基于AnyLogic的城市軌道車站站廳布局優化研究

中圖分類號：U231.1 文獻標志碼：ADOI： 10.13714/j.cnki.1002-3100.2025.09.020

This paper focuses on \"simulation one passenger flow characteristics analysis-station optimization\". The AnyLogic stwarewas used to conduct the passenger flow simulation analysis the Keji Road station Xi'an Line 6. According to theresults， the facility layout optimization scheme was proposed， and the improvement the optimized congestion degreewas compared and analyzed. The research shows that the optimization measures are effective， which can improve space utilization， safety and passenger experience， and have guiding significance for the layout optimization early urban railway stations.

Abstract：With the expansion urban rail in and the increase passenger travel demand， the problems rail congestion and station layout have become increasingly prominent.

Key words： urban rail transit; optimization station hall layout;passenger flow simulation; passenger flow characteristics analysis; passenger flow control

0引言

隨著城市化進程的明顯加快，城市軌道交通客運量急劇增加。客流量的快速增長給城市軌道交通帶來了巨大壓力，導致高峰時段車站和列車擁擠程度和舒適度2降低。隨著城市地鐵網絡的擴展和乘客的增多，乘客擁擠現象日趨突出，影響了地鐵運行效率和運行穩定性。當前，在大客流情況下，對于車站內部的客流分布情況，仍需依賴于管理人員的主觀經驗進行精確地掌握分析。一旦發生火災或設備失效等意外情況，將會造成嚴重的后果。城市軌道交通站廳的結構設計與設備設施的布局，對于車站內乘客流動交叉模式的形成起到了決定性作用。

以“客流仿真-客流特征分析-客流控制”為基礎，通過對車站客流集聚特征的研究，仿真車站人群的時間和空間演變規律，并對車站人群的空間分布進行預測。以西安地鐵車站為例運用AnyLogic對其進行了仿真，并對其效果進行了分析。

目前，黃文成等8對地鐵站內設施的優化調整主要針對，樓梯、通道和站臺設施進行仿真模擬和評價。丁波等利用 Any-Logic 軟件對武漢地鐵1號線宗關站進行了仿真模擬，基于仿真模擬的客流密度情況，對車站設施提出優化方案并對其進行評估和分析。朱清波等使用AnyLogic 對武漢地鐵換乘站進行了仿真模擬，以分析客流換乘過程中的瓶頸部位。魯晨等通過迭代優化—動態仿真評價，綜合考慮各種因素建立乘客流線優化模型并進行求解，優化方法提高了換乘組織需求。Ma etal12將地鐵乘客流量數據轉換為客流圖像和時間序列數據，進而運用卷積神經網絡（CNN）和雙向長短期記憶神經網絡（Bi-direc-tional LSTM）的先進技術，分別從這些數據中提取出空間特征和時間特征。Liuet al3運用了LSTM方法深入分析時間特征，并且通過結合嵌入層與全連接層的方法，有效地捕捉了空間特征、外部環境因素及城市地鐵系統的相關信息。另外，Zhang etal提出了一種創新的地鐵客流量預測模型，該模型融合了殘差網絡和圖卷積網絡的優勢，并考慮了氣候狀況對客流量的潛在影響。站內常用的行人速度研究中，Bargegola et al線性模型是研究行人速度和密度間的關系，Roger@通過仿真實驗，結合連續介質理論分析了行人的交通流特征。陳雷鈺等研究了通行瓶頸也會影響車站整體通暢性。通過分析這一模型模擬出的客流密度圖，針對西安地鐵6號線科技路站的站廳布局問題提出了改進方案和改造措施。將客流分布密度圖、站內客流總量、以及乘客的平均進出站停留時間作為評估改造效果的關鍵指標，對比改造前后的效果，發現改造后的方案提升了客流進出站的流暢度，有效緩解了車站客流擁擠，提高乘客出行舒適度出行效率。

1基本情況

科技路站位于科技路與高新路交叉口北側。該站是地鐵6號線與3號線的換乘站，6號線地鐵站沿高新路南北方向布置，為三層地鐵站。3號線地鐵站沿科技路東西方向布置，為二層地鐵站。兩個站接收“T”形傳輸。一共有5個出入口，A、C、D出口為3號線出入口，E、F出口為6號線出入口，E出口也可作為出入口。3號線車站建筑面積14698.26平方米。科技路站是西安地鐵6號線第十四站，地鐵6號線站長142.65米，寬21.3米，西南角，東南角。3號線車站長156米，寬23米。是西安地鐵三號線第四站。車站的圖標主要是關于高科技技術的主題。

車站位于科技路與高新路交會路口北側，科技路寬 40m ，高新路寬 60m ，站址周邊有三安大廈、中國人民銀行西安分行、世紀金花、高科大廈、陜西電信廣場、楓葉小區等。該站點控制圈內的控規用地主要是居住用地、商業金融用地。科技路車站平面位置示意圖如圖1所示。

