考虑社交距离的城轨换乘站行人运动仿真分析

段力伟，张开萍，符喋洁

（重庆交通大学交通运输学院，重庆 400074）

在新冠肺炎防控背景下，为了保证城轨网络的正常运营，交通运输部于2022 年3 月发布《客运场站和交通运输工具新冠肺炎疫情分区分级防控指南（第七版）》，明确要求高风险所在地区运输组织场站乘客聚集人数占设计乘客最高聚集人数的比例应不大于50%，中风险地区应不大于70%。同时，城轨运营管理部门也提出了“增疏导人员、控进站速度、控站内人员密度、控车辆满载率”等措施，倡导乘客在站内保持1 m 社交距离。在此背景下，考虑到城轨站点内部行人运动特性，在确保疫情防控要求与日常运营秩序的情况下，对站内乘客进行有效的客流组织显得尤为重要。

针对城市轨道交通站内客流组织问题，国内外学者通过构建行人模型、开展仿真实验等手段，对城轨车站内的客流组织问题进行研究。Li Z 提出了基于社会力模型的微观行人仿真，模拟地铁站台上乘客的上下车方式,以此来探讨不同客流条件下乘客行为对下车效率的影响[1]。李建华等针对地铁站人流增多的大客流现象，利用AnyLogic 软件进行全数据、全尺寸仿真研究[2]。丁波及朱清波等针对轨道交通车站乘客行为对站内设施设备布局及换乘通道能力的影响，建立了面向复杂交织乘客行人流的地铁站台仿真模型，并对站内设备布局缺陷提出了优化改进措施[3-4]。张佩浩、孙军艳等利用AnyLogic 对枢纽站内人流疏散能力及集散能力进行评估优化[5-6]。

需要指出的是，既有研究中主要考虑常规情况下的客流组织问题，缺乏疫情防控背景下，对相关防疫政策给客流组织带来的影响进行量化分析。同时，车站客流组织不仅受到站内行人运动行为的影响，也与列车发车间隔这一外在因素密切相关。因此，该文借助AnyLogic 仿真软件，将列车运行模型和行人走行行为相结合，对城市轨道交通换乘站客流组织问题进行仿真建模研究，实现对不同防疫要求下的客流瓶颈识别与优化，对疫情防控背景下的城轨运营管理策略提出改进建议。

1 基础数据调查

仿真实验选取重庆市轨道交通3 号线和6 号线的换乘站红旗河沟站作为研究对象。该站3 号线的站台为岛式站台，6 号线的站台为侧式站台。在轨道红旗河沟站3 号线与6 号线实现了异站台垂直换乘。该站共有4 个出口，周围有大型商圈和客运枢纽站，通勤客流量大，单日客流量达到23.3 万乘次。

1.1 站点基础设施布局

红旗河沟站共有地下三层，其中地下一层为站厅层，地下二层为3号线站台层，地下三层为6号线站台层，其中3号线南北走向，6号线东西走向。站厅层付费区最宽处约为23 m，东西两侧各有18 个检票口和两台安检机；3号线站台为岛式站台，长120 m，宽10 m，3 号线至站厅层通过中部的两座楼扶梯进行客流转换，3 号线到6 号线的换乘通过南北两座楼扶进行；6 号线站台为侧式站台，站台长120 m，站台最宽处约为8.5 m，最窄处约为3.5 m，6 号线和站厅层的客流转换通过东西侧两组楼扶梯进行，6 号线和3 号线的换乘通过中部两座楼梯进行，如图1所示。

图1 红旗河沟站结构示意图

1.2 站点客流调查

依托重庆轨道交通客流分析平台，调查统计该站点工作日进出站客流量及站内各方向换乘客流数据，作为仿真输入参数，如表1、2 所示。

表1 仿真站点进出站客流数据

表2 各方向客流数量分配比例表

2 基于AnyLogic的仿真建模

2.1 基于社会力模型的行人运动模型

城市轨道交通换乘站是城市大量行人聚集的空间，站内行人交织复杂，客流量大，乘客的走行行为受到诸多因素的影响[7-8]：

1）流线多样性：乘客为了达到出行目的，自身会根据所掌握的信息和出行经验选择出行方案，因此呈现出运动流线的多样性。

2）行为多样性：空间中的障碍物和其他乘客会制约行人运动，当站内行人和其他乘客发生冲突时，会产生超越、跟随、排队等行为。

实验选取AnyLogic 作为仿真软件，该软件基于社会力模型，能很好地描述站内行人的运动特性。社会力模型是1995 年由Helbing 博士提出的一种基于牛顿第二运动定律描述行人运动的模型[9]。该模型运用数学公式来描述行人的运动特性，从微观的层面计算行人运动所受到的影响因素。如图2 所示，社会力模型将站内行人运动受到的约束描述为三个力的作用，分别是行人的自主意识诱发的自驱动力、行人躲避障碍物的自回避力和行人间保持相对距离的相互作用力[10]，如式（1）所示：

