劉光通，孔德文，鄭宣傳，沈 瑜，董曉春

學術探討

基于BC算法的地鐵站臺乘客分布建模及應用

劉光通1，孔德文1，鄭宣傳3，沈 瑜2，董曉春2

（1. 北京工業(yè)大學城市交通學院，北京 100124；2. 南京地鐵集團有限公司，南京 210008； 3. 北京城建設計發(fā)展集團股份有限公司，北京 100037）

為定量化分析地鐵站臺客流組織方案的應用效果，實地收集乘客候車分布數(shù)據，統(tǒng)計分析候車位置選擇的特性，研究發(fā)現(xiàn)乘客的候車位置選擇具有集中性，并受行走距離、排隊長度和候車區(qū)域容量影響。基于細菌趨藥性(BC)算法原理，結合站臺乘客候車位置選擇特性，建立了站臺乘客分布仿真模型，并利用實測數(shù)據對模型進行了標定和驗證。從實例站臺的限流欄桿長度方面提出了優(yōu)化方案，利用所建模型再現(xiàn)了實例站臺的候車場景及優(yōu)化方案，對優(yōu)化效果進行驗證。結果顯示：優(yōu)化的限流欄桿設置方案實施后，站臺候車區(qū)域客流平均密度在各客流條件下分別下降了0.02、0.07和0.09，可上車的人數(shù)分別增加了10、8及11人次，因此所提優(yōu)化方案具備有效性，得到的模型及應用成果能為地鐵車站運營管理方在站臺客流控制策略的制定方面提供理論支持和依據。

城市軌道交通；管控優(yōu)化；乘客仿真模型；站臺

站臺是地鐵車站內連接落客區(qū)域與站廳層的過渡性集散空間。但由于其空間狹小，客流集散量大的特點，加上乘客自身的視覺限制，常出現(xiàn)各等待區(qū)域乘客分布不均勻的情況。這種現(xiàn)象會導致部分區(qū)域客流過度密集，站臺候車乘客分布的不均衡容易導致相應車廂的乘客滿載率也不均衡，在滿載率較低的車廂出現(xiàn)列車運力的浪費[1]。為解決上述問題，已在站臺區(qū)域展開實施多種類型的客流控制方式，但方案設定多以經驗為主導，尚缺乏科學的指導和規(guī)范。因此，建立軌道交通站臺乘客的分布模型，用以驗證站臺客流組織方式的科學性和合理性具有重要意義。

國內外許多專家學者對站臺乘客候車和管控方式進行了研究，Lam等[2]采集了香港地鐵站臺的實際數(shù)據，通過回歸分析和相關性分析發(fā)現(xiàn)列車開門時間與上、下車人數(shù)的相關性最大，并以此構建了地鐵列車的?？繒r間模型；Oliveira等[3]分析了導致站臺乘客分布不均的相關性因素，并提出了利用實時數(shù)據減緩過度集中現(xiàn)象的方法；Seriani等[4]利用仿真和實驗手段，從乘客服務水平(LOS)、乘客服務時間(PST)、站臺乘客密度和乘客不滿程度方面出發(fā)，提出了站臺行人管控方案建議；Heuvel等[5]提出列車?？课恢孟蚯耙苿?0 m的優(yōu)化方案，結果顯示乘客平均候車時間減少了32 s。曹守華等[6]以軌道交通乘客上車時間為研究對象，綜合了站臺設置、車門寬度、提示音等一系列因素，建立了計算乘客上車時間的模型；趙宇剛等[7]分析列車到達時間間隔、換乘乘客走行時間與站臺最高聚集人數(shù)的關系，提出一種規(guī)劃期內城市軌道交通換乘站站臺最高聚集人數(shù)的計算方法；徐尉南等[8]引入流體力學思想，基于實地調查數(shù)據，建立了基于描述站臺客流運動的定量數(shù)學模型；孫小菲等[9]通過對調研各類型車站站臺上乘客的基礎數(shù)據，對步速、步幅、步頻之間的關系以及客流速度與密度之間的關系進行擬合，得到不同參數(shù)的擬合函數(shù)并結合實例分析其內在機理。

