基于事件驅動的城市軌道交通應急處置微觀仿真系統＊

王志強

（蘇州大學城市軌道交通學院，215006，蘇州∥博士，講師）

應急處置微觀仿真技術，就是采用計算機仿真的方法在網絡中模擬隨機發生的故障，分析在相關應急處置措施下，其不利影響在網絡中的發生、發展、傳播、擴散、消退和結束的動態全過程，以此來評價故障影響的嚴重等級、應急處置措施的科學合理性以及系統整體的安全可靠性水平等。

國外已經開發并成熟運用的城市軌道交通運輸組織仿真系統比較多，如 RailSys［1］、OpenTrack［2］、Simone［3］、SimMetro［4］等，其功能已基本能夠滿足城市軌道交通系統日常運輸組織工作的各種仿真需要。然而，這些系統大多數只涉及到了列車延誤及其疏解的仿真分析，對于應急處置過程仿真與評價的問題還較少關注。國內對城市軌道交通安全問題的仿真研究雖然起步較晚，但發展迅速，其研究成果主要集中在客流出行特征［5］、出行路徑［6］、列車運行仿真［7］等方面，涉及到地鐵應急處置仿真部分的較少。

本文從網絡層面出發，研究城市軌道交通正常運營及故障應急處置過程的微觀仿真問題，以仿真模型的構建和乘客出行行為分析為重點，研究開發應急處置過程微觀仿真系統，以突發列車故障救援為例，仿真其處置過程，并對結果進行分析評價。該系統能為城市軌道交通系統運輸組織方案的優化、應急資源的優化配置、故障影響程度估算，以及應急處置預案的制定和評估提供重要的輔助決策工具和方法。

1 城市軌道交通客運流程分析

客運流程分為網絡運營正常和網絡應急處置2種情況。正常情況下的客運流程為：進站（→購票）→驗票→通過樓梯→站臺候車→上車→隨車前行→到站下車（→換乘）→通過樓梯→驗票→出站。

由于乘客的進站、出站、換乘過程屬于站內移動，其微觀仿真技術較為復雜。為了將研究重點放在網絡運輸上，本文采取了簡化的辦法來處理站內乘客的移動過程。即采用“進站時間分布函數”、“出站時間分布函數”和“換乘時間分布函數”分別計算乘客在站內的進站、出站和換乘所需的總時間，忽略其在站內的具體運動軌跡。簡化后的客運流程為：進站→站臺候車→上車→隨車前行→到站下車（→換乘）→出站。

應急處置對乘客出行的影響，因事件地點、事件種類、事件等級、發生時間、乘客位置等諸多因素的不同而不同。因此，非正常情況下的客運流程遠比基本服務流程要復雜。圖1為以流程圖形式描述的非正常情況下各種可能的乘客出行過程。

從圖1可知，非正常情況下的乘客出行過程因為受到多種因素的影響，其可能的客運流程有多條路徑。乘客在出行過程中會遇到各種變故而面臨選擇，其具體選擇行為將因人、因地、因時、因事的不同而不同，這些不同造就了非正常情況下網絡客流分布的高度復雜性。為掌握客流分布規律，輔助應急處置決策，采用微觀仿真技術是較為理想的方案。

2 系統的類結構設計

由網絡運輸活動的直接參與主體可知，仿真系統包含的類主要有：乘客、列車、車站、區間、線路和網絡。根據處置過程仿真的要求，設計仿真系統的類圖見圖2。

乘客是城市軌道交通系統的最終服務對象，微觀仿真系統中必然包含了數量巨大的乘客個體對象，這些個體對象在面對各種情況時的行為選擇和運動特點各不相同，因此乘客類集的科學設計將是建立仿真系統的關鍵。列車類的設計關鍵是能夠反映出正常情況和非正常情況下各次列車的客運行為過程。網絡類中包含線路類，線路類中包含車站類和區間類。這些類集一起描述了城市軌道交通網絡結構信息。

3 系統的事件模型設計

3.1 系統的基本事件

非正常情況下乘客的出行選擇過程非常復雜，難以直接進行分析。為此，需要從仿真對象的基本行為入手，構造出對象類的基本事件集，如表1所示。通過這些基本事件的不同排列組合即可構造出所有的客運事件模型。

圖1 非正常情況下的客運流程圖

3.2 微觀仿真的事件驅動模型

雖然城市軌道交通的應急事件種類繁多，但究其對網絡客運造成的影響不外乎5大類，即：“車站關閉”、“車站擁擠”、“列車延誤”、“列車故障”、“區間中斷”。因此，本文從5類不同的客運影響出發，考慮不同地點的乘客在不同選擇下的行為過程，設計了應急處置狀態下的網絡運輸微觀仿真事件驅動模型，如表2所示。