图2 社会力模型示意图

式中，Fi表示行人i运动受到的合力，fij表示行人i与行人j之间的相互作用力，fai表示行人i向目的地出发的自驱动力，fsi表示行人i与障碍物之间的相互 作用力，mi表示行人i的质 量，ai表示行人i的加速度。

在提出保持一定社交距离乘坐城市轨道交通时，这一客流组织策略将对站内行人运动产生影响，导致站内行人走行行为受到其他乘客所处位置的制约，从而改变自己的运动方向和速度，以维持自己与他人的社交距离。考虑社交距离的行人运动，在模型中表现为行人间的相互作用力变化，行人之间努力遵守指定的社交距离。

2.2 仿真实验流程

AnyLogic 是一个多方法系统仿真软件，其中的行人库可直接用于轨道交通站点的仿真建模。基于AnyLogic 的轨道交通站点客流仿真实验全过程如图3 所示，该流程一共分为六个部分，具体工作内容如下[11-12]。

图3 基于AnyLogic的行人仿真实验流程图

1）基础数据调查：收集这次仿真所需的基础数据，主要包括车站内部设施布局平面图、车站基础客流量、行人运动特性相关数据和站内行人流线等。

2）建立仿真模型：根据数据绘制实验的物理模型，确定模型内部各设施设备之间的关系和使用情况。根据站内行人流线的调查，绘制站内行人运动的逻辑模型。将建立的实验模型和实际站点运营情况进行对比，确保实验场景的真实性和合理性。

为比较本文方法与常规叶片图像分割方法的效果，选用图1(a)所示的第3幅图像作为样本，分别利用本文方法(FIE)及常规方法(EG，ER2，EGR2，CIVE灰度化后用Otsu方法进行分割)进行处理，结果如图4所示。结果表明，5类方法均可将叶面上的污点(图4各图像中右上方圈出部分)分离出来，但以FIE方法最好；FIE方法能够很好地把叶片上的主叶脉(图4中部长椭圆圈出部分)分割出来，ER2次之，EGR2能分割出小部分，EG和CIVE基本不能分割出来；对于叶面上的虫咬痕迹(图4下方小椭圆圈出部分)，只有FIE方法有效。

3）根据研究需要设计仿真实验：研究主要考察保持社交距离对站内行人运动的影响，因此分别对常规行人运动和保持社交距离下的行人运动进行仿真实验。

4）输入仿真数据：通过前期调研整理的客流数据和行人运动特性数据，设置实验参数。结合实际情况对比分析，调整模型参数，直至仿真结果与车站实际情况吻合。

5）运行仿真：根据步骤3）设计的仿真实验运行仿真模型，通过AnyLogic 软件的二维和三维视图观察模型运行的情况，输出实验分析数据。

6）分析实验结果：根据输出的仿真数据进行实验结果分析。

2.3 物理模型搭建

整理站点的调研数据，绘制站点各层的平面图，导入AnyLogic 作为底图，按10 像素代表实际中1 m的对应关系，绘制仿真实验的物理模型，如图4 所示。图中①为站厅层平面模型，②为3 号线站台层平面模型，③为6 号线站台层平面模型。

图4 仿真实验物理模型

2.4 逻辑模型搭建

轨道交通站内行人运动流线分为进站流线、出站流线、换乘流线三种。通过现场调研确定该站点行人运动流线，如图5 所示，乘客通过东西两侧的入口进入站厅层，进站乘客根据乘车去向选择楼扶梯到达指定站台层候车。出站和换乘的乘客下车进入站内，选择楼扶梯到达指定楼层进行换乘或刷卡出站，其中6 号线换乘3 号线的乘客需到达站厅层才能进行换乘。

