考慮社交距離的城軌換乘站行人運動仿真分析

段力偉，張開萍，符喋潔

（重慶交通大學交通運輸學院，重慶 400074）

在新冠肺炎防控背景下，為了保證城軌網絡的正常運營，交通運輸部于2022 年3 月發布《客運場站和交通運輸工具新冠肺炎疫情分區分級防控指南（第七版）》，明確要求高風險所在地區運輸組織場站乘客聚集人數占設計乘客最高聚集人數的比例應不大于50%，中風險地區應不大于70%。同時，城軌運營管理部門也提出了“增疏導人員、控進站速度、控站內人員密度、控車輛滿載率”等措施，倡導乘客在站內保持1 m 社交距離。在此背景下，考慮到城軌站點內部行人運動特性，在確保疫情防控要求與日常運營秩序的情況下，對站內乘客進行有效的客流組織顯得尤為重要。

針對城市軌道交通站內客流組織問題，國內外學者通過構建行人模型、開展仿真實驗等手段，對城軌車站內的客流組織問題進行研究。Li Z 提出了基于社會力模型的微觀行人仿真，模擬地鐵站臺上乘客的上下車方式,以此來探討不同客流條件下乘客行為對下車效率的影響[1]。李建華等針對地鐵站人流增多的大客流現象，利用AnyLogic 軟件進行全數據、全尺寸仿真研究[2]。丁波及朱清波等針對軌道交通車站乘客行為對站內設施設備布局及換乘通道能力的影響，建立了面向復雜交織乘客行人流的地鐵站臺仿真模型，并對站內設備布局缺陷提出了優化改進措施[3-4]。張佩浩、孫軍艷等利用AnyLogic 對樞紐站內人流疏散能力及集散能力進行評估優化[5-6]。

需要指出的是，既有研究中主要考慮常規情況下的客流組織問題，缺乏疫情防控背景下，對相關防疫政策給客流組織帶來的影響進行量化分析。同時，車站客流組織不僅受到站內行人運動行為的影響，也與列車發車間隔這一外在因素密切相關。因此，該文借助AnyLogic 仿真軟件，將列車運行模型和行人走行行為相結合，對城市軌道交通換乘站客流組織問題進行仿真建模研究，實現對不同防疫要求下的客流瓶頸識別與優化，對疫情防控背景下的城軌運營管理策略提出改進建議。

1 基礎數據調查

仿真實驗選取重慶市軌道交通3 號線和6 號線的換乘站紅旗河溝站作為研究對象。該站3 號線的站臺為島式站臺，6 號線的站臺為側式站臺。在軌道紅旗河溝站3 號線與6 號線實現了異站臺垂直換乘。該站共有4 個出口，周圍有大型商圈和客運樞紐站，通勤客流量大，單日客流量達到23.3 萬乘次。

1.1 站點基礎設施布局

紅旗河溝站共有地下三層，其中地下一層為站廳層，地下二層為3號線站臺層，地下三層為6號線站臺層，其中3號線南北走向，6號線東西走向。站廳層付費區最寬處約為23 m，東西兩側各有18 個檢票口和兩臺安檢機；3號線站臺為島式站臺，長120 m，寬10 m，3 號線至站廳層通過中部的兩座樓扶梯進行客流轉換，3 號線到6 號線的換乘通過南北兩座樓扶進行；6 號線站臺為側式站臺，站臺長120 m，站臺最寬處約為8.5 m，最窄處約為3.5 m，6 號線和站廳層的客流轉換通過東西側兩組樓扶梯進行，6 號線和3 號線的換乘通過中部兩座樓梯進行，如圖1所示。

圖1 紅旗河溝站結構示意圖

1.2 站點客流調查

依托重慶軌道交通客流分析平臺，調查統計該站點工作日進出站客流量及站內各方向換乘客流數據，作為仿真輸入參數，如表1、2 所示。

表1 仿真站點進出站客流數據

表2 各方向客流數量分配比例表

2 基于AnyLogic的仿真建模

2.1 基于社會力模型的行人運動模型

城市軌道交通換乘站是城市大量行人聚集的空間，站內行人交織復雜，客流量大，乘客的走行行為受到諸多因素的影響[7-8]：

1）流線多樣性：乘客為了達到出行目的，自身會根據所掌握的信息和出行經驗選擇出行方案，因此呈現出運動流線的多樣性。

2）行為多樣性：空間中的障礙物和其他乘客會制約行人運動，當站內行人和其他乘客發生沖突時，會產生超越、跟隨、排隊等行為。

實驗選取AnyLogic 作為仿真軟件，該軟件基于社會力模型，能很好地描述站內行人的運動特性。社會力模型是1995 年由Helbing 博士提出的一種基于牛頓第二運動定律描述行人運動的模型[9]。該模型運用數學公式來描述行人的運動特性，從微觀的層面計算行人運動所受到的影響因素。如圖2 所示，社會力模型將站內行人運動受到的約束描述為三個力的作用，分別是行人的自主意識誘發的自驅動力、行人躲避障礙物的自回避力和行人間保持相對距離的相互作用力[10]，如式（1）所示：