3.3 事件驅動模型的優點分析

采用“事件驅動模型”，只需要指定好非正常情況下的各類乘客的行為流程，就能直接對整個網絡的應急處置進行復雜的仿真運算。仿真過程中，所有對象的具體行為以及決策選擇都是由計算機自動管理，無需人工介入，具有高度的智能化水平。

圖2 仿真系統的UML（標準建模語言）類圖

同時，微觀仿真系統還具有良好的“可擴展性”，一方面，通過對“基本事件”的不同組合，可以構建任意的乘客行為流程，滿足不同情況應急處置過程的需要；另一方面，通過進一步精細化設計類集的屬性和方法，可以輕易地實現更多時分效率數據的統計和分析，滿足不同目的的仿真需要。

4 系統算法流程設計

整個系統的算法流程較長，這里分步進行介紹。

步驟1：設置仿真參數。

（1）各線路的列車運行T－S數據：由基于牽引計算的多列車運行仿真計算［7－8］得到。每條線路根據開行方案和故障情況可以計算得到多種列車運行相對時分數據，而每次仿真，每條線路只能選擇其中的一種。

（2）各線路的首末班車時刻：設置每條線路每個方向的首末班車發車時刻，該時刻加上前面得到的列車運行相對時分數據即可得到列車運行絕對時分數據，絕對時分數據才可直接用于仿真計算。

（3）設置每個車站的進站、出站和換乘過程耗時分布規律：每個車站因車站大小、結構和管理的不同，其進出站和換乘過程所需的時間分布規律各不相同，要分別進行設置。

（4）設置車站客流到站規律數據：因車站位置的不同，每個車站的到站客流總量和客流到站時間分布規律各不相同，需要根據歷史統計資料分別進行設置。

表1 對象的基本事件集合

（5）設置進站客流的D（終到）站分配比例數據：每個車站的進站客流，其去向車站按一定的比例分布于網絡中的各個站點，需要根據網絡歷史統計資料分別設置每個車站的進站客流D 站分配比例。

步驟2：計算仿真時間控制參數。

主要是確定仿真起始時間和仿真結束時間。各條線路都有各自的列車運行絕對時分數據，各車站都有乘客進站時分數據，因網絡運輸過程以列車運行為主，故仿真起始時間為各線首班車時刻中的最早（小）值，仿真結束時間為各線有列車運行數據的最晚時刻。

步驟3：初始化各車站進站客流數據。

（1）選定車站：從網絡中選定一未初始化進站客流的車站。

（2）生成進站乘客對象數組：根據仿真起止時間和乘客到站分布規律，生成車站的待進站乘客對象數組，初始化每個乘客對象的到站時刻，同時根據車站類的進站時間計算函數計算每個乘客對象的進站耗時。

（3）為乘客出行指定D 站，并分配出行路徑：根據車站的D 站分布比例，隨機為每個乘客對象指派一個出行終點D 站，并調用網絡類的出行路徑計算函數，為乘客分配出行路徑。

（4）分析乘客的出行步驟：調用網絡類的出行步驟分析函數，根據乘客出行路徑，將同一線路的出行過程以及不同線路間的換乘過程剝離出來，形成有序的出行步驟，保存每一步驟的起點、終點和類別信息。

（5）若有未初始化的車站則轉（1），否則開始乘客出行過程仿真。

步驟4：仿真乘客出行過程。

（1）仿真時鐘設為仿真起始時間。

（2）仿真時鐘推進一個步長。

（3）網絡中的每個車站執行圖3流程。

（4）網絡中每個正在線路上運行的列車執行圖4流程。

（5）判斷仿真時鐘是否達到仿真結束時間。若是，則仿真過程結束；若否，則轉步驟2。

因篇幅限制，圖3和圖4中有一些時間和人數的統計變量的更新未予標出。如：列車運行時間、列車故障時間、車站客運量、乘客等待時間等，這些變量對于客運效率的分析和優化將會起到重要的作用。

表2 網絡運輸微觀仿真事件驅動模型

5 仿真實例分析

本文以蘇州市2015年軌道交通規劃網絡為例，假設了各線路的基礎數據、運營數據和客流數據，就1號線上行方向第六趟列車在金雞湖西站至中央公園站間的區間內突發列車故障，并組織后續列車救援為例，對應急處置過程進行微觀仿真，并將仿真結果與網絡正常運營情況下的微觀仿真結果進行對比。

