基于雙層協作機制的雙向行人流仿真模型

摘要： 針對現有行人仿真模型在行為特性表示不全面和建筑物空間結構表達、空間單元狀態的動態存儲及轉換、仿真過程及結果可視化等方面存在的缺陷，提出了基于雙層協作機制的雙向行人流仿真模型.通過對南京地鐵新街口站換乘通道內行人行為的實地觀測，全面分析了行人在雙向通道內的行為特征.在模型中的通道環境層，利用GIS技術進行柵格化并存入空間數據庫，在仿真輸出階段應用可視化引擎將場景輸出至圖形界面；在行人行為層，基于Multiagent和CA理論建立行人行為決策模型，構建的智能體考慮了行人個體特性和行為.通過計算機仿真，揭示了平均速度與仿真時間步、行人密度的關系.模型成功再現通道內雙向行人流的編隊成行及相變現象.

關鍵詞： 雙向行人流；微觀仿真；雙層協作；多智能體

中圖分類號： TP391.9文獻標志碼： AA BiLayer Cooperative Simulation Model of

BiDirectional Pedestrian FlowsTONG Weiping，CHENG Lin

（School of Transportation， Southeast University， Nanjing 210096， China）

Abstract：Pedestrian behavioral characteristics in metro interchange passageways were analyzed by means of the site observation data at Xinjiekou Station of Nanjing Subway. A comprehensive bilayer cooperative model for bidirectional pedestrian flows was developed to eliminate the drawbacks in the existing models in terms of behavioral characteristics， the spatial structure expression， dynamic storage and transformation of spatial unit states， and the simulation visualization. In the model， the layer of passageways was first rasterized using GIS technology and then the data were stored in the spatial database and finally output to the GUI by visualization engine in the postsimulation stage scene. In the layer of pedestrian behaviors， a decision model was established on the basis of the Multiagent and CA theories. The model defined the agent with the consideration of pedestrians characteristics and actions. The simulation results obtained from the model exercise illustrated the densityspeed curve and the time interval and speed curve. The simulation shows that the model can reproduce the typical phenomena observed in reality such as formation of bidirectional pedestrian flows and the phase transition.

Key words：bidirectional pedestrian flow； microscopic simulation； bilayer cooperation； multiagent

行人行為不僅受自身生理、心理、行為目的等因素影響，同時還隨周圍環境而改變，進而表現出不同的行人流自組織特征：如建筑物內疏散行人流在出口處的阻塞、成拱現象；交叉行人流在交叉處的流動斑紋現象；雙向行人流即相向行人流的編隊成行現象等.

有關行人的理論研究最早可以追溯到20世紀50年代，專門研究行人交通流的文獻主要集中在最近的15年.文獻[1]指出雙向交叉行人流存在3種不同的狀態，即方向分離隊列流、散布流和動態多隊列流.另外，在現實場景中，交叉行人流中行人個體相互穿插、幾人并肩行走、成團或動態地形成隊列的現象也處處可見.與單向行人流相比，交叉行人流更復雜、更難研究.研究交叉流中行人行為特征的方法主要有模型和現場實驗調查2種，其中模型方法正在成為研究行人交通行為的重要手段.元胞自動機（CA）模型因簡單易實現、計算效率高等優點被廣泛應用于行人流的仿真研究.CA模型簡單易行表現在模型通過定義簡單個體的微觀行為規則，經個人間的相互作用再現復雜系統整體宏觀行為特征.此外，CA模型是離散模型，相比連續模型，模型復雜性低，運算效率高.文獻[1]通過定義行人換道和前進2種簡單的行為規則來研究雙向行人流，并指出行人流存在3種不同狀態；文獻[2]提出的CA仿真模型考慮了行人傾向于右行的行為規則和原地等待的行為動作；文獻[3]應用CA模型，引入行人間換位和等待的行為特性，仿真了走廊中人群的雙向移動；文獻[4]則研究了行人偏向右行的行為習慣對通道中雙向行人流的影響，同時對模型中的核心參數k進行了分析討論；文獻[5]研究了行人行走無后退及不同步速行走規則西南交通大學學報第48卷第4期童蔚蘋等：基于雙層協作機制的雙向行人流仿真模型下，雙向行人流的相變現象；文獻[6]在CA模型中考慮了交通出行法規和慣例及個體在遵循規則上的差異性，研究發現在交通規則遵守者中加入一定比例的交通規則違反者，反而可以提高整個道路系統的行人平均速度；文獻[7]采用考慮行人行走傾向特征的元胞自動機模型和復雜網絡理論對雙向行人流進行研究.

