基于云模型的城市軌道交通車站客流控制觸發(fā)判別方法

豆 飛 潘曉軍 秦 勇 張 欣 賈利民

(1北京交通大學交通運輸學院, 北京 100044)(2北京市地鐵運營有限公司, 北京 100044)(3北京市地鐵運營有限公司地鐵運營技術研發(fā)中心, 北京 102208)

?

基于云模型的城市軌道交通車站客流控制觸發(fā)判別方法

豆 飛1,2,3潘曉軍2秦 勇1張 欣3賈利民1

(1北京交通大學交通運輸學院, 北京 100044)(2北京市地鐵運營有限公司, 北京 100044)(3北京市地鐵運營有限公司地鐵運營技術研發(fā)中心, 北京 102208)

根據(jù)車站三級客流控制的特點分析了城市軌道交通車站設施設備的類別及乘客聚集程度判斷指標,研究了城市軌道交通車站各主要設施設備客流狀態(tài)級別的劃分.然后,基于云模型的合成理論,構建了車站主要設施設備不同客流狀態(tài)級別對應的模板云模型和實測設施設備客流狀態(tài)合成指標云模型, 通過計算兩者之間的相似程度,提出了一種基于云模型的城市軌道交通車站客流控制觸發(fā)判別方法.最后,以一級客流控制觸發(fā)判別的關鍵觀測點——站臺為例,驗證所提方法的有效性.結果表明,利用該方法能夠準確地判別當前客流狀態(tài),有助于管理者根據(jù)客流狀態(tài)及時采取相應的客流控制措施.

城市軌道交通;客流狀態(tài);客流控制;觸發(fā)條件判別;云模型

為了減輕車站在客流高峰時期的壓力,降低因大客流引發(fā)的城市軌道交通事故風險,保證城市軌道運營安全,車站運營管理人員在進站口外或站內(nèi)等處采取設置障礙物、迂回繞行等手段限制單位時間內(nèi)進站客流量,減少站內(nèi)客流擁擠狀況,即對高峰客流進行車站客流控制(車站限流).

現(xiàn)階段的客流控制方法和措施主要根據(jù)車站運營管理人員主觀經(jīng)驗進行判斷和執(zhí)行,缺乏關于何時開始客流控制、如何布設控制措施等的系統(tǒng)、客觀的理論研究,因而在一定程度上加大了車站在高峰時期客流組織工作的困難.

目前,在城市軌道交通車站客流控制措施的研究方面,文獻[1]構建了以車站客流閾值和高峰期客流特征為主要影響因素的客流控制方案理論體系;文獻[2]重點針對換乘站客流控制問題展開研究,并以廣州地鐵車站為例進行了客流控制方案的驗證.在城市軌道交通車站乘客個體行為和設施設備的服務水平研究方面,文獻[3]研究了香港地鐵站高峰時段的行人行為,并得到了乘客OD矩陣和乘客在9類行人設施上的走行時間函數(shù),建立了基于時間走行的行人仿真模型;文獻[4-5]分析了香港地鐵車站乘客在不同設施上的步行速度/流量關系,得到了行人流量與地鐵行人設施之間的關系,標定了基于不同行人設施下的行程時間函數(shù),對步行設施的服務水平進行了分級;文獻[6]通過對車站設施設備客流密度、客流步行速度、流量之間的關系進行分析,確定了設施設備的服務水平分級方案,并與《公共交通通行能力和服務質(zhì)量手冊(原著第二版)》[7]中的分級方案進行了對比分析,將設施設備服務水平劃分為4個等級.

本文通過設施設備的服務水平分級方案及實地調(diào)研,確定了車站客流控制觸發(fā)判斷指標,構建了車站設施設備客流狀態(tài)各級別對應的模板云模型和實測設施設備客流狀態(tài)合成指標云模型,建立了車站客流控制觸發(fā)判別方法.

1 城市軌道交通車站設施設備分析

根據(jù)車站內(nèi)部設施設備的功能分類及布設位置,設施設備主要包括進出站口、通道、樓梯、自動扶梯、站廳、安檢機、閘機、站臺等.按照車站設施設備的特點,可將其分為功能類設施、通行類設施以及服務功能設備.各類設施設備所包含的內(nèi)容如表1所示.

在這些設施設備分類中,車站內(nèi)部設施是固定的,屬于車站內(nèi)部建筑的一部分,在車站設計規(guī)劃和建設完成后一般不會改變,主要包括進出站口、站廳、站臺、通道、樓梯等設施.乘客進出站過程中所必需的車站空間功能區(qū)包括進出站口、站廳、站臺等,這些設施歸類為功能類設施.乘客在整個進站服務過程中,需要多次經(jīng)過通道、樓梯等設施,這些設施歸類為通行類設施.