綜上所述，已有學者對站臺乘客運動特性以及行為建模進行了一定研究，但對于考慮乘客主觀因素和外部環(huán)境變化下的運動特性描述尚有待深入。本文基于實測數(shù)據，分析乘客候車區(qū)域選擇的主要影響因素，結合細菌趨藥性優(yōu)化算法的基本假設，構建站臺客流分布仿真模型。對實例站臺從限流欄桿方面提出了優(yōu)化建議，并利用所構建模型對其優(yōu)化效果進行了驗證。

與社會力模型、元胞自動機模型等廣泛使用的行人仿真模型相比，本研究構建的模型更側重于乘客運動的結果，即最終乘客的分布情況，因此在時效性上更具優(yōu)勢。本模型中融入了乘客主觀因素的影響，能夠準確地再現(xiàn)站臺乘客位置選擇的過程。

1 地鐵站臺乘客候車區(qū)域選擇特性分析

1.1 站臺乘客運動規(guī)律

站臺是軌道交通乘客實現(xiàn)登車下車以及換乘的重要區(qū)域，該區(qū)域的客流具有高度聚集、人員交織頻繁等特點。地鐵乘客在車站內行走具有極強的目的性，同時還有較強的靈活性和適應性。站臺乘客通常結合設施設備配置情況、客流密度水平以及列車到發(fā)狀態(tài)等條件后做出行為決定。

一般來說，進入站臺區(qū)域乘客選擇候車區(qū)域時有如下趨勢：①客流密度較小時，乘客會趨向于選擇距離樓梯口最近的等待區(qū)候車；②當站臺區(qū)域存在一定量乘客時，乘客更愿意選擇候車排隊人數(shù)較少的位置候車；③站臺設施管理措施，如固定建筑物、限流欄桿等，對于客流運動的影響效果較為明顯。

1.2 站臺客流數(shù)據采集方案

為研究站臺乘客候車位置選擇行為的特性，對北京地鐵2號線東直門站臺開展數(shù)據調查工作。該站臺形式為島式站臺，平面形狀近似矩形。經測量，該站臺長度約為113 m，寬度約為24 m。站臺每側各設置24個車門，兩端分別設置一處樓梯，其中一側樓梯通過延伸扶手的方式設置了限流欄桿，另一側未設置。此外，站臺區(qū)域設有距離均衡的柱子，除此之外，不存在扶梯、直梯、管理用房等其他設施。乘客在站臺上行走時，該站臺可看作包含兩個入口的封閉空間。對相關障礙物做簡化處理后的平面示意圖見圖1。

分別在客流平峰(14:30～15:30)及高峰(17:30～18:30)期間收集客流分布數(shù)據。在每個扶梯附近的位置安排一名調查員，以東四十條方向列車候車周期為準，分別記錄一個候車周期內進入站臺的人數(shù)。同時站臺兩側分別設置兩名調查員，記錄周期內各車門前的候車人數(shù)。依據上述方法在平峰及高峰期連續(xù)調查10個周期。本文中，乘客的一個候車周期定義為：從上一班次地鐵關門的時刻到本班地鐵到達車門開啟的時刻之間的時間。

圖1 東直門地鐵2號線站臺平面簡圖

Figure 1 The platform plan of Dongzhimen of Line 2 of Beijing Metro

地鐵2號線全天各時段候車周期是動態(tài)變化的。在平峰期內，候車周期約為5 min，高峰期內候車周期約為2 min，車輛到達后開門時間約為18 s。

1.3 數(shù)據及客流運動特征分析

最終一共獲取平峰期及高峰期共20組有效樣本。平峰期和高峰期內各候車區(qū)域前的平均候車人數(shù)如圖2所示?？梢钥闯銎椒迤趦龋骱蜍噮^(qū)域內人數(shù)差異不大，多數(shù)候車區(qū)域內乘客較少。高峰期站臺部分區(qū)域出現(xiàn)擁擠現(xiàn)象，各車門前乘客數(shù)量出現(xiàn)不均衡。

