以及中部的具体示意见图5。

图5 常见引导员布设方案示意图Fig.5 Schematic diagram of common guide layout schemes

3 仿真模型搭建及验证

站台客流仿真主要使用Any Logic行人库中的模块实现。对站台进行建模，并根据行人的实际情况加入其它模块，将各模块进行逻辑连接和事件输入，构成站台模型流程图，从而驱动仿真运行[16-17]。

依据站台实例几何要素，构建站台仿真场景见图6。在此场景中，利用Any Logic中的行人库模块，实现行人运动的仿真。分别在2处楼扶梯位置设置行人产生点，每个车门前设置2条服务队列。

通过分析实地观测的乘客速度分布情况，将Source模块中的行人舒适速度和期望速度分别标定为Uniform（0.5，1）m/s，Uniform（0.8，1.3）m/s。乘客前往每个车门前的概率依据实地调研数据进行标定。

为研究引导员在不同位置上对于客流疏散的影响效果，笔者主要对2名引导员，在不同相对位置的布设方案进行仿真分析。

在仿真模型中，引导员的主要作用体现在疏散部分车门前过多的候车乘客，从而提高站台空间利用率。在模型中规定引导员所站位置附近的车门候车队列容量存在上限，从而疏散乘客至其他车门。当2名引导员站在站台侧部位置时，设定5～8号车门、22～26号车门前每条队列的排队人数上限为10人；当2名引导员站在楼梯口位置时，设定9～12号车门、18～22号车门前每条队列的排队人数上限为10人；当2名引导员位于站台中部位置时，考虑站台中部障碍物的影响，限制14～17号车门前队列排队上限为8人。

图6 站台仿真场景搭建Fig.6 Platform simulation scene construction

仿真模型搭建完成后，以实际数据中第4，5，6个周期的平均客流量输入该模型，将与3个周期各车门前的平均候车人数相对比，实际数据与仿真结果平均误差为4.13%，真实性较好。各车门分布的人数对比为图7。

4 引导员位置适用性研究

4.1 站台运行效果判断指标

图7 仿真结果与实际数据对比Fig.7 Comparison diagram between simulation results and field data

对于整个站台系统，引导员的主要作用是保障站台乘客安全及提升出行效率。因此，引导员设置方案的运行效果可以通过站台运行状况来判断。一般来说，站台乘客群体分布越均匀，即站台的空间利用率越高，安全性越好；乘客平均候车时间越短，或前一班次列车未上车的人数越少，出行效率越高。依据上述2项目标，分别选择车门人数均衡度和二次上车人数作为站台整体运行效果的判断指标。2项指标的具体定义情况如下。

1）车门人数均衡度ε。车门人数均衡度是指站台乘客位置分布均匀程度，是能够体现站台空间的利用效率指标，以车辆到达后车门开启的瞬间，等待区的排队人数和每个等待区域的平均人数的比值表示。

式中：εi为车门均衡度；Ni为等待区i前的候车乘客数，人·次；n为站台一侧等待区数量，即车门数量。

一般来说，乘客是否在局部区域过度聚集，即各车门前候车区域人数趋近于相同或相差较小时均衡度更高，运行效果更好。因此，本项指标越小，代表站台空间设施利用率越高。

2）二次上车人数Q。二次上车人数是指在1个候车周期内，到达站台但未能上车的乘客数量总和（包含车辆驻停期间到达站台的乘客），是能够体现站台时间利用效率的指标，以各个等待区候车乘客数量与1个周期内的上车人数的数量的差表示。

式中：Q为二次上车人数，人·次；Ni为等待区i前的候车乘客数，人·次；Nalight为1个班次的地铁到达后，上车的乘客数量，人·次。

当地铁内候车乘客排队过长时，可能导致队尾部分乘客难以在开门期间登车，从而产生“二次上车”现象。引导员通过合理调配部分区域候车乘客，可有效减少二次上车人数，增加站台整体的疏散效率。因此本项指标越小，代表站台整体运行效果越好。

4.2 仿真结果及分析

将整理后的Wi-Fi客流数据对仿真模型进行校准，逐一改变引导员的位置研究对站台运行状况的影响。根据站台规模情况，分别将270人·次/周期、360人·次/周期、450人·次/周期作为低密度客流、中密度客流和高密度客流条件，将模型在3种客流密度水平下独立运行5次，观测引导员在不同相对位置下的各项指标的平均值变化情况。

由于案例中候车周期为5 min，故笔者主要研究仿真过程0～300 s时段收集到的数据。各仿真的车门人数均衡度统计结果见图8。

由图8可见，在各客流密度条件下，候车人数整体呈现中间多、两侧少的现象，各车门与站台入口楼扶梯的距离是导致该现象的主要因素。此外，由于13～18号车门位于站台正中部，受障碍物阻挡，其容量相较周围区域较小，故候车人数一般较为固定且略少于其他车门。

一般认为，所有车门平均分配全部乘客数量时，或所有车门前候车乘客数量差距较小，站台空间利用情况为最优状态。因此，计算仿真结果中30个车门人数均衡度的样本方差，体现该站台整体均衡度的优劣情况，从而判断站台空间区域利用效率情况。