站廳層的基礎服務設施是保證乘客安全以及提高服務質量的重要關鍵點。圖2是西安地鐵科技路站客流行人流線的示意圖。

由圖2可知，科技路站站內客流的行人流線問題。在站廳層人流量大的情況下，乘客在站內的走行流線存在沖突點，這些沖突點主要表現在：站廳層中部的扶梯口及周邊位置，這些位置存在進站、出站、換乘客流的流線沖突；F口進站閘機及與其最近的扶梯口相距過短，導致樓梯口易發生堵塞進而擁塞F口進出站客流流線。

2仿真分析

2.1 仿真建模

2.1.1 環境建模

通過構建模型來詳細分析各種設備和設施的排隊區域、行人的等待區域以及步行目標線等。在環境建模過程中，針對每個模塊及其相應的設施設定了相關參數。考慮到實際情況與乘客的行為模式，模型假設在進行安全檢查、站臺進出和購票等活動時，乘客傾向于選擇等候時間最短的隊列。此外，還結合了實地調研所收集的數據，進一步確立了在安檢、站內進出、購票等環節中延誤時間分布的特點，旨在提供更為精確和實用的模型來模擬和優化公共交通系統中的乘客流動情況。具體的參數設置如表1所示。

2.1.2 行為建模

行為建模方面著重于分析并模擬實際客流的生成、移動和消散過程。為此，選取了與乘客行為密切相關的多個模塊，并按照客流的實際行程將這些模塊相互連接。此外，這些行為模塊進一步與它們對應的環境模塊相結合，從而實現了一個綜合的模擬環境。這種方法有助于更加準確地反映和預測公共交通系統中乘客流動的復雜動態，為優化客流管理和設施布局提供了重要的參考依據。同時，建立行人的行為模型是為了更真實地反映每個乘客在站內的走行流程。在指定每個模塊屬性所需的行人數據的過程中，必須根據現場客流的分布規律來分析乘客流動。這種方法確保了數據準確反映了乘客在不同模塊間移動和分布的動態特性。通常，這需要根據實地考察當地情況進行決策。

2.2 仿真結果分析

AnyLogic可以通過建立詳細的模型來仿真客流效果，可以真實地反映客流的流動和行為。通過AnyLogic仿真可以得出車站內的擁擠點在F口出站閘機處，這是由于此出站口距離扶梯口過近，扶梯口稍有堵塞便直接導致進站口堵塞，從而造成擁堵。此外6號線站臺層近3號線扶梯口也發生擁堵現象，需要進行針對性的導流、引流措施。

由于本車站十月份的客流量相較于一年中其他月份相對穩定，具有一定的代表性，因此選擇以2019年10月的客流量為樣本，取其平均值作為研究數據。經過對科技路站的實地考察，各站口的進站和出站分布情況見表2。利用仿真軟件得到的優化前后的行人流線密度圖如圖3所示。

3問題分析及改造方案

3.1問題分析由圖3可知：

（1）F口出站閘機處密度較高，這是由于此出站口距離扶梯口過近，扶梯口稍有堵塞便直接導致進站口堵塞，從而造成擁堵。

（2）6號線站臺層近3號線扶梯口也發生擁堵現象，需要進行針對性的導流、引流措施。

（3）對站廳層的客流人數進行了統計分析，根據折線圖5可以清晰看出，站廳層的進站客流人數大約維持穩定，約為150人左右，而出站人數持續增加，說明發生了明顯的滯留現象，在模擬第900s時錄得站廳層的出站人數為500人。

從操作模擬的數據來看，在F出口入口出現了阻塞現象。門與門、門與樓內的自動扶梯之間要留有足夠的空間，以確保門及樓梯間的通暢。在樓層樓梯入口的前方，保證走廊的空間足夠大。為了方便在售票處前面引導人流，在車站大廳中設立檢票處，通常都會在車站大廳中比較空曠的地方；門閘與門閘間要有合適的間距，以防止在等待過程中發生擁擠。門閘的安裝要視進出通道的多少而定，比較集中。由于地鐵站點通常具有多個進出通道，因此需要在站點上設置多個通道，以降低進入站點后的乘客步行路程。但是，由于大量的門禁設施會導致儀器的不均衡，從而影響儀器的利用率，也不便于進行有效的管理，所以，應該結合站點的人流特征，將檢票站點進行相對的集中。

針對出站客流滯留問題，現統計出站客流從下車起至抵達各出站口的通行時間見圖6。由圖6可知，E口的出站時間明顯長于其他出口，且各出站口的出站時間均保持增長態勢，表明出站客流通行能力尚不足以滿足高峰期出站客流需求。

3.2優化方案

根據目前科技路地鐵站的行人流線中存在的沖突問題，對F出口進站閘機和扶梯間距不足，以及站廳層T形交叉處布局改造。改造主要有以下幾點：

（1）扶梯口加設圍欄扶手，有效隔絕不同流向的客流，避免堵塞;（2）把F口進站閘機外移，擴大付費區面積以利于進站和扶梯口處的客流疏導；（3）對于出人口、自動扶梯、樓梯和平臺等易引起擁擠的重要區域，可以采用設立臨時導向的標志、拉警戒繩以及進行人為的引導等方法，進行人員的撤離，從而緩解擁擠的情況。改造后的站廳結構如圖4所示，改造后的具體情況報表如表3所示。

