基于行人服務水平的地鐵車站單向通道超越行為研究

丁泓十，胡華，方勇，郝妍熙，劉志鋼

(1.上海工程技術大學 城市軌道交通學院，201620 上海)

1 引言

地鐵車站通道作為行人流發生交織的場所，是連接車站內不同設施的緩沖地帶，具有強導向性[1]。在高密度人群或突發事件情況下，行人在單向通道內的超越行為會在一定程度上擾亂人流移動秩序，引發行人不良情緒，降低通道通行能力，甚至誘發安全事故。現有的車站客流組織方案并未考慮行人行為產生的不良影響，行人超越行為研究可為車站客流組織優化、運營風險防控等提供依據。

利用視頻技術采集、分析交通行為已被證實是一種有效的方法[2]。地鐵車站海量的視頻數據可為行人行為研究提供數據支撐。已有超越行為的研究主要著眼于超越行為的發生條件、模型建立和行為特性分析等。Pushkarev和Zupan[3]提出當人均空間大于3.7 m2/人時，行人流量是最大流量的20%左右，超越行為可以自由發生。J.K.K.Yuen等人[4]基于步速高的行人習慣于超越步速低的行人這一現象提出改進的社會力模型。王洪臣等人[5]總結了地鐵車站通道行人走行特性，歸納提出了行人交通表征指標并對其影響因素進行了分析。吳嬌蓉等人[6]分析了超越行為的空間特征指標，提出了判別超越者在超越行為結束階段行走狀態的方法。綜上，已有研究尚未從行人動力學角度提出超越行為表征指標，也未對不同客流密度下通道超越行為的特征差異進行量化分析。

本文將超越行為分為換道、超越兩個階段，基于行人動力學提出超越行為表征指標，利用視頻技術提取地鐵車站單向通道超越行為數據，基于置信區間閾值法和四分位差法確定不同行人服務水平下表征指標均值、閾值，為不同條件下地鐵車站單向通道的通行能力改善分析、異常超越行為辨識及風險分析等提供基礎。

2 超越行為定義及表征指標選取

2.1 超越行為定義

針對單向通道上的行人，當前方行人速度小于后方行人且對后方行人移動路徑造成阻礙時，后方行人就需要換道甚至提速來超越前方慢速行人或行人隊列以避免碰撞[6]。超越行為為交互行為，涉及的對象包括超越者、被超越者，后方行人為超越者，前方行人或行人隊列為被超越者。行人超越行為可劃分為兩個階段：換道階段和超越階段，如圖1所示。

圖1 超越行為階段示意圖

(1)換道階段：從超越者與被超越者橫向間距持續變化時開始，到橫向間距保持恒定時結束，即圖1中幀數n從1-3的過程。

(2)超越階段：從換道階段結束開始，一直到超越者與被超越者y軸坐標一致，即圖1中幀數n從3-5的過程。

2.2 超越行為表征指標

①橫向移動距離h：換道階段開始時刻和結束時刻x軸坐標差的絕對值，見式(1)。

h=|xi(t+n)-xi(t)|

(1)

式中：xi(t)為行人i在t時刻x軸坐標；xi(t+n)行人i在(t+n)時刻x軸坐標。

②行走偏移角度θ：換道階段超越者行走方向與y軸之間的角度差，見式(2)。

(2)

式中：(xi(t),yi(t))為行人i在t時刻的坐標；(xi(t+1),yi(t+1))為行人i在(t+1)時刻的坐標。

(3)

式中：Δt為超越行為持續時間。

④起始間距d：換道階段開始時刻超越者與被超越者之間的距離，見式(4)。

(4)

⑤平均速度差Δv：指超越者平均速度與被超越者平均速度之差，見式(5)。

(5)

