突發事件下地鐵網絡乘客出行行為仿真模型

李 偉，徐瑞華

（同濟大學道路與交通工程教育部重點實驗室，上海201804）

隨著城市軌道交通的日益發展，其舒適、安全、準時、便利等眾多優點明顯，致使城市居民出行對軌道交通的依賴性逐步提升，逐漸吸引更多交通客流。但由于軌道交通網絡結構龐大、列車運行方式多樣、客流時空分布復雜等特點，一旦發生列車延誤等突發事件，大量乘客的出行將受到影響，其出行行為的選擇也將產生變化。此時的網絡客流分布與正常運營相比存在很大的差異，相關車站和斷面的客流量及構成均會明顯不同，從而造成安全隱患。為保證運營秩序和客運安全應立即生成高效的城市軌道交通應急指揮決策，而作為應急決策的核心依據，突發事件發生后乘客的出行行為分析是當前具有重要意義的研究課題。

突發事件背景下，網絡乘客的出行行為變得更加復雜。傳統的客流分布預測方法已經不再適用于該情況［1-4］，有必要專門針對突發事件條件下的客流特征進行分析，掌握事件影響在路網中的傳播擴散情況。部分學者通過解析方法量化突發事件條件下乘客的期望延誤時間［5-7］，但是城市軌道交通是一個復雜系統，采用解析模型較難準確把握和描述網絡客流的動態變化過程，尤其是在突發事件中的客流變化。而仿真方法是研究復雜問題較好的替代方法，它能夠將復雜系統的個體微觀行為通過涌現與系統整體特性有機結合。姚向明［4］建立了城市軌道交通網絡客流分布動態仿真模型研究正常情況下網絡客流的分布情況，Jiang［8］和Li［9］通過仿真方法研究了列車延誤對客流的影響，但并沒有考慮到延誤會對乘客的出行選擇產生影響從而進一步改變網絡客流分布。

研究首先分析突發事件對軌道交通網絡客流出行行為產生的影響，隨后建立乘客Agent和列車Agent模型，討論Agent與環境、系統要素之間的交互機制，利用多智能體系統仿真方法構建仿真模型，對城市軌道交通網絡突發情況的乘客出行行為進行仿真研究，通過大量Agent的出行來宏觀展現路網客流的時空分布特征。

1 突發事件影響下乘客出行選擇模型

1.1 乘客出行路徑

突發事件條件下，城市軌道交通網絡客流可分為兩種：正常客流和受影響的客流。正常情況下，乘客的出行路徑可以從有效路徑集中產生，路徑阻抗和選擇概率可從軌道交通運營部門采用的清分比例表獲得。清分比例表中的各路徑出行阻抗表示為，k為路徑編號，一般小于5條，阻抗由時間單位（s）表示。但是當突發事件發生后，路網上部分出行路徑將受到影響，造成乘客原本選擇的有效路徑不可行，此時乘客會根據自身所獲得的實時信息（例如車站廣播，大屏幕展示等）做出相應的決策。為獲得突發事件條件下乘客出行行為，進行一次實地問卷調查，見圖1（時間：2014年2月21日—28日；地點：上海軌道交通；樣本量：434份），問卷調查顯示，突發事件下乘客出行意愿包括原路徑等待、選擇路網中其他路徑以及退出軌道交通系統，主要與影響時長有關。

圖1 問卷調查結果Fig.1 Survey result

根據調查，乘客可能采取的替代出行方式有：①選擇路網中其他可行路徑替代；②按原路徑等待直到列車恢復運營；③出站采用其他交通方式。用r表示乘客原本選擇的受影響的路徑，則乘客在突發事件發生后的各替代路徑出行阻抗可描述如下。

1）選擇繞行其他可行路徑

需要說明的是，上述替代路徑中可能不存在或者存在不只1條可行路徑，這取決于od之間有效路徑的數量與這些路徑是否被突發事件所影響有關，用q表示替代繞行路徑數量。

2）等待直至恢復正常運營

3）選擇其他交通方式（本文僅考慮采用公交替代）

式中：t表示當前時刻；，分別表示軌道交通，公交車的平均運行速度；twait表示乘客的等待時間；σbus表示改用公交出行的懲罰系數；To,d表示軌道交通從車站o到d的運行時分。