4改造方案效果評價

優化前后車站內站廳層客流數量如圖5所示。

通過對站廳層的人流流線和設施的優化，廳層出站客流數量不再持續增長，而是隨車次的到達呈現出周期性穩定，表明已無滯留現象發生。

由圖6可知，優化后的到站內行人出站耗時保持恒定，無持續增長趨勢，表明已無滯留堵塞發生。站內行人高峰期出站用時的范圍降為 170～200s 。其中E口出站效率提高最多，達到 35% 。

通過評價分析，最終得出優化前后的結果。將需要優化部分在AnyLogic中進行了3D可視化，如圖7所示。

5結論

（1）乘客流線更加順暢。通過對優化前后的效果圖和客流密度折線圖的對比分析能夠發現，站內客流密度明顯減少，滯留現象已消除。

（2）更加人性化。在優化之前，F口進站乘客大量積壓排隊，E口出站時間明顯長于其他出口。優化后提高效率，避免了行人繞行問題，對乘客而言更加人性化。

（3）安全性更高。由于地鐵居于地下，在疏散方面本來就不占優勢，遇到節假日或高峰時期的大客流，疏散密集客流更加困難。優化后更有利于乘客在站內的安全。

（4）效益更好。在調整優化F口時，采用成本更小的變更付費區圍欄的方式，在優化流線、緩解擁堵解決滯留的同時保障了地鐵有更好的效益。

（5）效率更高。通過科學合理布置流線，提高空閑設備和空間的利用率解決了擁堵滯留問題。并未采購加裝任何新設備，在解決問題層面節約成本、提高使用維護的效率也使得乘客在進站乘車到下車出站的效率更高。

參考文獻：

[1]張星瑤．擁擠城市軌道交通線路列車時刻表與常態限流協同優化研究[J].物流科技，2023，46（10）：90-95.

[2]辜錚，唐兆，胡玉煒，等．移動終端驅動的地鐵列車舒適度評價方法[J].鐵道標準設計，2024，68（8）：153-160.

[3]陳雷鈺，張汝華，馬明迪．基于AnyLogic的軌道交通車站大客流瓶頸識別與疏散組織優化[J].上海大學學報（自然科學版），2023，29（4）：694-704.

[4]李旭，程曉明．南京軌道交通客流時空分布特征分析[J].城市軌道交通研究，2022，25（10）：47-52.

[5]陳立揚，宋瑞，李志杰，等．基于AnyLogic 的地鐵站站廳層設施布置仿真研究[J].交通信息與安全，2013，31（5）：19-24.

[6]王凌，梁立宏，張艷雯，等．重慶軌道交通換乘站大客流組織探索[J].都市快軌交通，2014，27（4）：48-51.

[7]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（1）：2121-2128.

[8]黃文成，帥斌，劉聰．基于AnyLogic的島式站臺客流特性分析及換乘樓梯改進[J].城市軌道交通研究，2016，19（10）：97-101.

[9]丁波，彭瑾蓉，徐光明，等．基于AnyLogic的軌道交通車站站廳設備布局優化及評價[J].鐵道科學與工程學報，2020，17（6）：1578-1585.

[10]朱清波，宋庭新，李巖．基于AnyLogic 的軌道交通換乘能力改進的研究[J].計算機仿真，2020，37（2）：169-173，415.

[11] 魯晨，孫健，楊濤．綜合交通樞紐客流行人換乘組織優化及仿真[J]．系統工程，2020，38（3）：84-91.

[12] MAXL，ZHANGJY，DUBW，etal.Parallelrchitectureofconvolutionalbi-directionalLSTMneuralnetworksfornetwork-widemetroridershipprediction[J].IEEETransactionsonInteligent Transportation Systems，2019，20（6）：2278-288.

[13]LIUY，LUZY，JAR.DeepPF：Adeeplearningbasedarchitectureformetropassengerflowprediction[J].TransportationResearch Part C：Emerging Technologies，2019，101：18-34.

[14]ZHANGJL，CHENF，CUIZY，etal.Deeplearningarchitectureforshort-termpassengerflowforecasting inurbanrailtransit[J]. IEEE Transactions on Intelligent Transportation Systems，2O2O，PP99：1-11.

[15]BARGEGOLA I，HOSSEINIANB SM，GILANIBVNM，etal.Presentationofregresionanalysis，GPandGMDH modelstopredictthepedestriandensityinvariousurbanfacilis[J].FrontiersofStructuralandCivilEngierig，O6（2）：50-265.

[16]ROGERLH.Acontinumtheoryfortheflowof pedestrians[J].TransportationResearch PartB，2002，36（6）：507-535.

[17]陳雷鈺，張汝華，馬明迪．基于AnyLogic 的軌道交通車站大客流瓶頸識別與疏散組織優化[J].上海大學學報（自然科學版），2023，29（4）：694-704.