3 超越行為表征指標分析方法

3.1 基于置信區間閾值法的均值分析方法

超越行為表征指標會受到行人個體和外界環境的影響而變化。對其均值進行分析能夠較直觀地反映數據的集中性、代表性，有利于不同條件下超越行為的對比、分析，反映數據組間的差異。置信區間閾值法按給定概率值建立了一個包含待估參數的區間，能如實地反映其可信程度。因此本文基于置信區間閾值法確定超越行為表征指標均值，具體流程為：

Step1：基于HCM2000[7]中通道行人服務水平標準將各表征指標的樣本數據按行人流量進行分類；

Step2：利用Origin軟件對分類后的表征指標樣本數據進行分布擬合，通過Kolmogorov-Smirnov test[8](K-S test)和Anderson-Darling test[9](A-D test)的擬合優度檢驗確定其最優擬合分布密度函數；

Step3：根據最優擬合分布對應的置信區間公式[10]，計算得到超越行為各表征指標均值。

3.2 基于四分位差法的閾值分析方法

當超越行為的表征指標值偏離合理范圍，會對當前環境下通道實際通行能力和安全風險帶來影響。因此可假設行人超越行為表征指標值集中在一個合理區間內，而遠離此區間的數值即為異常值。四分位差法是異常值檢測的一種方法，可用于各種分布數據的閾值計算[12]。本文采用四分位差法確定超越行為表征指標閾值，可進一步作為判別異常超越行為的依據。閾值M計算公式為：

{M|QL-1.5IQR≤M≤QU+1.5IQR}

(6)

IQR=QU-QL

(7)

式中：QU——上四分位數；QL——下四分位數；IQR——四分位差。

4 數據采集

為解決車站視頻拍攝角度傾斜產生的坐標轉換及行人重疊問題，在上海地鐵車站選擇典型單向通道，采用垂直俯拍方式采集行人行為數據，將三維坐標簡化為二維坐標進行數據分析，降低了數據處理的難度，提高了數據處理的精度。

由于垂直俯拍的拍攝范圍相對較小，將多個攝像頭連續布設，利用Premiere軟件對多個視頻數據進行拼接，拼接視頻可得到通道全程的行人行為。拼接過程見圖2。

圖2 視頻拼接過程圖

進一步，通過Tracker軟件對拼接視頻中的行人頭部進行目標定位，追蹤并顯示出目標的運動軌跡，同時自動獲取行人每一幀的橫縱坐標和時間信息，見圖3。

圖3 Tracker目標追蹤過程

圖3中，通過運動軌跡曲線可以看出超越者在超越過程中的路徑，同時根據提取的坐標、時間信息計算出超越行為表征指標值。

5 結果

5.1 表征指標均值分析

有效的超越行為樣本共150個，行人流量為5-45人/(min·m)。選取通道行人服務水平標準中A-D四個服務水平，利用Origin軟件中的正態分布(常規)、對數正態分布和Gamma分布去檢驗不同水平下超越行為表征指標的分布情況。由于K-S test和A-D test的原假設為“待檢驗的兩個分布式同分布”，P值越大，表明越不能拒絕原假設，因此可以通過比較P值大小來選擇最優擬合分布。以A級服務水平下的平均速度差為例進行分析，最優擬合分布見表1。

表1 平均速度差的擬合優度檢驗結果表

同理可得其余表征指標在A-D服務水平下的最優擬合分布，見表2。根據各表征指標的最優擬合分布及其對應的均值置信區間計算公式[10]，得到超越行為五個表征指標在不同行人服務水平下的均值置信區間表，見表3。

表2 超越行為特征參數最優擬合分布表

表3 超越行為表征指標均值置信區間表

表3可以看出，隨著地鐵車站單向通道行人流量增加，行人超越行為的橫向移動距離、行走偏移角度和超越者平均速度均值逐漸下降。行人服務水平為A級時，運動空間充足，行人能按自身期望路徑行走，因此三者均值最大，分別為1.18m、13.83°和1.67m/s。當服務水平降到D級，行人運動空間減小，在需要繞過其他行人時會受到限制，因此三者均值最小，分別下降38.14%、38.03%、13.17%。