由于將乘客個體認為是具有獨立判斷的智能體，因此將乘客的選擇考慮時間及路徑2中的等待不耐煩行為也考慮在內。

乘客的選擇考慮時間是指乘客由于臨時受到突發事件影響，而選擇原本不熟悉的路徑以繼續完成出行所需要的考慮時間。我們認為考慮時間φconsider與乘客的可選路徑數量q有關

式中：τ為常數，數據可通過交通調查獲得，本文取5 s。

乘客的等待不耐煩行為是指在原路徑等待中，乘客會由于等待時間過長而最終放棄等待，從而選擇替代方式①或方式③出行。這里我們認為乘客的忍耐上限是所有可選路徑中的最大阻抗值max{φo,d} 。

由式（5）可得能夠等待的最長時間是t*wait。超過此等待時間，乘客將選擇其他方式繼續出行。

1.2 出行路徑決策

乘客的路徑選擇決策是基于路徑效用，他們會選擇自認為效用最大者，也就是選擇阻抗最小的路徑。尤其是在突發事件情況下，乘客的原本出行被打亂，又急于到達目的地，因而每位乘客的狀態都將是“自私的”。

對于每一位乘客智能體，我們可以定義乘客的選擇行為，簡稱為突發決策行為。

Step 1：未受到影響的乘客按照原本出行路徑出行；

Step 2：受到影響的乘客，首先計算可替代的路徑，由式（1）—式（3）得出，根據可替代路徑的數量計算乘客的考慮時間，由式（4）得出；

Step 3：經過考慮時間，乘客從可替代路徑中選擇出行阻抗最小的路徑出行；

Step 4：若乘客選擇替代方式②，原路徑等待，則還需要考慮“乘客的等待不耐煩”，當滿足式（5）后，乘客選擇方式①和方式③替代路徑出行。

2 基于多智能體的乘客分布仿真

城市軌道交通系統是一個復雜動態系統，乘客、列車等構成的各部分要素之間處于不斷動態交互過程，網絡客流分布情況難以采用全局數學模型描述，但是從微觀層面來看，網絡客流分布就是城市軌道交通網絡上每個乘客出行路徑疊加的結果。因此本文構建基于多智能體的城市軌道交通乘客行為仿真，通過大量乘客智能體的行為作用來宏觀展現網絡客流分布情況。

2.1 多智能系統

作為人工智能領域的核心概念，Agent是具備感知、分析、學習等智能行為，可與所處環境及其他實體動態交互、綜合決策、調整自我狀態的實體。多智能體系統（multi-agent system，MAS）則是由多個Agent組成的集合，是一個有序有組織的智能體群體。每個智能體根據環境信息完成各自的工作，并在系統中進行交互，使系統足以展現出宏觀行為。用軟件Agent模擬現實系統中的乘客行為和它們彼此間相互作用的關系，進而模擬出系統的整體性質和演化過程，這種研究思路與復雜系統研究所面對的“由部分到整體”的現象非常吻合，因此多智能體仿真是目前研究復雜系統問題最有效的方法之一［10-11］。

針對城市軌道交通網絡問題，系統主要包括城市軌道交通網絡、列車運行圖、乘客、列車等要素，其中乘客和列車具有主動交互和適應環境能力，可作為智能Agent，城市軌道交通網絡和列車運行圖為不活動主體，代表環境和資源。因此城市軌道交通突發事件乘客出行行為仿真可以通過上述多個乘客Agent、列車Agent及資源環境構成的多智能體系統完成，不同Agent之間，Agent與環境之間進行感知、反饋、決策。