圖5界面分為3塊，左上部分為動畫效果演示部分，展示了網絡拓撲結構、列車當前位置、列車實時滿載率和車站實時滿載率等情況，拖動仿真進度條即可展示網絡運輸的完整過程；左下部分為指定線路各車站的實時客流量數據，可以迅速定位某時刻的重點車站及其負荷；右邊為運營列車的實時客流量和滿載率信息，用不同深淺的綠、黃、紅三色來表示其當前列車滿載率情況，便于迅速定位重點關注對象。

中央公園站為上行方向金雞湖西站的后續中間站。從圖6可知，正常運營時，站內乘客數呈規律性的起伏，且最大乘客人數不到200人；而在列車救援時，因長時間的列車延誤，站內乘客數量逐漸攀升，后因故障列車在本站清客，故其客流量有一個激增，并最終突破500人；故障和救援列車過后，隨著后續列車的抵達，站內乘客數才迅速下降至正常水平。

圖3 車站部分的客運仿真流程圖

樂橋站為事發區段上行方向的后續換乘站，其乘客數量的總體變化趨勢與圖6相似。但因其是換乘站，且系統在處理換乘客流時認為處于換乘過程中的乘客數量計入換出站，而換乘結束后開始候車的乘客數量才計入換入站，故圖7中的客流變化曲線有一個規律性的下探，其原因皆為原計入本站的換乘客流量在其換乘結束后都被移入換入站了。

圖8中的a）、b）、c）3幅圖分別為故障列車、救援列車、救援列車的后續列車的車內客流量變化趨勢圖，而d）、e）、f）3幅圖分別為前述3趟列車在正常運營情況下的客流量變化趨勢圖，上3幅圖和下3幅圖進行對比即可清楚地呈現列車救援事件對滿載率的影響程度。圖8a）為故障列車，在發生故障后停留在原地等待救援，在清客之前沒有乘客上下車，車內客流量保持不變，清客后客流量變為零。圖8b）為救援列車，在接到救援命令后到前方站臺清客，然后展開救援，救援過程中車內無乘客。圖8c）為救援列車的后續列車，因列車救援事件，導致前方車站出現長時間的列車延誤，積壓了大量的乘客，故后續列車的客流量顯著增加。

在其它數據都相同，就是否存在列車故障救援2種情況的仿真結果進行了指標計算，計算結果如表3所示。由于受影響乘客比例很小（0.141%），故2種情況的指標數值差異不大，但從表3的數據中依然可以定量化描述出應急處置對網絡運輸效率的影響程度。

6 結語

圖4 列車部分的客運仿真流程圖

圖5 應急處置過程微觀仿真效果圖

圖6 中央公園站正常運營和列車救援時站內客流量變化趨勢圖

圖7 樂橋站正常運營和列車救援時站內客流量變化趨勢圖

圖8 列車內客流量變化趨勢圖

表3 部分運輸效率指標結果對比

本文以客流事件為主線，將乘客、列車和網絡綜合在一起，構建城市軌道交通網絡客流運輸微觀仿真模型，并在此基礎上引入列車故障和救援措施，實現應急處置微觀仿真系統和處置措施的效果評價。采用微觀仿真技術，可將完整的網絡客運過程再現，實現精細化統計眾多時間和效率指標，為處置方案的分析、決策和評價奠定堅實的基礎。

［1］Wahlborg M.Banverket capacity consumption，congested infrastructure and traffic simulation with Railsys［J］.WIT Transactions on the Built Environment，2008，Computer System Design and Operation in the Railway and Other Transit Systems－Computers in Railways XI，2008（103）：85.

［2］Nash A， Huerlimann D.Railroad simulation using OpenTrack［J］.Advances in Transport；Computers in Railways IX，2004（15）：45.

［3］Middelkoop D，Bouwman M S：Large scale train network simulations［J］.Winter Simulation Conference Proceedings，2001（2）：1042.

［4］Koutsopoulos，Haris N，Wang Zhigao.Simulation of urban rail operations application framework［J］.Transportation Research Record，2007，2006（1）：84.

［5］高鵬，徐瑞華.城市軌道交通車站客流仿真中的事件驅動模型［J］.系統工程理論與實踐，2010，30（11）：2121.

［6］徐瑞華，羅欽，高鵬.基于多路徑的城市軌道交通網絡客流分布模型及算法研究［J］.鐵道學報，2009，31（2）：110.

［7］劉海東，毛保華，何天健，等.不同閉塞方式下城軌列車追蹤運行過程及其仿真系統的研究［J］.鐵道學報，2005，27（2）：120.