最近年來，研究者們開始關注如何使行人流仿真更加符合實際情況、運行效率更高等問題，并嘗試從不同領域借鑒方法和技術，如博弈論[810] 、多智能體技術[1116]等.文獻[11]利用多智能體技術，通過將被疏散人員定義為Agent，建立了基于多智能體的、考慮個體特征和行為的公共場所人員疏散模型；文獻[12]研究了基于多智能體與GIS集成的體育場所人群疏散模擬的方法，討論了移動人群智能體移動決策的表達與實現技術；文獻[13]基于多智能體和社會力模型研究了行人在多房間多層建筑物內的疏散行為；文獻[14]關注一個多智能體行人社會距離模型的構建；文獻[1516]應用多智能體構建行人流疏散模型，討論行人組對行人流動力學的影響.

通道作為綜合客運樞紐不同功能子空間連接的緩沖帶，具有分散客流的重要作用.受通道客流導向性強、空間狹窄、環境封閉等因素影響，通道內行人行為特征明顯不同于其他情景.然而，上述文獻對通道內雙向行人流的行為特征認識不全面，模型中行人行為規則的定義往往基于經驗或普識.本文以通道內雙向行人流為研究對象，針對以上行人模型研究中的不足，基于Multiagent和CA理論建立雙層協作的雙向行人流仿真模型.1通道內雙向行人流行為特征分析以南京地鐵新街口站換乘通道作為觀測點對行人行為進行觀測，發現行人在雙向通道內的行為具有以下特征：

（1） 行人在通道內行走匆忙，速度普遍高于樞紐其他區域.有調查顯示，在水平通道內，行人平均行走速度約1.3 m/s左右[17]，高于正常情況下平均速度1.0 m/s[18].這可能存在如下原因：其一是通道空間狹窄、環境封閉，行人有盡快脫離這種環境的心理需求；其二是通道內行人行走目的地明確，無須考慮出口選擇等問題，且只存在與對向行人沖突碰撞的可能性.

（2） 行人有靠右行走、右側避讓對向行人的偏好.這主要是受交通法規及行人交通慣例的影響.

（3） 行人有跟隨前方同向行人行走的傾向.通過跟隨，行人可有效避免潛在碰撞的可能.

（4） 不像機動車有左側超車的交通法規限制，行人在超越同向行人時左右兩側選擇的隨機性較強.

（5） 當通道內行人密度較大時，若兩行人相向而行即將碰撞，此時會出現兩行人瞬間換位的現象；對同向行人，若前方行人停止不動，則后面的行人有原地等待的傾向.2仿真模型伴隨著人們對行人交通行為的日益深入理解和計算機仿真技術的快速發展，近年來行人微觀仿真發展迅速，并逐漸成為研究客流組織和行人交通設施的主要手段.然則，仿真中對復雜建筑物空間結構的表達、空間單元狀態的動態存儲及轉換、仿真過程及結果可視化等方面仍然存在困難.針對這些問題，筆者提出如圖1所示雙層協作的雙向行人流仿真模型.模型分為2層，分別是行人行為層和通道環境層，二者之間通過場景信息實現交互.模型采用的分層方法使得各層對象趨于單一，便于仿真的實現.