2.2 列車Agent分析

對城市軌道交通列車，可抽象出列車Agent類，用以代表城市軌道交通網絡上的列車，它是乘客Agent完成路網出行的主要載體。列車Agent在區間內的運行時間由列車運行圖控制，當列車Agent到達車站并停下，乘客根據需求進行上下車作業，直至列車Agent從車站駛離。對列車Agent做出如式（6）的形式化定義，其中Code為列車的車次號；State為列車的當前狀態，表示運行還是停止；Capacity為列車的定員；PasList表示列車上擁有的乘客Agent集合；Nextstation為列車的下一個停站目的地；Path代表列車的計劃運行線，是列車將要經過的車站的到發時間的集合。

2.3 乘客Agent分析

對城市軌道交通乘客，可抽象出乘客Agent類，乘客Agent不僅能實時感知外界環境的變化，還擁有獨立的知識，能夠根據外界的情況進行出行行為的調整，具備復雜的決策判斷能力。乘客Agent個體擁有單獨的出行起點、終點和出發時間，正常情況下，他能夠從有效路徑集中選擇一條路徑用以出行，但是當出行路徑受到突發事件的影響時，乘客Agent能夠根據實際情況進行調整，改變出行策略。對乘客Agent做出如式（7）所示的形式化定義，其中ID為乘客的編號；Origin為乘客的出行起始點；Destination為乘客的出行終到點；Location為乘客的當前位置；Impact為乘客是否受突發事件影響；Route為乘客的選擇路徑；Nextaction表示乘客的下一步動作，后三個屬性主要由突發決策行為決定。

2.4 系統要素交互機制研究

由于多智能體仿真系統（MAS）的實現必須通過多個Agent之間的協作和Agent與資源環境的交互完成，因此有必要考慮系統要素（各Agent和資源環境）的交互機制。針對城市軌道交通而言，列車和環境的交互：列車到發站；乘客和環境的交互：乘客進出站、換乘等；乘客和列車之間的交互：乘客候車和上下車等，這些就是系統要素交互機制問題。

2.4.1 列車和環境的交互

列車是乘客在路網中移動的載體，而列車的運動是按照列車運行圖規定的時刻進行。列車運行圖是列車運行時間與空間關系的圖解，其記錄的最主要信息是列車到達各車站的到點和發點，本文研究假設除被突發事件影響的列車外，其余列車均嚴格按照計劃運行圖運動。用表示第j次列車在線路l上的車站Sl,i的到達時刻和發車時刻，則列車j的運行軌跡可表示為，列車運行圖即為所有列車的運行軌跡的集合。

仿真中，對于第j次列車Agent，如果當前時刻t等于到達時刻，列車在車站Sl,i停下，更改Agent屬性State為“停止”，辦理乘客上下車作業，乘客Agent上車則添加到PasList集合中，乘客Agent下車則從PasList中刪除；若當前時刻t等于出發時刻，列車停止辦理乘客上下車作業，并從車站Sl,i出發，更改Agent屬性State為“運行”，并更新下一停站目的地Nextstation，其余時間列車在區間中運行，不與環境發生交互。

2.4.2 乘客和環境的交互

乘客是網絡中運動的主要智能體，從客流原始OD 數據中可以構建基本的乘客Agent，賦值起始點Origin和終到點Destination。如果當前時刻t等于該乘客的進站時刻時，該乘客Agent進入仿真系統，并將其分配到對應的進站車站上，更新Location屬性，隨后該乘客Agent通過網絡環境感知和判斷，選用突發決策行為，判斷是否受到突發事件影響，更新乘客的Impact屬性，并選擇適合的路徑Route，設置乘客的下一步動作Nextaction屬性。若有換乘，則在換乘站需再判斷一次突發決策行為。上述一系列活動最終結束于乘客到達目的地，并將乘客Agent從仿真系統中刪除。

2.4.3 乘客和列車之間的交互

乘客和列車之間的交互是城市軌道交通乘客出行仿真的核心。正常情況下，乘客Agent根據自身選擇的路徑完成候車、上車、下車、換乘（如果存在）并最終出站，其中上下車為乘客和列車之間直接的交互。本文假設車站站臺容量無限制，乘客可自由下車；但由于列車容量有限制，乘客上車會受到列車上人數的影響，當列車滿員，即滿足函數