通過對北京地鐵進行現(xiàn)場調(diào)研和數(shù)據(jù)分析發(fā)現(xiàn),車站客流控制觸發(fā)判別的關鍵觀測點對應的設施設備主要包括站臺、通道、檢票和安檢設備區(qū)域.

候車站臺為車站客流控制觸發(fā)判別的最關鍵觀測點,在大客流條件下站臺客流狀態(tài)是車站管理人員判斷是否實施一級客流控制措施的先決條件.候車站臺區(qū)域可劃分為站臺走行區(qū)域和站臺等待區(qū)域,站臺走行區(qū)域的乘客一般為進站準備等待上車的乘客和下車離開站臺的乘客,判斷站臺的乘客聚集程度指標可分為站臺客流密度和列車離開后滯留乘客和到達乘客的平均排隊長度.

通道的乘客聚集形成乘客流,該區(qū)域乘客流是由乘客個體組成的群體流動,水平通道的客流狀態(tài)決定著車站管理人員是否實施二級客流控制措施.水平通道的乘客聚集程度指標為客流密度、單位寬度客流流率和乘客平均步行速度.

安檢設備的通過能力遠遠小于檢票設備(閘機)的通過能力,在大客流發(fā)生條件下,安檢設備區(qū)域的乘客聚集程度大于閘機處的乘客聚集程度.對于進站流線來說,檢票設備之前的設施設備一般為安檢設備.因此,將車站非付費區(qū)客流控制觸發(fā)判別的觀測點選擇為安檢設備區(qū)域,該處的客流狀態(tài)變化情況決定了是否觸發(fā)客流三級控制.

表1 關鍵觀測點的客流狀態(tài)分級表

注:d為站臺寬度.

2 城市軌道交通車站客流控制條件

客流狀態(tài)能夠直觀反應客流的分布情況和變化趨勢.根據(jù)早晚高峰時期車站客流特征,將客流控制觸發(fā)判斷依據(jù)選取為設施設備內(nèi)的客流狀態(tài)變化情況.當車站設施設備內(nèi)的客流量不斷增加時,客流密度不斷增長,導致乘客步行速度下降.此時,必須實施客流控制措施,以保障車站運營安全和高質(zhì)量客運服務水平.

本文結合實地調(diào)研數(shù)據(jù)分析,將設施設備客流狀態(tài)劃分為Ⅰ,Ⅱ,Ⅲ,Ⅳ四個等級(見表1).此處,將Ⅲ級客流狀態(tài)規(guī)定為客流控制觸發(fā)條件,即當客流狀態(tài)達到Ⅲ級及以上級別的客流狀態(tài)水平時需要立即采取客流控制措施,限制站內(nèi)乘客數(shù)量,直到客流狀態(tài)指標達到Ⅱ級或Ⅰ級客流狀態(tài)水平時解除客流控制措施.

3 車站客流控制觸發(fā)判別方法

車站設施設備處客流控制觸發(fā)量化指標包括客流密度、單位寬度客流流率、乘客平均步行速度、平均排隊人數(shù)等.在測量不同指標的量化情況時,客流控制觸發(fā)判別關鍵觀測點的客流聚集情況具有動態(tài)特征和模糊隨機性,且每個設施設備處至少有2個客流控制觸發(fā)判別指標,在客流狀態(tài)劃分過程中,采用車站設施設備處客流狀態(tài)分級表對客流控制觸發(fā)條件進行判斷可能會得到不一樣的結果.例如,站臺處的人均占用面積為0.32 m2,列車離開站臺后的平均排隊人數(shù)達到站臺寬度的3/4,由表1可知,根據(jù)客流人均占用面積指標判斷站臺客流狀態(tài)級別為Ⅱ級,客流狀態(tài)較通暢;而根據(jù)平均排隊長度指標判斷站臺客流狀態(tài)級別為Ⅲ級或Ⅳ級,客流狀態(tài)擁擠,需實施客流控制措施.因此,利用多指標判別客流狀態(tài)會得到不同的判斷結果,具有一定的模糊性.云模型[8-10]有機結合了模糊理論中的模糊性和概率統(tǒng)計思想中的隨機性,反映了實際應用領域中的不確定性.周繼彪等[11]將云模型引入到地鐵換乘樞紐行人擁擠度自動辨識中,拓展了云模型在軌道交通領域中的應用.

鑒于車站設施設備處客流控制觸發(fā)量化指標及判別標準的模糊隨機性,本文借用云模型的合成理論,構建了城市軌道交通車站客流控制觸發(fā)判別方法.