圖1雙層協作的雙向行人流仿真模型

Fig.1A bilayer cooperative simulation model

2.1通道環境層采用0.45 m×0.45 m的正方形網格對通道柵格化并對每一網格進行全面細致的描述.各網格信息經GIS空間數據庫引擎存入空間數據庫中，并在仿真輸出階段通過GIS可視化引擎將場景輸出至圖形界面.

模型假設通道南北邊界為墻壁，行人不能穿越；東西出口為虛擬邊界，行人可以穿越.通道內各網格均有自己的屬性信息，包括固定信息和可變信息.固定信息包括編號、地理坐標和空間位置關系（包括墻壁和東西出口的方位、網格間的鄰接關系）等.網格的可變信息是模型中通道環境層和行人行為層二者進行協作的基礎，為接口交互信息，具體包括如下內容：

（1） 網格狀態：分為空、東出口、西出口、墻壁、東行行人占據和西行行人占據等6種；

（2） 網格被行人占據下的行人編號；

（3） 下一時間步預計進入網格的行人編號隊列；

（4） 東西兩個方向上的虛擬信息素.

信息素是同種個體之間相互作用的化學物質，能影響彼此的行為、習性、乃至生理活動.例如，螞蟻是社會性很強的昆蟲，主要以化學信號通訊，可通過腹部末端分泌費洛蒙（信息素）引導同類：在軌跡上的螞蟻沿著前面的螞蟻留下的信息前進.出于安全與有效率的原因，行人也習慣于跟隨他人前進.與螞蟻可留下真正信息素不同，行人留下的信息素是虛擬的.2.2行人行為層結合智能體建模理論，模型將每一位行人定義為一個智能體（agent）.智能體的定義如下所述：

Agent=

DecisionRule，Action>.

（1） Environment

表示行人在當前時刻能感知到的環境信息，包括通道環境層提供的信息及感知的周邊人員密集程度等.

（2） Characteristic

考慮到不同的行人個體及處于不同情緒下的同一行人個體均會對行人的行為產生影響，用Characteristic表示與行人個體相關的屬性信息，包括行人的情緒和運動偏好矩陣.行人情緒有2種：低落和高昂，且可依據一定的規則變化.3×3運動偏好矩陣表示行人在通道內向不同方向運動的概率，如圖2所示.M0，0表示行人原地不動的概率，其余的8個元素表示行人向鄰接網格移動的概率.偏好矩陣可以根據行人的具體情況取值，如果行人屬于同一類群體，可以取同一值.同理，情緒對行人行為的影響也可轉化為對偏好矩陣的修正，即不同情緒下的行人其運動偏好矩陣取不同的值.模型作如下假設：情緒高昂的行人在前進方向受阻時趨向于從左右兩側超越，相比情緒低落的行人在前進方向受阻時更愿意作短暫的停留.此外，考慮到行人的右行偏好及跟隨傾向，對運動偏好矩陣取值作如下假定：

情緒高昂的行人：M0，1>M1，1>M-1，1>others；

情緒低落的行人：M0，1>M0，0>others.

圖2行人可能的運動方向及相應的運動偏好矩陣

Fig.2The possible direction of pedestrian flows and

the corresponding matrix of preference

（3） DecisionRule

表示行人在進行行為決策時所依據的規則，包括：

① 每個行人占據1個網格，具有排他性；

② 行人可以向周邊的8個方向移動或保持不動；

③ 行人移動方向的選擇由轉移概率確定；

④ 沖突避免機制：A） 當多個行人依據各自的轉移概率選擇了相同的目標位置移動時，行人間產生沖突，此時，隨機選擇其中一個行人占領目標位置，其余保留不動；B） 當有多個相鄰網格具有相同的轉移概率時，行人隨機選擇一目標網格移動.

行人移動及沖突避免機制如圖3所示.圖中空心三角表示行人向著轉移概率高的相鄰網格移動；實心三角表示當有2個相鄰網格具有相同的轉移概率時，行人隨機選擇一目標網格移動；實心圓表示3個行人試圖移向同一網格，隨機選擇一行人移動，其余2人保持不動.