圖2 社會力模型示意圖

式中，Fi表示行人i運動受到的合力，fij表示行人i與行人j之間的相互作用力，fai表示行人i向目的地出發的自驅動力，fsi表示行人i與障礙物之間的相互 作用力，mi表示行人i的質 量，ai表示行人i的加速度。

在提出保持一定社交距離乘坐城市軌道交通時，這一客流組織策略將對站內行人運動產生影響，導致站內行人走行行為受到其他乘客所處位置的制約，從而改變自己的運動方向和速度，以維持自己與他人的社交距離。考慮社交距離的行人運動，在模型中表現為行人間的相互作用力變化，行人之間努力遵守指定的社交距離。

2.2 仿真實驗流程

AnyLogic 是一個多方法系統仿真軟件，其中的行人庫可直接用于軌道交通站點的仿真建模。基于AnyLogic 的軌道交通站點客流仿真實驗全過程如圖3 所示，該流程一共分為六個部分，具體工作內容如下[11-12]。

圖3 基于AnyLogic的行人仿真實驗流程圖

1）基礎數據調查：收集這次仿真所需的基礎數據，主要包括車站內部設施布局平面圖、車站基礎客流量、行人運動特性相關數據和站內行人流線等。

2）建立仿真模型：根據數據繪制實驗的物理模型，確定模型內部各設施設備之間的關系和使用情況。根據站內行人流線的調查，繪制站內行人運動的邏輯模型。將建立的實驗模型和實際站點運營情況進行對比，確保實驗場景的真實性和合理性。

為比較本文方法與常規葉片圖像分割方法的效果，選用圖1(a)所示的第3幅圖像作為樣本，分別利用本文方法(FIE)及常規方法(EG，ER2，EGR2，CIVE灰度化后用Otsu方法進行分割)進行處理，結果如圖4所示。結果表明，5類方法均可將葉面上的污點(圖4各圖像中右上方圈出部分)分離出來，但以FIE方法最好；FIE方法能夠很好地把葉片上的主葉脈(圖4中部長橢圓圈出部分)分割出來，ER2次之，EGR2能分割出小部分，EG和CIVE基本不能分割出來；對于葉面上的蟲咬痕跡(圖4下方小橢圓圈出部分)，只有FIE方法有效。

3）根據研究需要設計仿真實驗：研究主要考察保持社交距離對站內行人運動的影響，因此分別對常規行人運動和保持社交距離下的行人運動進行仿真實驗。

4）輸入仿真數據：通過前期調研整理的客流數據和行人運動特性數據，設置實驗參數。結合實際情況對比分析，調整模型參數，直至仿真結果與車站實際情況吻合。

5）運行仿真：根據步驟3）設計的仿真實驗運行仿真模型，通過AnyLogic 軟件的二維和三維視圖觀察模型運行的情況，輸出實驗分析數據。

6）分析實驗結果：根據輸出的仿真數據進行實驗結果分析。

2.3 物理模型搭建

整理站點的調研數據，繪制站點各層的平面圖，導入AnyLogic 作為底圖，按10 像素代表實際中1 m的對應關系，繪制仿真實驗的物理模型，如圖4 所示。圖中①為站廳層平面模型，②為3 號線站臺層平面模型，③為6 號線站臺層平面模型。

圖4 仿真實驗物理模型

2.4 邏輯模型搭建

軌道交通站內行人運動流線分為進站流線、出站流線、換乘流線三種。通過現場調研確定該站點行人運動流線，如圖5 所示，乘客通過東西兩側的入口進入站廳層，進站乘客根據乘車去向選擇樓扶梯到達指定站臺層候車。出站和換乘的乘客下車進入站內，選擇樓扶梯到達指定樓層進行換乘或刷卡出站，其中6 號線換乘3 號線的乘客需到達站廳層才能進行換乘。

