基于AnyLogic 的地鐵站臺客流引導方式優化

楊文禹，武慧榮

（東北林業大學 土木與交通學院，哈爾濱 150040）

據廣州地鐵年報統計數據[1]，截至2022 年12 月31 日，廣州地鐵在運營線路27 條、運營站點474 站，運營里程達857 km，2022 年客運總量達235 794 萬人次，占全市公共交通出行總量的63%，廣州地鐵已連續6 年日均客流量超600 萬人次。為避免車廂間客流量差異過大，更有效地運用整列列車的容量，引導地鐵站臺客流、緩解乘客分布不均衡已成為城市軌道交通客流組織中亟需解決的問題。

我國學者田金洪等人[2]通過計算各車廂擁擠度，引導下一站臺上的乘客進行車廂的選擇；王世秩等人[3]通過采集地鐵列車運營過程中的ATS（Automatic Train Supervision）等數據，計算車廂實時擁擠度，引導乘客上下車；龐夢圓等人[4]通過圖像采集獲取車廂擁擠度，并采用時間序列預測法對整車下車率進行了預測，以此引導乘客上下車。國際上，?APALAR J等人[5]通過壓力傳感器獲取各節車廂乘客數，引導乘客選擇客流量較少的車廂；DING H 等人[6]基于城市軌道交通平臺建立了一種地鐵乘坐引導模型，以乘客分布情況為指標引導乘客選擇車廂；ZHENG Z 等人[7]提出了站臺屏蔽門客流實時擁堵測量系統，通過監控視頻識別屏蔽門處的擁堵事件，避免站臺乘客堆積。

以上研究大多以各車廂現有擁擠度為判斷依據，緩解客流不均衡的情況，但未能考慮各節車廂下車人數對乘客分布不均衡度的影響，而地鐵各節車廂的留存人數才是影響車廂均衡度的關鍵。因此，本文使用AnyLogic 仿真軟件，以廣州地鐵珠江新城站5 號線站臺為原型，在考慮站臺屏蔽門外排隊人數、乘客距隊列的距離、地鐵各車廂已有人數及乘客各節車廂下車人數等影響因素的情況下，模擬地鐵運行若干站后乘客分布的變化情況，從而定量驗證各節車廂下車人數這一影響因素對乘客分布不均衡度的影響。

1 地鐵站臺客流引導方式與評價指標

1.1 地鐵站臺客流引導方式

根據文獻[8—9]，目前常用的站臺引導的方式有2 種：引導方式1，即人工引導，當高峰客流到達時，地鐵站往往會由站臺崗的站務員憑借經驗輔助安排乘客上車，該方式為目前地鐵站最普遍的現狀；引導方式2，即通過各種方式獲取來車各車廂內現有擁擠度，并通過站臺乘客信息系統（PIS，Passenger Information System），引導乘客選擇相對空曠的車廂，該方式被我國部分城市（如深圳）及韓國、新加坡等國的地鐵線路上采用，其中，獲得較好效果的是新加坡地鐵（SMRT）。SMRT 在通過車廂擁擠度引導乘客的基礎上，還考慮到了已在站臺候車的乘客，輔以語音引導的方式，提高了引導的有效性。

基于SMRT 及現行的2 種引導方式，本文提出了引導方式3，即在獲得來車車廂擁擠度及站臺各車廂候車人數的情況下，通過預測各車廂到站下車人數（如短期客流預測模型[10]等），綜合3 方面的條件，來引導乘客合理、快捷地選擇候車隊列。

1.2 評價指標

地鐵車廂客流均衡，是指地鐵平均乘客數與各節車廂內乘客數趨近相等，國內外學者普遍采用均衡度方差作為定量衡量的指標[11-12]。然而，隨著地鐵流量的增大，均衡度方差增長過快，會在同一圖表內干擾小客流量時不均衡度的比較。為避免這種情況，本文選擇了均衡度標準差（B）作為衡量指標。與均衡度方差類似，B可以通過計算每個車廂乘客數與平均乘客數之間的差異（即偏差），同時可以更加準確地衡量地鐵車廂間乘客數量分布的均勻度，避免干擾不均衡度的比較。具體計算公式為

式（1）中，xi表示編號為i的車廂內乘客數；μ為所有車廂乘客數的均值；N為經過的總車站數；n為車廂數，在我國，其取值通常為6。

2 AnyLogic 仿真軟件與建模方法

2.1 AnyLogic 軟件介紹

AnyLogic 是一款基于Java 的仿真建模軟件，相對于其他仿真軟件，AnyLogic 軟件采用了混合建模的方法，即可以將不同類型的模型組合在一起，以更準確地描述實際系統的行為。此外，AnyLogic 支持高級可視化和動態數據分析，有助于用戶更好地理解和解釋仿真結果。該軟件基于UML 和Java 語言的建模方法，可幫助用戶快速開發、編程，實現模型的動畫展示和評價指標的可視化。

本文借助AnyLogic 仿真軟件對地鐵站臺客流組織進行建模仿真，主要使用了AnyLogic 中的行人庫模塊及部分軌道庫、流程庫模塊。其中，行人庫底層則主要采用社會力模型算法。