（4） Action

行人移動或保持不動.

圖3行人移動及沖突避免機制

Fig.3Pedestrian movement and

avoidance of pedestrian conflicts

2.3 更新規則2.3.1虛擬信息素D的變化規則

如前所述，虛擬信息素是行人在其行進軌跡上留下的“信息”，用以引導同向行人沿著足跡前進，實現對行人間長距離的、潛在的相互作用的建模.虛擬信息素因行人的存在而變化，同時它自身也表現出擴散和衰退的特性.此外，通道內不同行進方向（東西兩個方向）的兩類行人擁有各自獨立的虛擬信息素場.

初始，每個網格東西兩方向上的虛擬信息素值均為0；隨著仿真的推進，虛擬信息素將發生變化.

情緒高昂的行人連續幾步（仿真實驗中取值為3）期望移動的方向成功實現，則行人所在源網格的虛擬信息素增加ΔD[19]，

ΔD=min（（1-D）g1，g2），

g1∈[0，1]，g2∈[0，1].（1）

當前網格對應的虛擬信息素按一定比例系數α擴散到相鄰網格，同時也按一定比例系數δ衰退.虛擬信息素可以是離散變量，或連續變量，此處采用連續變量，取值介于0和1間：

Dt=α2Dx2+2Dy2-δD，

α∈0，18，δ∈0，12.（2）

2.3.2行人情緒轉變規則

人的行為是受情緒所影響的，而情緒的變化則與環境以及自身的情緒控制能力有關：

高昂情緒行人連續幾步（仿真實驗中取值為3）期望移動的方向因沖突被拒，情緒轉為低落；

低落情緒行人連續幾步（仿真實驗中取值為4）期望移動的方向成功實現，情緒轉為高昂；

低落情緒行人所在網格的虛擬信息素超過設定的閾值時，情緒立刻轉為高昂.

2.3.3行人轉移概率計算規則

行人移動方向的選擇由所謂的轉移概率來確定.這個概率表示行人打算向某個方向移動的可能性.綜合行人的運動偏好及其周邊的虛擬信息素場，行人從當前位置（0，0）向鄰域（i，j）移動的轉移概率pij可表示為

pij=N（Mij+b1）e（Dij-Davg）b2，（3）

式中：N表示歸一化因子，確保∑（i，j）pij=1；Davg表示示（i，j）周邊共9個網格的平均虛擬信息素場；Mij表示行人在（i，j）方向上的運動偏好值；b1，b2為參數.

基于轉移概率，模型依據以下規則進行更新：

（1） 根據擴散及衰退規則，修改東西2個方向上的虛擬信息素場；

（2） 對于每個行人，向目標網格（i，j）方向運動的概率pij由行人運動偏好矩陣和周邊的虛擬信息素場共同決定：pij∝MijDij；

（3） 每個行人根據其目標概率p=（pij）選擇一個目標網格；

（4） 當2個或多個行人選擇同一目標網格時，根據沖突避免規則解決；

（5） 同步更新每個行人的狀態，包括行人位置和情緒；

（6） 依據行人對虛擬信息素的影響規則修改相應源網格的虛擬信息素.3仿真分析仿真場景如下：初始時刻，密度ρ的行人隨機（包括位置、情緒和前進方向）分布在尺寸為W×L網格的通道內.南北為墻壁，東西出口采用周期性邊界，即東行行人達到東邊界后將重新移到西邊界進入系統；同樣，西行行人達到西邊界后將從東邊界重新進入系統.因此，系統中每一運動方向的行人數目及總數均保持不變.行人運動偏好矩陣的計算綜合參考了文獻[19]的方法和本文的限定規則，具體取值如下所示：

高昂：

0.005 50.013 60.105 5

0.033 80.082 50.633 8

0.005 70.013 80.105 7，

低落：

0.034 20.102 80.107 7

0.071 40.214 20.224 4

0.034 40.103 00.107 9 .