由表1可见，在低密度客流条件下，引导员在侧部、在楼梯口及在中部的方差分别为0.44，0.46，0.52，引导员在侧部位置的均衡度方差最小，即均衡程度更高，在中部位置的均衡度方差略小于中部位置的方差。主要是由于在客流密度较低时，站台的排队人数较少，在登车时间内上车的压力不大，乘客趋向于在距离较近的候车区域聚集。引导员站在侧部位置时，能更大程度地疏散过多聚集的乘客。

在中密度条件下，在侧部、楼梯口以及中部的车门人数均衡度方差分别为0.42，0.39，0.38，位于站台中部时引导员效用最高。此时楼梯口与中部位置附近的区域为乘客候车首选，引导员位于该区域时，更接近客流密集区域，相对来说有利于对站台客流的均衡度引导，减少局部区域的密集程度。

图8 各客流条件下的车门人数均衡度Fig.8 Number equilibrium degree under each density situation

表1 各条件下站台客流均衡度方差Tab.1 Variance of platform passenger flow equilibrium under various conditions

在高密度条件下，三者的均衡度方差分别为0.34,0.41,0.44，引导员位于站台侧部的均衡度最高。

在模型运行过程中，对各条件下站台二次上车人数进行记录和对比，结果见表2。

表2 站台二次上车人数统计表Tab.2 statistics of the number of people getting on the platform twice

仿真结果显示，客流处于低密度时，引导员在站台中部的二次上车人数较在楼梯口和侧部分别减少了11人·次与2人·次；客流处于中密度时，引导员在楼梯口的二次上车人数，相较侧部和中部分别减少了28人·次与12人·次；当客流处于高密度时，引导员位于站台侧部时的二次上车人数，相较位于楼梯口和中部分别减少了7人·次与13人·次。

综合对比2项指标结果，客流处于低密度状态时，引导员位于站台侧部最有利于站台乘客的疏散；客流处于中等密度时，由于位于站台中部时的车门人数均衡度方差与楼梯口位置相近，而楼梯口位置的二次上车人数远小于站台中部，因此站在楼梯口，具有更大的引导效用；在客流水平处于高密度时，侧部客流均衡度方差为0.34，分别低于楼梯口位置及站台中部0.07和0.1，二次上车人数为45，低于楼梯口位置及站台中部7人·次和13人·次，2项指标均为在侧部位置时最小，引导员宜站在侧部位置进行客流疏导。

已有学者对密闭空间下引导员的位置和数量对疏散效率的影响进行了研究[7]，结果显示，疏散过程中，引导员的位置因素比数量因素的作用更加关键，证明了本研究的意义。

基于仿真平台和实际案例，通过限制排队人数的方式，实现了对引导员的建模。相较于修正社会力模型[7]和元胞自动机模型[18]，本方法复杂程度较低，可节约计算成本。对2名引导员位置和候车乘客分布的关系进行了分析，总结了引导员位置方案的适用条件。结果表明，引导员在站台疏散过度密集的候车乘客时，其各位置的布置方案在不同客流条件下有所差别。在所设置的低、中、高密度客流条件下，适用性最强的引导员位置分别为站台侧部、楼梯口、侧部。管理人员可依据结论，结合站点客流高峰期特点，制定动态位置的引导员布置方案。

5 结束语

分析了乘客候车分布规律和引导员对乘客候车位置决策的影响。以北京南站14号线地铁站台为例，设计了3种引导员布设方案，即2名引导员分别位于站台的侧部、中部及楼梯口附近。利用Any Logic平台搭建仿真模型，确定了在各客流密度条件下，3种布设方式对站台候车乘客疏导的效果及其适用情况。

结果表明：①在低密度客流条件（270人·次/周期）下，引导员位于站台侧部时，站台的车门客流均衡度方差相较引导员位于中部及楼梯口时下降0.02和0.08，二次上车人数分别下降1人·次和12人·次，其引导效用相对较好；②在中密度客流条件（360人·次/周期）下，相较站台侧部和中部位置，引导员位于楼梯口位置时客流均衡度方差分别下降0.04和0.01，二次上车人数下降30人·次与16人·次，综合2项指标来看，引导员在楼梯口位置时引导效果更显著；③在高密度客流条件（450人·次/周期）下，引导员在侧部位置的时的客流分布最为均匀，其站台客流均衡度方差分别低于楼梯口位置和站台中部为止0.07和0.1，同时二次上车人数最少，因此高密度条件下引导员最适合位于侧部进行疏散。

后续研究中，可对不同类型站台及较为复杂的站台场景下的引导员布设方案进行分析，并与引导标识[19]结合，进一步研究引导员布设的算法理论。本研究模型中默认所有乘客遵从引导员指令，可进一步考虑乘客执行率因素以及不遵从指导的乘客的影响特点。此外，已有研究显示，引导员在部分情况下对疏散效率具有消极作用[20],未来可对引导员布设的疏散场景的出口、楼扶梯、障碍物等设施以及环境的前提条件进行研究。