2.2 建模方法

社會力模型是一種連續型微觀仿真模型，可以給出真實的行人蹤跡。該模型基于多粒子自驅動系統的框架，假定組成人群的個體具有思考和對周圍環境做出反應的能力。社會力模型算法用社會力的概念來描述人的主觀愿望、人與人之間的相互關系，以及人與環境之間的相互影響，仿真軟件將乘客的個體行為描述為以下 3 種社會力的共同作用。

（1）自驅力：指模擬個體對目標點的吸引作用，以達成其前往目標的愿望，運動學方程為

（2）人與人之間的作用力：指模擬人群中個體之間的避讓行為，以避免碰撞。行人加減速和方向變化方程為

（3）人與墻之間的作用力：模擬個體對周圍環境的感知和反應，以尋找可通行的路徑。

則社會力方程為

3 仿真模型

3.1 模型基本假設

為了降低仿真建模不必要的干擾，有必要進行一定的假設和說明。

（1）考慮到社會力模型中乘客會受到其他乘客、墻壁、候車隊列的綜合作用力，為簡化乘客行為，將乘客所占空間設定為二維圓形，并參考我國人群生理尺寸數據，將直徑范圍設為0.2 m～0.3 m。

（2）假設在候車的過程中，乘客均按序排隊上車，無插隊、隊伍間切換、候車途中離站及放棄本次列車的情況。

（3）假設行人在其他條件相同的情況下，傾向于選擇距離最近車廂為優先候車隊列。

（4）根據文獻[4]，超80%的乘客希望行走的距離在50 m 以內，有70%左右的乘客愿意走一定的距離而去寬松的車廂，有接近90%的乘客希望有對于車廂內客流信息的提示來引導乘客更加舒適快捷地出行。因此，本文將80%作為乘客是否接受引導的閾值。

3.2 仿真環境搭建

本仿真模型以廣州地鐵珠江新城站的5 號線站臺為原型，選用B6 型列車[13]。珠江新城站為廣州地鐵車站2019 年客流排名第2 的車站，具有一定代表性，具體設施布局如圖1 所示。

圖1 仿真模型站臺布局

3.3 仿真流線分析

乘客在地鐵車站內行動流線構成客流流線，主要分為上車流線和下車流線。上車流線指乘客到達站臺層后，在選擇候車隊列上車這一系列行為而產生的流動路線；下車流線指乘客乘坐地鐵到達目的地后，離開列車出站的路線。具體判斷流程如圖2所示。

圖2 乘客行動判斷流程

乘客進入站臺后，根據其是否遵循相關引導措施，劃分為依據自然分布選擇候車隊列的乘客與接受引導的乘客。其中，接受引導的乘客又根據引導系統是否將預計下車乘客數納入引導判斷指標，從而通過不同的選擇策略進行候車。本文為驗證各節車廂下車人數這一影響因素對乘客分布不均衡度的影響，因此重點在于上車流線中選擇候車隊列這一判斷階段。

3.4 仿真模型構建

基于地鐵站臺運作流程的基本邏輯，本仿真模型綜合運用了AnyLogic 中的行人庫、軌道庫和流程庫，如圖3 所示。

圖3 仿真模型流程

黃色模塊為地鐵運行流程圖，利用AnyLogic 軌道庫建立列車軌道，通過空間標記標定關鍵元素（如?？空九_位置、軌道盡頭跳轉處等），以模擬地鐵在多個站臺減速入站、上下乘客、加速出站的運行過程。綠色模塊為乘客乘車流程圖，利用AnyLogic行人庫構建了模型，標記了入站口、候車區、出站口等關鍵區域，以及乘客上車路線和排隊隊列。兩個模塊間通過AnyLogic 流程庫進行連接（即圖中的藍色模塊），連接軌道庫中的各車廂和行人庫中上下車乘客之間的關系，并提供判斷邏輯接口，以使預設的選擇邏輯得以正常實現。

4 實驗與分析

4.1 模型參數設置

通過對廣州地鐵5 號線（滘口—文沖）全程POV（Point Of View）逐幀統計，將列車單站運行時間設置為80.53 s，乘客上下車時間設置為42.02 s，乘客離座預下車時間設置為45.53 s，地鐵到站預開門時間及離站預加速時間均設為1 s，單個乘客上車耗時0.1 s。據文獻[14]，珠江新城5 號線上車乘客中換乘乘客的比例為73.8%，下車乘客中換乘的比例為47%，詳細設置參數如表1 所示。

表1 AnyLogic 模型的相關參數設置

4.2 仿真模型運行原始數據

根據文獻資料[12]，珠江新城5 號線日均客流量為24 萬人，設置客流量為12、24、36、48、60（單位：萬人/日），對本文提到的3 種引導方式分別進行模擬運行，每一條件下均衡度標準差的可信度均超過90%（1-α，α為均值置信），結果如表2、表3 和表4 所示。