另一方面，起始間距和平均速度差均值也隨行人服務水平降低逐漸減小，分別下降29.55%、28%。結合實際情況，在A級服務水平下，行人可以自由選擇步速，行人間不會發生沖突。B級也依然有足夠的空間供行人或繞過其他行人，或避免交叉沖突，因此A、B兩級間的起始間距和平均速度差變化不明顯。但C級時，行人已明顯感覺到他人的存在，交叉人流將引起輕微沖突，導致起始間距和平均速度差均值分別下降14.84%、17.02%。D級水平下交叉人流沖突可能性更大，此時兩項表征指標均值最小，分別為0.93 m，0.36 m/s。

5.2 表征指標閾值分析

根據式(6)、式(7)計算得出的超越行為表征指標閾值下限會出現負數，與實際相悖；同時有可能出現高服務水平下限值涵蓋低服務水平下限值的情況。如A級水平下，行人可按期望速度運動，超越者平均速度數值分布不集中，四分位差較大，導致其閾值下限有可能小于B級的閾值下限。因此本文以四分位差法計算得到的上限作為表征指標閾值上限，結果見表4。

表4 超越行為表征指標上限閾值表

隨著行人服務水平下降，行人可利用運動空間縮小，導致橫向移動距離、行走偏移角度和起始間距閾值減小，同均值變化趨勢一致，三者都在C-D級間變化率最大，分別下降19.26%、28.88%、16.11%。平均速度差閾值的減小反映出行人速度分布會隨人流量增加越來越集中，閾值在C-D級間變化最明顯，下降15.49%。超越者平均速度閾值和均值同向變化反映出行人流的“快即是慢”現象，即當人流量達到一定程度，行人個體在擁擠情況下加速意愿越強烈，個體和行人流的移動速度越慢。

6 討論

(1)近年來，許多學者將研究重心轉移至行人微觀交通行為類型及指標特性，挖掘不同環境條件下行人交通行為。研究認為行人個人交通行為主要有路徑選擇、碰撞規避、到達離去、徘徊、超越等，也正是這些個體行為決定了宏觀行人流特征[12]，因此針對行人微觀交通行為的特性研究十分重要。本文通過研究分析超越行為表征參數，可以為行人微觀行為特性研究提供更多的數據支撐。

(2)本文通過對不同行人服務水平下的行人超越行為表征指標進行分析，可以為地鐵車站通道處的干預設施設計提供理論方面的指導。例如通過優化引導性干預設施(動靜態導向標識、語音設施等)和控制性干預設施(隔離欄桿、分流墻等)的位置、數量及識別度等可變設計參數，來降低行人異常超越行為的發生率。

(3)本文采用的超越行為數據采集方法主要針對單個行人，能夠克服在高密度條件下城市軌道交通車站行人交通行為易被遮擋的缺點，從而影響數據分析的準確性；且通過俯拍能夠將現實三維坐標簡化為二維坐標進行數據分析，進一步降低了數據處理的難度。但缺陷在于，受高度限制，視頻需要拼接才可以進行下一步運動軌跡的提取，可能會使得拼接處的數據存在一定誤差，后期考慮采用無人機進行拍攝，可以保證得到更準確的行人行為數據。

7 結論

本文基于行人動力學確定超越行為的五個表征指標，完善了行人超越行為表征指標體系；利用垂直俯拍和視頻拼接提取超越行為樣本數據，克服了以往拍攝角度傾斜導致的數據提取困難等問題；采用置信區間閾值法和四分位差法分別確定地鐵車站單向通道在不同行人服務水平下橫向移動距離、行走偏移角度、超越者平均速度、起始間距、平均速度差的均值和閾值，并結合實際情況對數值變化規律進行了分析，為后續地鐵車站通道行人異常行為分析研究奠定基礎，為地鐵車站通道客流組織優化與行為風險管控等提供理論支持。