图5 站内行人流线逻辑图

2.5 列车运行参数设置

为保证仿真实验的真实性和准确性，调查该站点列车时刻表作为仿真参数输入，如表3 所示。

表3 高峰时期列车运行时刻表

图6 列车逻辑模型

根据站点客流量和换乘数据，在进行仿真实验时按统计结果设置相应的属性，以确保仿真模型和真实站点的运营情况一致。

2.6 考虑社交距离的仿真场景设计

根据交通运输部发布的《客运场站和交通运输工具新冠肺炎疫情分区分级防控指南（第七版）》，高风险所在地区运输组织场站乘客聚集人数占设计乘客最高聚集人数的比例应不大于50%，中风险地区应不大于70%，因此，在实验中分别设置客流比例为100%、50%、70%的实验场景。

根据交通运输部疫情防控要求，疫情中高风险地区都应保持社交距离出行，社交距离是指自己和他人之间应保持的物理距离。在新冠疫情期间，世界卫生组织提出，保持一定的社交距离是预防新冠病毒的有效措施。在人群聚集的场所，如超市、轨道交通站点等都倡导保持社交距离出行，即出行者之间保持一定的距离，以有效预防病毒传播[13-14]。针对疫情防控背景下的人流组织，王宇哲等利用AnyLogic对社区核酸检测点人流组织问题进行仿真实验[15]。

针对城轨站点内部疫情防控要求和人流运动问题，利用AnyLogic 软件中的行人设置模块，启用社交距离选项，定制行人之间的社交距离。在此条件下，行人除非经过密度太高的瓶颈区域，否则行人运动过程将努力遵守彼此之间指定的社交距离，待通过瓶颈区域后，行人再次恢复保持社交距离运动。

这次仿真实验分别对高风险场景下（50%进站量，保持社交距离r=1 m）、中风险场景下（70%进站量，保持社交距离r=1 m）和低风险场景下（100%进站量，不保持社交距离）三种场景进行多次仿真实验，以获取实验结果。

3 仿真实验结果分析与优化

通过反复的对比实验，并对站内行人速度，站台密度等进行统计分析，具体结果如下。

3.1 仿真结果

仿真实验单次运行60 min，取5 次实验输出结果的平均值作为仿真结果。不同场景下站内行人平均速度变化如图7 所示。

图7 平均速度变化

从图7 可以看出，站内行人速度呈周期性变化，每个周期内的速度在站内密度最小时达到峰值。控制进站量并引入社交距离的控制后，仿真开始的5 min 内，站内乘客数量较少，社交距离对行人运动影响较小。随着站内行人数量的增加，行人行走速度受到较大的影响，行人运动在考虑社交距离时不得不降低行走速度。仿真1 h后，当站内行人保持1 m社交距离时，平均速度下降为无社交距离的49%，此时，站内行人为保持社交距离运动缓慢。

通过AnyLogic中的行人密度图模块，关联需要显示行人密度图的层，在仿真运行过程中观察各个区域的颜色深浅变化情况，从而判断各区域行人的密度大小[16]，如图8所示。该站点高峰小时站内客流密度较大，站内高密度区域集中在3号线站台层和站厅层客流交织区。

图8 站内行人密度图

3.2 结果分析及优化

通过仿真结果分析可知，由于站厅层和3 号线站台层通过左右两侧的楼梯进行连接，且3 号线站台层是狭长形的，行人在下到3 号线站台层后会在楼梯口附近造成拥挤，形成客流瓶颈。在启用社交距离后，站内客流分布变得更为均衡，但是3 号线站台层密度仍然很大，行人很难维持社交距离。针对仿真结果所反映的客流瓶颈，提出以下疏解方案，如表4 所示。

表4 客流瓶颈疏解方案

3.3 优化结果评价

通过对优化后的模型进行仿真实验，分析实验结果发现，优化后行人速度有了明显的改善。如表5所示，在低风险场景，行人运动速度由原来的2.46 m/s增加到2.72 m/s，不同防疫场景下的行人运动速度都有明显的提升。

表5 优化前后行人运动速度对比

如图9 所示，优化后站台层滞留乘客减少，进站乘客通过站外非付费区排队等候，整个站厅层的拥堵明显减少，3 号线站台层的客流密度有明显下降，左侧楼梯处客流瓶颈消失，6 号线站台层客流密度显著降低。

图9 优化后站内客流密度对比图

4 结论

该文以城市轨道交通换乘站为研究对象，考虑社交距离背景下的城轨换乘站客流瓶颈识别与优化问题，利用AnyLogic 仿真软件进行仿真实验，对比分析了三种不同防疫要求场景下换乘站内行人的运动速度、站内行人密度等，结合实际情况对换乘站内的客流组织提出了一些优化建议，实验发现优化后站内客流服务水平有明显提高，为后续城市轨道交通站点日常运营和疫情防控提供了一定的参考建议。