高峰候車周期為120 s，將候車周期的40 s、80 s以及120 s時的候車人數(shù)分別統(tǒng)計，結果如圖3所示。

可以看出，距離樓梯口較近的7、8、9號以及17、18、19號車門的候車人數(shù)始終較多，位于站臺中部候車區(qū)域的人數(shù)相對較少。證明乘客在選擇候車位置時，傾向于選擇步行距離較小的位置。

對40～80 s內以及80～120 s內各候車人數(shù)增加情況進行統(tǒng)計，結果如圖4所示。

結果表明，0～80 s內，距離樓梯口較近的各候車區(qū)域的人數(shù)上升速度較快，80 s之后，由于距樓梯口附近的7、8、9以及排隊人數(shù)較多，乘客開始更多地選擇站臺中部位置進行候車。此外可以看出，站臺兩側車門受障礙物阻擋影響，其候車區(qū)域面積較小，導致其候車人數(shù)始終較少。

本節(jié)中處理后的數(shù)據也用于下文中模型的標定及驗證。

圖2 候車人數(shù)分布

Figure 2 Distribution of numbers of waiting people

2 站臺乘客分布模型構建

2.1 細菌趨藥性算法原理

細菌趨藥性(BC)優(yōu)化算法是一種從生物行為原理提煉出的函數(shù)優(yōu)化方法。Hans[10]發(fā)現(xiàn)細菌在引誘及環(huán)境下的應激機制和梯度下降相類似。Muller等[11]在此基礎上結合最新的生物學研究成果提出了細菌趨藥性算法。算法中每個細菌的運動遵從以下假設：

圖3 3個時刻下各區(qū)域的候車人數(shù)

Figure 3 Number of waiting passengers in each area at three different times

圖4 3個時間段下各區(qū)域增加的候車人數(shù)

Figure 4 Increase in the number of waiting passengers in the next area during the three periods

1) 細菌的運動軌跡是由一系列的直線組成的，其軌跡形態(tài)由速度、運動時間、轉角3個變量決定。

2) 在所有的運動軌跡中，每個細菌的運動速度是恒定的。

3) 在細菌改變運動方向時，向左轉和向右轉的概率是相同的。

4) 細菌在每條軌跡上的運動時間是由指數(shù)分布決定的。

5) 每個細菌在各段運動軌跡上的運動時間和各段相鄰軌跡間的夾角是兩個相互獨立的參數(shù)。

在上述假設下，細菌趨藥性算法的計算過程見文獻[11]，運動原理見圖5。

圖5 細菌個體運動簡圖

Figure 5 Schematic of single bacterial movement

在本研究中，將對細菌趨藥性算法原理進行改進，從而構建站臺乘客分布仿真模型，以描述站臺乘客候車位置選擇的過程。

2.2 模型搭建

2.2.1 場景搭建

乘客在進入站臺后，將綜合各車門與站臺入口的距離、候車區(qū)域排隊長度以及候車區(qū)域容量的現(xiàn)狀情況3項因素確定候車位置。在仿真場景中，將站臺看作二維平面直角坐標系，站臺左下角作為坐標系原點，以北京市地鐵2號線東直門地鐵站臺為例，站臺俯視圖的左下角為原點，兩條側邊為軸，構建平面直角坐標系，如圖6所示。

2.2.2 模型搭建

本文中搭建的仿真模型為離散型微觀模型，仿真步長為1 s，仿真周期等于候車周期。在模型運行過程中，運動起點即樓扶梯口處，每秒鐘均生成若干數(shù)量乘客，每位乘客對各個候車區(qū)域與當前位置的距離、已有人數(shù)以及容量等因素進行綜合考慮后，確定目標候車區(qū)域，并在運動過程中改變各參數(shù)，對目標候車區(qū)域進行調整。

乘客在整個移動過程中，速度不變，其移動軌跡由一系列直線以及若干改變轉角的點組成。當乘客到達候車區(qū)域或仿真周期結束時，該乘客停止運動。乘客在到達候車區(qū)域后，不存在更換隊列行為。站臺乘客位置移動具體過程如下。