式（1）、（2）和（3）相關參數g1、g2、α、δ、b1和b2對應的值分別為0.23、0.10、0.150、0.005、0.15和0.15.仿真程序在VS2008開發環境下用Visual C#語言進行編寫.

圖4展示了仿真實驗中隨著時間的推進行人由雜亂無章的分布逐漸顯現出的自組織特性.從圖4（a）清晰可見行人個體局部穿插及同一方向行走行人隊列形成的現象.當然，這種編列是不穩定的，一會消失，一會形成或再分離.另外，場內行人密度對隊列的形成也會產生影響.

假設行人在每一時間步的平均速度v定義為在單時間步內所有行人向前、或左前、或右前方向移動的步數與行人總數的比值.系統平均速度取每隔10個時間步的v做平均.為減少隨機性影響，對同一組研究參數值進行20次模擬，然后作系統平均.圖5為ρ=0.205，W=22，L=202時系統平均速度隨時間的變化關系.

圖4 ρ=0.125，W=22，L=202第200個時間步

Fig.4Phenomenon of lane formation， the light and dark spots are east and westmoving pedestrians

圖5系統平均速度隨時間的變化關系

Fig.5Relationship between

the mean speed and time

圖6給出了系統平均速度隨密度的變化關系.同樣，為減少隨機性影響，研究結果是對相同參數進行20次模擬后的統計平均值.從圖中可以看出，

圖6系統平均速度隨密度的變化關系

Fig.6Relationship between the

mean speed and flow density

在ρ=0.205時行人流狀態發生相變，此時系統平均速度迅速下降，這與文獻[5]的結論是一致的.在ρ=0.700左右系統平均速度基本降為0.由于模型未能對相向行人瞬間換位的情況作處理，這可能是行人密度相對較低 （ρ=0.205）時即發生相變的原因之一.

4結論以通道內雙向行人流為研究對象，建立雙層協作的雙向行人流仿真模型，并對該模型進行了驗證，得到以下結果和結論：

（1） 模型利用GIS技術對通道環境層進行柵格化并存入空間數據庫，在仿真輸出階段應用GIS可視化引擎將場景輸出至圖形界面；對行人行為層，在全面分析通道內雙向行人流行為特征的基礎上，基于Multiagent和CA理論建立行人行為決策模型，二者通過場景信息實現交互.模型克服了現有行人仿真模型在個體特性和行為表示不全面和建筑物空間結構表達、空間單元狀態的動態存儲及轉換、仿真過程及結果可視化等方面存在的困難.

（2） 行人智能體中加入了反映行人個體特性的屬性信息，并用運動偏好矩陣對行人轉移概率進行了修正.

（3） 仿真實驗成功再現通道內雙向行人流的編隊成行現象，分析了平均速度隨時間和密度的變化規律.

（4） 研究還發現，在一定行人密度下通道內雙向行人流狀態將發生相變.參考文獻：[1]BLUE V J， ADLER J L. Cellular automata microsimulation for modeling bidirectional pedestrian walkways[J]. Transportation Research Part B， 2001， 35（3）： 293312.

[2]FANG Weifeng， YANG Lizhong， FAN Weicheng. Simulation of bidirection pedestrian movement using a cellular automata model[J]. Physica A， 2003， 321（3/4）： 633640.

[3]LI Jian， YANG Lizhong， ZHAO Daoliang. Simulation of bidirection pedestrian movement in corridor[J]. Physica A， 2005， 354： 619628.

[4]YANG Lizhong， LI Jian， LIU Shaobo. Simulation of pedestrian counterflow with rightmoving preference[J]. Physica A， 2008， 387： 32813289.

[5]WENG W G， CHEN T， YUAN H Y， et al. Cellular automaton simulation of pedestrian counter flow with different walk velocities[J]. Physical Review E， 2006， 74（3）： 036102103610217.