后續乘客無法繼續上車，只能等待后續列車，產生“留乘”情況。乘客的上車次序滿足先進先出（FIFO）的排隊規則。在突發事件情況下，由于列車Agent無法按時到達車站，會造成受影響站臺的客流滯留，乘客的出行行為的選擇發生改變，適用突發決策行為。

3 仿真過程設計

基于上述對列車Agent、乘客Agent的分析及其交互機制研究，設計系統仿真模型如圖2所示，系統演化步長為1 s。仿真主要步驟是：①輸入列車運行圖、客流需求、系統仿真參數（如進出站、換乘走行時間）等基礎數據；②采用Monte Carlo方法按仿真步長（每秒）推進仿真實驗；③輸出相應的仿真結果。

圖2 仿真系統流程圖Fig.2 Flow chart of simulation

4 數值仿真及分析

本研究以從上海軌道交通網絡中抽象出的簡單實驗網絡為背景，以AFC（自動售檢票系統）獲取的客流需求數據和實際列車運行圖數據作為輸入進行數值仿真，采用C#.Net語言和Oracle數據庫，設計構建突發事件下的乘客出行行為仿真平臺，并進行模擬實驗分析。實驗中采用工作日的客流數據及運行圖，并假設1號線（縱向）從08∶15 分開始下行方向（Downstream）有突發事件產生的20 min 延誤，實際運行圖可見圖4，Upstream為上行方向，實驗可得出以下結果。

1）車站分時段客流量如圖3所示，由于08∶15開始1號線下行方向發生延誤，沿線幾個車站客流發生積壓，而后08∶40起恢復正常運營，但是由于之前客流積壓嚴重，遠離始發站0135的車站無法及時疏散客流，造成客流積壓持續到09∶30甚至10∶00，部分車站（如車站0128，0131）積壓乘客近3 000人，無法及時疏散。長時間的站臺積壓客流對乘客安全，用戶滿意度有不利影響。在實際軌道交通網絡中，該仿真系統可以就發生列車延誤后，對可能發生長時間的延誤進行預警，對特定積壓嚴重的車站制定相應的應急預案，提示運營人員采用及時合理的應急對策，例如直接開行空車或備車到這些客流較大、積壓嚴重的車站來及時疏散積壓客流，并且可以控制進站閘機來緩解客流持續到達。

圖3 車站分時段客流圖Fig.3 Passenger flow of stations at different time

2）假設1號線列車最大容量為1 460人，用顏色代表列車滿載率并繪制在列車運行圖上，顏色越近紅色代表列車滿載率越高，越接近綠色代表滿載率越低，可得如圖4所示的實際滿載率列車運行圖。圖中看出由于列車延誤（Train Delay）期間站臺客流無法疏散，會導致運營延誤恢復后的列車過度擁擠，如圖中運營恢復后4 列列車在0132 至0126 區間內滿載率達到飽和（100%），會導致靠后的車站（如0128、0130 等車站）乘客無法上車，站臺客流無法及時疏散。在仿真系統中可以實時輸出當前所有列車的滿載率，再將其與各站點及線路的輸送能力相互對照，得出可能存在的薄弱環節，為軌道交通運營提供輔助決策，對這些車站及列車需要加強客流監控和管理，以保障乘客人身安全。

圖4 實際滿載率列車運行圖Fig.4 Train working diagram with actual load factor

3）本文與傳統方法最大的區別在于考慮了突發事件對乘客出行行為的影響，以1號線上的車站0128（客流較大車站）和車站0123（網絡中心車站）為例，對僅考慮列車延誤的傳統方法URT_PDSS［8］與本文提出仿真系統（Proposed Simlution）進行結果對比。圖5說明了本文提出的仿真方法中車站內積壓人數相較于傳統方法較少，最大差別可達47%，主要原因是部分乘客在突發事件影響下會選擇其他路徑或其他交通方式出行以避開列車延誤，或是等候時間太長而放棄等待，如圖5（a），隨著時間的增加，車站內乘客逐漸減少，當到足夠時間，大量乘客選擇放棄原地等待。與傳統方法相比，本仿真系統對突發事件后的車站客流變化有了更準確的推測。