1) 輸入乘客并確定目標側邊。首先在場景起點輸入數(shù)量固定的乘客，在仿真環(huán)境中，每位乘客的移動速度是相同的，且在仿真過程中數(shù)值保持不變。根據《地鐵安全疏散規(guī)范》(GB 33669-2017)[12]，不同性別、年齡的人群的平均水平行走速度可取1.1 m/s，本模型中乘客速度選用該值。輸入乘客后，每位乘客將首先選擇去往島式站臺的兩條側邊之一，如東直門地鐵站臺的東四十條方向或雍和宮方向，該乘客將在移動過程始終前往該側邊方向。

圖6 站臺平面直角坐標系

Figure 6 Platform plane rectangular coordinate system

2) 確定排斥力系數(shù)。在模型中提出排斥力系數(shù)的概念，以原算法中的計算精度表示。在乘客進入站臺后，每個候車區(qū)域均存在一個排斥力系數(shù)，用以量化在乘客選擇過程中對該候車區(qū)域的排斥程度。根據前文中站臺乘客運動特性的分析結果以及文獻[13]、[14]的研究，最終選擇行走距離、排隊長度、候車區(qū)域容量為組成排斥力系數(shù)的參數(shù)。

在上述所建立的場景中，把BC優(yōu)化算法中的參量改進為排斥力系數(shù)，具體公式見下：

其中：D()代表在時刻下，乘客與候車區(qū)域的距離；L代表候車區(qū)域的容量；N()代表候車區(qū)域的候車人數(shù)，即排隊長度；、、、分別為4項待標定參數(shù)。

3) 移動時間設置。移動時間是由最小平均移動時間0決定的。乘客在每條移動軌跡上的時間服從參數(shù)的指數(shù)分布。移動時間由指數(shù)分布下取隨機數(shù)確定。

式中：0k()為乘客在時刻的最小移動時間；εmin()為時刻所有排斥力系數(shù)中的最小值，最小時間單位為s。

4) 轉角設置。乘客移動的方向由每條軌跡的轉角()決定，目前對于乘客移動轉角的研究較少，且在不同環(huán)境中各有不同。結合本研究的實例情況，規(guī)定在本模型中，轉角數(shù)值為[0°，90°]范圍內的隨機數(shù)。

5) 乘客移動。在仿真模型中，每位乘客上一次移動的時間點為t，軌跡上的移動時間為t，下一次的移動時間點為t。因此t等于t和t的和。

仿真時間每進行1 s，模型將判斷當前時間點是否等于t，如果相等，則乘客將依據公式(3)的原理進行移動。如果不相等，則該乘客位置不變，并等候進入下1 s。乘客位置移動公式如下。

將站臺兩側以車門為中心，分別劃分為24個候車區(qū)域，并按照坐標劃分區(qū)間。如果乘客在運動過程中，到站臺一側的距離小于5 m，則視為到達候車區(qū)域。

6) 模型參數(shù)更新。到達新位置后，判斷乘客是否進入候車區(qū)域，若已到達，則該區(qū)域的候車乘客數(shù)量加1，乘客停止運動；若未到達，更新ε，0和，重復上述步驟，直到乘客到達等候區(qū)或候車周期結束。

2.3 模型標定及驗證

利用前文中采集到的實際數(shù)據對仿真模型進行了標定和驗證，其中7組數(shù)據用于校準，3組數(shù)據用于驗證。

2.3.1 模型標定

待標定的參數(shù)包含公式(1)中的、、、。本節(jié)利用試驗法對上述參數(shù)進行標定，其中，、的初始范圍為[1，10]，為[0，0.1]，為[0，100]。

分別選擇第2、3、4、6、7、8、9個候車周期的實際客流分布數(shù)據，與不同參數(shù)取值組合下的模型輸出數(shù)據進行對比。其中，、的取值間隔為0.5，的取值間隔為0.01，的取值間隔為1。最終，多個不同參數(shù)組合下的模型輸出結果與實際各車門前的候車人數(shù)進行對比，選出平均誤差最小的參數(shù)組合作為標定結果。最終結果為=7，=5，=0.09，=10，此時平均候車人數(shù)誤差小于10%。

2.3.2 模型驗證

將第1、5、10個候車周期的實際數(shù)據與仿真模型所呈現(xiàn)的客流分布情況進行對比，從而確定所構建模型的實用性。3個周期中，進入站臺的乘客數(shù)量分別為125、174、155人次。將同等客流分別輸入模型，對比各客流密度下的乘客候車區(qū)域選擇情況。3個周期內各候車區(qū)域平均候車人數(shù)與10次模型輸出的客流分布情況如圖7所示。