[6]BAEK S K， MINNHAGEN P， BERNHARDARDSSON S， et al. Flow improvement caused by agents who ignore traffic rules[J]. Physical Review E， 2009， 80（1）： 01611110161115.

[7]任剛，陸麗麗，王煒. 基于元胞自動機和復雜網絡理論的雙向行人流建模[J]. 物理學報，2012，61（14）： 144501144501.

REN Gang， LU Lili， WANG Wei. Modeling bidirection pedestrian flow by cellular automata and complex network theories[J]. Acta Physica Sinica， 2012， 61（14）： 144501144501.

[8]李得偉，韓寶明，張琦. 基于動態博弈的行人交通微觀仿真模型[J]. 系統仿真學報，2007，19（11）： 25902593.

LI Dewei， HAN Baoming， ZHANG Qi. Modeling and simulation of microscopic pedestrian using game theory[J]. Journal of System Simulation， 2007， 19（11）： 25902593.

[9]吉巖，李力，胡堅明，等. 一種基于分片磁場和動態博弈的行人仿真模型[J]. 自然科學進展，2009，19（3）： 337343.

[10]HENEIN C M， WHITE T. Macroscopic effects of microscopic forces between agents in crowd models[J]. Physica A， 2007， 373： 694712.

[11]崔喜紅，李強，陳晉，等. 基于多智能體技術的公共場所人員疏散模型研究[J]. 系統仿真學報，2008，20（4）： 10061010.

CUI Xihong， LI Qiang， CHEN Jin， et al. Study on MAbased model of occupant evacuation in public facility[J]. Journal of System Simulation， 2008， 20（4）： 10061010.

[12]陳鵬，王曉璇，劉妙龍. 基于多智能體與GIS集成的體育場人群疏散模擬方法[J]. 武漢大學學報：信息科學版，2011，36（2）： 133139.

CHEN Peng， WANG Xiaoxuan， LIU Miaolong. A simulation method for sports grounds evacuation based on integration of multiagent system and GIS[J]. Geomatics and Information Science of Wuhan University， 2011， 36（2）： 133139.

[13]HA V， LYKOTRAFITIS G. Agentbased modeling of a multiroom or multifloor building emergency evacuation[J]. Physica A， 2011， 391（15）： 27402751.

[14]WAS J. Multiagent frame of social distances model[C]∥Proceedings of the 8th International Conference on Cellular Aotomata for Reseach and Industry. Yokohama： [s.n.]， 2008： 2326.

（下轉第744頁）[15]MANENTI L， MANZONI S， VIZZARI G， et al. An agentbased proxemic model for pedestrian and group dynamics： motivations and first experiments[C]∥Proceedings of the 12th International Workshop on MultiAgent-Based SimulationMultiAgentBased Simulation XII. Taipei： [s.n.]， 2012： 7489.

[16]BANDINI S， RUBAGOTTI F， VIZZARI G， et al. An agent model of pedestrian and group dynamics： experiments on group cohesion[C]∥Proceedings of the XIIth International Conference of the Italian Association for Artificial Intelligence—Artificial Intelligence Around Man and Beyond. Palermo： [s.n.]， 2011： 104116.

[17]劉棟棟，孔維偉，李磊，等. 北京地鐵交通樞紐行人特征的調查與分析[J]. 建筑科學，2010，26（3）： 7074.

LIU Dongdong， KONG Weiwei， LI Lei， et al. Survey and analysis of pedestrian characteristics in subway of Beijing[J]. Building Science， 2010， 26（3）： 7074.

[18]HELBING D，FARKAS I，VICSEK T. Simulating dynamical features of escape panic[J]. Nature， 2000， 407（6803）： 487490.

[19]BURSTEDDE C， KLAUCK K，SCHADSCHNEIDER A， et al. Simulation of pedestrian dynamics using a twodimensional cellular automaton[J]. Physica A， 2001， 295（3/4）： 507525.