表2 采用引導方式1 時乘客分布不均衡狀況

表3 采用引導方式2 時乘客分布不均衡狀況

表4 采用引導方式3 時乘客分布不均衡狀況

表2 顯示了在引導方式1 的條件下，客流量從12 萬人/日至36 萬人/日時所對應的均衡度標準差。由于當客流量超過36 萬人/日時，站臺會發生客流堆積現象，AnyLogic 模擬平臺無法在穩定情況下采樣足夠的數據，因此，統計缺少客流量為48 萬人/日和60 萬人/日時的相關數據。

表3 顯示了在引導方式2 的條件下，客流量從12 萬人/日至60 萬人/日時的均衡度標準差。隨著站臺客流量的增加，采用了引導方式2 的站臺的乘客分布不均衡度也有著一定程度上升，且在相同客流量條件下，獲得可靠性超越90%的均衡度標準差的采樣次數相比引導方式1 減少了許多，站臺整體的乘客分布更加均衡穩定。

表4 顯示了在引導方式3 的條件下，不同客流量時所對應的均衡度標準差。相比于引導方式2，引導方式3 獲得可靠性超越90%的均衡度標準差所需要的采樣次數更少、站臺整體的乘客分布更加均衡穩定。

4.3 仿真數據分析

將獲得的3 種地鐵站臺客流引導方式下的均衡度標準差進行對比。相比于引導方式1 僅能獲得客流量在36 萬人/日以內的數據，引導方式2 和引導方式3 不僅能夠順利的獲取客流量達60 萬人/日以內的數據，且客流分布不均衡問題也有了明顯的改善。繪制折線圖以更直觀表示3 種引導方式下乘客分布不均衡度隨著客流量變化的情況，如圖4 所示。

圖4 不同引導方式下乘客分布不均衡度對比

通過觀察可以發現：由于存在一定比例不愿遵循引導的乘客，因此隨著站臺流量的增大，各車廂乘客分布的不均衡程度均呈現出熵增狀態。同時，引導方式3 相對于引導方式2 對客流分布不均衡的問題有了進一步的改善，但隨著客流量的繼續增大，由于站臺輸送能力的不足，改善效果有所減弱，各方式的引導效果趨近一致，此時需要采取限流等其他措施。具體的提升幅度如表5 所示。

表5 相對已有引導方式提升幅度

當客流量到達珠江新城站5 號線日均客流量24萬人/日時，引導方式3 相對引導方式2 的提升幅度達25.7%，相比引導方式1 的提升幅度達54.4%；隨著客流量的增加，當客流量到達60 萬人/日時，引導方式3 相對引導方式2 的提升幅度逐漸降至2.8%。采用引導方式3，可以有效緩解平峰時段地鐵客流分布不均衡的現象，提高了地鐵站臺客流引導系統精度，更有效地運用整列列車的容量。

4.4 仿真站臺客流分布分析

乘客密度圖可以更直觀形象地顯示站臺乘客的分布。為使不同引導方式下站臺客流分布的狀況更加直觀，將關鍵密度設置為9 人/m2，觀察仿真模型在AnyLogic 軟件虛擬時間模式下運行1 h 的乘客密度圖，如圖5 和圖6 所示。

圖5 在24 萬人/日流量下，引導方式1、2、3 的乘客密度

圖6 在48 萬人/日流量下，引導方式1、2、3 的乘客密度

由圖5 可知，在珠江新城站5 號線的日均客流為24 萬人/日的壓力下，引導方式1 中部車廂的候車隊列出現了小幅度的乘客集中現象，引導方式2 和引導方式3 的乘客分布均呈現均衡分布的狀態。

由圖6 可知，在48 萬人/日的客流量壓力下，引導方式1 中部車廂的候車隊列出現了明顯的乘客堆積；對比引導方式2，引導方式3 的站臺堆積乘客數更少，乘客分布更加均勻。

5 結束語

本文在總結地鐵站臺現行的2 種客流引導方式基礎上，提出了一種新的引導思路，即在原有的車廂擁擠度和站臺各車廂候車人數這2 項引導指標下，加入各車廂預計下車人數這一影響因素，以更好地緩解地鐵乘客分布不均衡現象。本文采用AnyLogic仿真軟件，對不同客流條件3 種引導方式下的乘客分布不均衡現象進行了研究，驗證新思路的有效性?？梢缘贸鲆韵陆Y論。

（1）在實際日均客流量的客流強度下，采用優化后的引導方式可顯著緩解乘客分布不均衡現象，更有效地運用整列列車的容量。

（2）當客流量持續升高，甚至接近高峰小時客流量時，由于站臺輸送能力的不足，各方式的引導效果趨近一致，此時需要采取其他引導限流措施，配合其他公共交通方式，完成客流的輸送。

文中僅針對側式站臺這一站臺布局形式進行了仿真研究，截取了客流量在12 萬/日～60 萬人/日這一范圍進行了統計分析。同時，文中也僅針對了車廂擁擠度、候車隊列長度、預計下車人數等3 方面因素對乘客候車的影響。在后續的研究中，將針對不同形式的站臺、不同的客流強度，探討對乘客分布不均衡度的影響，并將采用新型引導方式的客流引導系統用于實際地鐵客流組織中進行驗證。