圖7 模型結果與實際數(shù)據對比情況

Figure 7 Comparison between model results and actual data

通過檢驗驗證了仿真模型的預測精度，分析了現(xiàn)場數(shù)據與模型輸出的差異。結果表明，=0.278，屬于(–1.06，3.64)范圍。因此，在95%置信水平下，分布是一致的。在本文中，95%的置信區(qū)間是可接受的。

在所搭建模型的仿真周期內，輸入所調查的平峰期和高峰期的客流量，并將模型輸出的各候車區(qū)域候車人數(shù)與實際數(shù)據進行誤差計算，結果見表1。

結果表明，在平峰與高峰客流條件下，模型輸出的候車人數(shù)絕對誤差均小于5，百分比誤差均小于15%，因此本文建立的模型能夠較準確地反映乘客候車位置選擇的結果。

表1 模型輸出與實際數(shù)據誤差

3 優(yōu)化案例應用

軌道交通站臺常見的客流組織方法包括流線組織、設施配置和信息引導等[15]。多數(shù)地鐵站的站臺區(qū)域內組織方式以設施配置為主，其中設置導流欄桿是一項較為常見的措施。

在地鐵站臺上，一般通過延長樓梯扶手或獨立設置的形式，對部分候車區(qū)域，尤其是距離樓梯口較近的位置進行限流，從而有效避免了乘客在樓梯口附近過度聚集，進而阻擋客流流線運行。但同時，限流欄桿也會影響部分候車區(qū)域的容量，降低站臺容納量。因此設置合理限流欄桿對站臺的穩(wěn)定運行具有促進作用。

目前，實例站臺僅在一側樓梯口布設限流欄桿，被限流的候車區(qū)域分別為5、6、7以及31、32、33號，每個被限制的區(qū)域客流容納量約為10人。由于另一側樓梯客流量不大，故未設置限流欄桿。

基于構建的乘客分布模型，對實例站臺現(xiàn)狀在不同客流量下的運行狀況進行仿真。依據站臺設計以及實際客流情況，分別在仿真周期內輸入240、360、480人次的客流量進入站臺，對3種客流條件下的候車分布進行記錄。模型輸出的單側站臺各車門前候車人數(shù)如圖8所示。

圖8 現(xiàn)狀設施候車人數(shù)分布

Figure 8 Distribution of waiting population of current facilities

可以看出，距離樓梯口較近的候車區(qū)域，如8、9、10、11號區(qū)域，候車人數(shù)較多，但中部位置的區(qū)域，如12、13、14、15號在各客流條件下均出現(xiàn)候車人數(shù)較少，即利用率不足的現(xiàn)象。

因此，為提高站臺中部區(qū)域利用率，提升乘客上車效率，提出延長引流欄桿至10號車門附近位置的優(yōu)化措施?，F(xiàn)狀方案和優(yōu)化方案見圖9。但是，延長欄桿將會使更多候車區(qū)域的空間受限，進而導致部分候車區(qū)域的容量降低，因此需要綜合考慮上述優(yōu)化方案的效果，最終確定其有效性。

Figure 9 Current situation and optimization scheme of drainage railing

基于構建的模型，在不同客流條件下運行，以站臺候車區(qū)域平均密度、可上車人數(shù)為判斷指標，驗證優(yōu)化方案的運行效果。

將現(xiàn)狀方案與優(yōu)化方案分別在本節(jié)上述3種客流條件下運行，計算各方案在3種客流條件下的候車區(qū)域平均客流密度和可上車人數(shù)，計算結果如表2和表3所示。

表2 優(yōu)化前后的候車區(qū)域客流平均密度對比

表3 優(yōu)化前后的可上車人數(shù)對比

可以看出，在3種客流條件下，對引流欄桿優(yōu)化后站臺的候車區(qū)域客流平均密度均有不同程度下降，證明優(yōu)化效果良好。在客流量為240人次/周期時，由于站臺本身擁擠程度不嚴重，優(yōu)化方案效果并不明顯。在客流量達到360、480人次/周期時，候車區(qū)域客流平均密度分別下降了0.07、0.09。