圖5 延誤車站客流對比Fig.5 Compared result of passenger flow at delayed stations

4）此外對比路網中其他換乘站車站0241（網絡左邊的換乘站）和車站0249（網絡右邊的換乘站）結果如圖6所示。圖中看出這兩個換乘站在列車延誤后的一段時間內客流均有不同程度的增加，增加幅度達到10%，造成這一現象的原因主要是部分受突發事件影響的乘客會選擇路網上的其他路徑出行，通過選擇其他換乘站避開延誤換乘站以完成本次出行。對于更加復雜的軌道交通網絡，乘客能夠選擇的替代路徑將會增多，選擇路網其他路徑的乘客人數也將增加，網絡上的相鄰換乘站客流將會突發增加，軌道交通運營部門也應當有相應的應對策略，可利用仿真提前預測網絡客流分布，必要的話制定相應的應急預案。

圖6 網絡換乘站客流對比Fig.6 Compared result of passenger flow at key transfer stations

5 結論與展望

所建立的多智能城市軌道交通突發事件乘客出行行為仿真模型，基于C#.Net 語言和Oracle 數據庫開發了系統仿真平臺，能夠較為真實地反映突發事件下城市軌道交通網絡客流分布情況，可對城市軌道交通應急指揮、列車運行方案調整等提供輔助決策依據。

利用簡單網絡進行仿真實驗，與傳統仿真方法比較可揭示乘客在突發事件影響下出行行為的改變機理，結果顯示仿真模型可計算并推測列車及站點的動態變化積壓客流量，結合各站點的客運能力，判斷是否對某站點進行疏散組織、限流控制或制定救援方案等預案措施（例如發布輔助出行信息，接駁公交數量等）。

該模型還需從以下幾點進一步研究：①突發事件發生后，列車實時調整策略對網絡客流分布的影響；②乘客選擇行為因為出行目的不同導致對各路徑的偏好不同。

[1]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):110-114.

[2]劉劍鋒,孫福亮,柏赟,等.城市軌道交通乘客路徑選擇模型及算法[J].交通運輸系統工程與信息,2009,9(2):81-86.

[3]四兵鋒,毛保華,劉智麗.無縫換乘條件下城市軌道交通網絡客流分配模型及算法[J].鐵道學報,2008,29(6):12-18.

[4]姚向明,趙鵬,喬珂.城市軌道交通網絡客流分布仿真模型研究[J].交通運輸系統工程與信息,2012,12(6):52-59.

[5]HIGGINS A,KOZAN E.Modeling train delays in urban networks[J].Transportation Science,1998,32(4):346-357.

[6]NIELSEN O A, LANDEX A, FREDERIKSEN R D.Passenger delay models for rail networks[J].Schedule-Based Modeling of Transportation Networks:Theory and Applications,2008,46:27.

[7]洪玲, 高佳, 徐瑞華.城市軌道交通網絡突發事件影響客流量的計算[J].同濟大學學報:自然科學版, 2011,39(10):1485-1489.

[8]JIANG Z,LI F,XU R H,et al.A simulation model for estimating train and passenger delays in large-scale rail transit networks[J].Journal of Central South University,2012,19:3603-3613.

[9]LI F, XU R H.Simulation of passenger distribution in urban rail transit in case of emergencies[C]//Transportation Mechanical and Electrical Engineering(TMEE),2011 International Conference on.IEEE,2011:1933-1936.

[10]劉玉麟.基于多主體仿真的城市軌道交通網絡乘客出行行為研究[D].上海:同濟大學,2008.

[11]何嘉耀,葉楨翔.基于多智能體系統的單元城市交通需求特性研究[J].華東交通大學學報,2013,30(3):5-11.