圖5 站內行人流線邏輯圖

2.5 列車運行參數設置

為保證仿真實驗的真實性和準確性，調查該站點列車時刻表作為仿真參數輸入，如表3 所示。

表3 高峰時期列車運行時刻表

圖6 列車邏輯模型

根據站點客流量和換乘數據，在進行仿真實驗時按統計結果設置相應的屬性，以確保仿真模型和真實站點的運營情況一致。

2.6 考慮社交距離的仿真場景設計

根據交通運輸部發布的《客運場站和交通運輸工具新冠肺炎疫情分區分級防控指南（第七版）》，高風險所在地區運輸組織場站乘客聚集人數占設計乘客最高聚集人數的比例應不大于50%，中風險地區應不大于70%，因此，在實驗中分別設置客流比例為100%、50%、70%的實驗場景。

根據交通運輸部疫情防控要求，疫情中高風險地區都應保持社交距離出行，社交距離是指自己和他人之間應保持的物理距離。在新冠疫情期間，世界衛生組織提出，保持一定的社交距離是預防新冠病毒的有效措施。在人群聚集的場所，如超市、軌道交通站點等都倡導保持社交距離出行，即出行者之間保持一定的距離，以有效預防病毒傳播[13-14]。針對疫情防控背景下的人流組織，王宇哲等利用AnyLogic對社區核酸檢測點人流組織問題進行仿真實驗[15]。

針對城軌站點內部疫情防控要求和人流運動問題，利用AnyLogic 軟件中的行人設置模塊，啟用社交距離選項，定制行人之間的社交距離。在此條件下，行人除非經過密度太高的瓶頸區域，否則行人運動過程將努力遵守彼此之間指定的社交距離，待通過瓶頸區域后，行人再次恢復保持社交距離運動。

這次仿真實驗分別對高風險場景下（50%進站量，保持社交距離r=1 m）、中風險場景下（70%進站量，保持社交距離r=1 m）和低風險場景下（100%進站量，不保持社交距離）三種場景進行多次仿真實驗，以獲取實驗結果。

3 仿真實驗結果分析與優化

通過反復的對比實驗，并對站內行人速度，站臺密度等進行統計分析，具體結果如下。

3.1 仿真結果

仿真實驗單次運行60 min，取5 次實驗輸出結果的平均值作為仿真結果。不同場景下站內行人平均速度變化如圖7 所示。

圖7 平均速度變化

從圖7 可以看出，站內行人速度呈周期性變化，每個周期內的速度在站內密度最小時達到峰值。控制進站量并引入社交距離的控制后，仿真開始的5 min 內，站內乘客數量較少，社交距離對行人運動影響較小。隨著站內行人數量的增加，行人行走速度受到較大的影響，行人運動在考慮社交距離時不得不降低行走速度。仿真1 h后，當站內行人保持1 m社交距離時，平均速度下降為無社交距離的49%，此時，站內行人為保持社交距離運動緩慢。

通過AnyLogic中的行人密度圖模塊，關聯需要顯示行人密度圖的層，在仿真運行過程中觀察各個區域的顏色深淺變化情況，從而判斷各區域行人的密度大小[16]，如圖8所示。該站點高峰小時站內客流密度較大，站內高密度區域集中在3號線站臺層和站廳層客流交織區。

圖8 站內行人密度圖

3.2 結果分析及優化

通過仿真結果分析可知，由于站廳層和3 號線站臺層通過左右兩側的樓梯進行連接，且3 號線站臺層是狹長形的，行人在下到3 號線站臺層后會在樓梯口附近造成擁擠，形成客流瓶頸。在啟用社交距離后，站內客流分布變得更為均衡，但是3 號線站臺層密度仍然很大，行人很難維持社交距離。針對仿真結果所反映的客流瓶頸，提出以下疏解方案，如表4 所示。

表4 客流瓶頸疏解方案

3.3 優化結果評價

通過對優化后的模型進行仿真實驗，分析實驗結果發現，優化后行人速度有了明顯的改善。如表5所示，在低風險場景，行人運動速度由原來的2.46 m/s增加到2.72 m/s，不同防疫場景下的行人運動速度都有明顯的提升。

表5 優化前后行人運動速度對比

如圖9 所示，優化后站臺層滯留乘客減少，進站乘客通過站外非付費區排隊等候，整個站廳層的擁堵明顯減少，3 號線站臺層的客流密度有明顯下降，左側樓梯處客流瓶頸消失，6 號線站臺層客流密度顯著降低。

圖9 優化后站內客流密度對比圖

4 結論

該文以城市軌道交通換乘站為研究對象，考慮社交距離背景下的城軌換乘站客流瓶頸識別與優化問題，利用AnyLogic 仿真軟件進行仿真實驗，對比分析了三種不同防疫要求場景下換乘站內行人的運動速度、站內行人密度等，結合實際情況對換乘站內的客流組織提出了一些優化建議，實驗發現優化后站內客流服務水平有明顯提高，為后續城市軌道交通站點日常運營和疫情防控提供了一定的參考建議。