實例站臺單側候車區(qū)域可上車人數(shù)的規(guī)則為：乘客可利用列車停站時間登車，各車門在一停站周期內可登車的人數(shù)最多為18人，超過上限的乘客可利用周邊未達上限的車門上車。在3種客流條件下，前往單側候車區(qū)域的總候車人數(shù)分別為115、172、230人次。

實施優(yōu)化方案后，3種客流條件下的可上車人數(shù)分別上升了10、8、11人次。這表明所提優(yōu)化方案能有效提高站臺乘客分布均衡程度，從而提高站臺空間利用率，減少乘客滯留情況。

4 結論

在分析站臺乘客候車區(qū)域選擇特性的基礎上，以細菌趨藥性算法的原理為基礎，考慮了行走距離、排隊長度和空間容量3項因素，構建了地鐵站臺候車乘客分布預測模型，并以實際候車數(shù)據，對模型參數(shù)進行了標定和模型的真實性驗證。結果表明構建模型能夠再現(xiàn)乘客在站臺的候車場景。以北京地鐵2號線東直門站臺為實例，提出了對限流欄桿進行延長的優(yōu)化方案，并以所構建的模型對方案進行了效果驗證。處理后的模型結果顯示，候車區(qū)域的平均客流密度在不同客流條件下均有下降，可上車人數(shù)均有上升，故優(yōu)化方案有效。

本研究以北京為例，其研究方案及結論具有通用性，可在國內其他城市的地鐵設施研究中借鑒。需進一步研究的內容包括考慮上、下車乘客群體間相互影響的作用，以及將模型應用于其他客流組織方案的優(yōu)化，以此能夠更進一步提高地鐵站臺區(qū)域客流管控方案的科學性。

[1] 濮燁. 基于地鐵站臺設施布局的候車乘客分布與優(yōu)化研究[D]. 北京: 北京交通大學, 2018.PU Ye. Study on the distribution of waiting passengers and the optimization based on the facilities’ layout subway platform[D]. Beijing: Beijing Jiaotong University, 2018.

[2] LAM W H, CHEUNG C, LAM C F. A study of crowding effects at the Hong Kong light rail transit stations[J]. Transportation research part A, 1993, 33: 401-415.

[3] Oliveira L C, Fox C, Birrell S, et al. Analysing passengers’ behaviours when boarding trains to improve rail infra-structure and technology[J]. Robotics and computer- integrated manufacturing, 2019, 57: 282-291.

[4] SERIANI S, FERNANDEZ R. Pedestrian traffic mana-ge-ment of boarding and alighting in metro stations[J]. Tran-sportation research part C: emerging technologies, 2015, 53: 76-92.

[5] HEUVEL J V D. Field experiments with train stopping positions at Schiphol airport train station in Amsterdam, Netherlands[J]. Transportation Research Record: Journal of the Transportation Research Board, 2016, 2546(1): 24-32.

[6] 曹守華, 袁振洲, 趙丹. 城市軌道交通乘客上車時間特性分析及建模[J]. 鐵道學報, 2009, 31(3): 89-93. CAO Shouhua., YUAN Zhengzhou, ZHAO Dan.Chara-cteri-stics Analysis and Model Establishment for Passenger Boarding Time in Urban Rail Transit[J]. Journal of the China railway society, 2009, 31(3): 89-93.

[7] 趙宇剛, 毛保華, 楊遠舟, 等. 城市軌道交通站臺最高聚集人數(shù)計算方法研究[J]. 交通運輸系統(tǒng)工程與信息, 2011, 11(2): 149-154. ZHAO Yugang, MAO Baohua, YANG Yuanzhou et al. A study on the calculation method of the maximum aggregatenumber at the platform of urban rail transit[J]. Transpor-tationsystem engineering and information, 2011, 11(2): 149-154.

[8] 徐尉南, 吳正. 地鐵候車廳客流運動的數(shù)學模型[J]. 鐵道科學與工程學報, 2005(2): 70-75.XU Wannan, WU Zheng. Mathematical model of passenger flow in subway station[J]. Journal of railway science and engineering, 2005(2): 70-75.

[9] 孫小菲, 陳旭梅, 王佑安. 不同類型城市軌道交通車站站臺客流特性對比研究[J]. 交通運輸工程與信息學報, 2015, 13(4): 127-134.SUN Xiaofei, CHEN Xumei, WANG Youan. Compara-tive study on passenger flow characteristics of different types of urban rail transit stations[J]. Journal of Transpor-ta--tion engineering and information technology, 2015, 13(4): 127-134.

[10] HANS B. Chemotaxis and Optimization[J]. Franklin Inst, 1974: 297: 397-404.

[11] MULLER S D, MARCHETTO J, AIRAGHI S.Optimi-zation based on bacterial chemotaxis[J]. IEEE Transac-tions evolutionary computation, 2002; 6(1): 17-19.

[12] 國家標準化管理委員會. 地鐵安全疏散規(guī)范: GB 33669-2017[S]. 北京: 中國標準出版社, 2017. Code for safety evacuation of metro: GB 33669-2017[S]. Beijing: China Standards Press, 2017.

[13] YANG X X, Dong H, YAO X. Passenger distribution modelling at the subway platform based on ant colony optimization algorithm[J]. Simulation modelling practice and theory, 2017, 77: 228-244.

[14] KIM H, KWON S, WU K S, et al. Why do passengers choose a specific car of a metro train during the morning peak hours[J]. Transportation research part A: policy and practice, 2014, 61: 249-258.

[15] 鄭勛. 城市軌道交通車站乘客微觀行為分析與建模[D].北京交通大學, 2019.ZHENG Xun. Analysis and modeling of passenger micro- behavior in urban rail transit stations[D]. Beijing: Beijing Jiaotong University, 2019.

Simulation Model Construction and Application of Platform Passenger Distribution

LIU Guangtong1, KONG Dewen1, ZHENG Xuanchan3, SHEN Yu2, DONG Xiaochun2

(1. College of Metropolitan Transportation, Beijing University of Technology, Beijing 100124; 2. Nangjing Metro Group Co., Ltd., Nanjing 210008; 3. Beijing Urban Construction Design & Development Group Co., Ltd., Beijing 100037)

For quantitative analysis of the application effect of a subway platform passenger flow organization scheme, the data on the passenger waiting distribution were collected on-site, and the characteristics of the waiting position selection were statistically analyzed. Finally, it was found that the waiting position selection of the passengers was centralized and affected by the walking distance, queue length, and waiting area capacity. Based on the principle of the bacterial chemotaxis (BC) algorithm and the characteristics of platform passenger waiting position selection, a platform passenger distribution simulation model was established, and the model was calibrated and validated using the measured data. An optimization scheme has been proposed based on the length of the current-limiting railing of the platform, the waiting scene and optimization scheme of the platform are reproduced using the model, and the optimization effect is verified. The results show that after the implementation of the optimized scheme of limiting the railing, the average density of passenger flow in the waiting area of the platform decreased by 0.02, 0.07, and 0.09, respectively, and the number of people who could get on the bus increased by 10, 8, and 11; this scheme was therefore considered to be effective. The model and its application results can provide the theoretical support and basis for subway station operation management to determine a passenger flow control strategy.

rail transit; control optimization; passenger simulation model; platform

U121

A

1672-6073(2021)02-0091-08

10.3969/j.issn.1672-6073.2021.02.015

2019-12-25

2019-02-26

劉光通，男，碩士研究生，從事軌道交通客流特性的研究，liukrongton@126.com

國家重點研發(fā)計劃(2017YFB1201104); 朝陽區(qū)博士后科研活動經費資助項目(Q1038001201901)

劉光通，孔德文，鄭宣傳，等. 基于BC算法的地鐵站臺乘客分布建模及應用[J]. 都市快軌交通，2021，34(2)：91-98.

LIU Guangtong, KONG Dewen, ZHENG Xuanchan, et al. Simulation model construction and application of platform passenger distribution[J]. Urban rapid rail transit, 2021, 34(2): 91-98.

（編輯：郝京紅）