1) 確定各設施設備客流狀態(tài)指標云數(shù)字特征.假設某客流狀態(tài)指標可劃分為m個級別,則該指標閾值向量包含m-1個閾值,即x={x1,x2,…,xi-1,xi,xi+1,…,xm-1},合成云模型需在同一論域中實現(xiàn).因此,在確定各個觸發(fā)指標云的數(shù)字特征前需將指標值進行標準化處理.越大越優(yōu)型指標的標準化公式為

越小越優(yōu)型指標的標準化公式為

客流狀態(tài)指標云的數(shù)字特征包括期望E(x)、熵H和超熵C.其中,E為云滴在論域空間分布的中心值;H為定性概念的模糊性度量,反映了論域空間中可被概念接收的云滴取值范圍;C為熵的不確定性度量,反映了云滴的離散度量及云的厚度.

第1級和第m級的客流狀態(tài)分別用半升正態(tài)云和半降正態(tài)云表示,其數(shù)字特征分別為E1和Em,熵為H1和Hm,其計算公式為

從第2級到第m-1級客流狀態(tài)分別用全正態(tài)云表示,根據(jù)云模型的3H規(guī)則,可計算出各客流狀態(tài)等級云的數(shù)字特征.令第i級客流狀態(tài)的期望值和熵分別為Ei和Hi,其計算公式為

H=0.01;i=2,3,…,m-1

2) 將各設施設備客流狀態(tài)指標云合成綜合指標云,構建客流狀態(tài)模板云模型，形成模板云圖.

將設施設備客流狀態(tài)等級下各指標云合成的父云稱為客流狀態(tài)等級模板云,該模板云是判別設施設備客流狀態(tài)是否達到客流控制觸發(fā)條件的標準云圖.假設某設施設備第i級客流狀態(tài)判別指標數(shù)為n,各指標云具有相同性質(zhì)并記為Ii,1(Ei,1,Hi,1,Ci,1),Ii,2(Ei,2,Hi,2,Ci,2),…,Ii,j(Ei,j,Hi,j,Ci,j),…,Ii,n(Ei,n,Hi,n,Ci,n),其中,i=1,2,…,m-1,j=1,2,…,n,則n個指標云合成的第i級客流狀態(tài)模板云為

Ii(Ei,Hi,Ci)=Ii,1(Ei,1,Hi,1,Ci,1)°

Ii,2(Ei,2,Hi,2,Ci,2)°…°Ii,n(Ei,n,Hi,n,Ci,n)

式中,“°”表示云的合成.

假設各指標云的重要性權值為θj,則第i級客流狀態(tài)模板云的數(shù)字特征計算公式為

④ 確定實測設施設備客流狀態(tài)指標云與模板云的相似概率值,并以此判別是否達到客流控制觸發(fā)條件.

重復計算直到產(chǎn)生n個云滴為止.實測的設施設備客流狀態(tài)與第i級客流狀態(tài)的相似度為

對相似度進行歸一化處理后可得實測的設施設備客流狀態(tài)屬于第i級客流狀態(tài)的可能程度為

⑤ 判定實測的設施設備客流狀態(tài)屬于任意Ⅲ級及以上級別客流狀態(tài)的可能程度ri≥Ⅲ是否大于其屬于任意Ⅲ級以下級別客流狀態(tài)的可能程度ri<Ⅲ.若ri≥Ⅲ≥ri<Ⅲ,則實施相應的客流控制措施;否則，不采取客流控制措施.

4 實例分析

城市軌道交通車站客流控制遵循三級控制過程,即當站臺客流超過預警閾值時啟動一級控制,當站臺擁擠且通道及付費區(qū)客流持續(xù)增加時啟動二級控制,當站內(nèi)非付費區(qū)客流持續(xù)增加時啟動三級控制.本文以一級客流控制判別客流狀態(tài)的設施設備——站臺為例,進行車站客流控制觸發(fā)判別分析.如表2所示,客流狀態(tài)級別劃分為Ⅰ,Ⅱ,Ⅲ,Ⅳ四個等級,判別指標為人均占用面積和列車駛離站臺到下一列列車駛進站臺時段內(nèi)站臺平均排隊長度.

對站臺客流狀態(tài)級別原指標數(shù)據(jù)進行標準化處理,并計算各客流狀態(tài)等級下指標云的數(shù)字特征,結果見表2.

表2 站臺各指標云的數(shù)字特征

通過對北京市地鐵車站進行調(diào)研分析可知,站臺乘客平均排隊長度指標的重要性比人均占用面積指標的重要性高.因此,假設人均占用面積指標的重要性權值θ1=1/3,平均排隊長度指標的重要性權值θ2=2/3,根據(jù)第i級客流狀態(tài)模板云的數(shù)字特征計算公式計算得到站臺客流狀態(tài)等級模板云Ii(E(xi),E(ni),Hi)的數(shù)字特征,結果見表3.

表3 站臺客流狀態(tài)模板云的數(shù)字特征

以5 000個云滴為基準構建車站設施設備客流控制觸發(fā)指標云,結合客流控制觸發(fā)判別方法,利用Matlab 7.0軟件編程生成客流狀態(tài)模板云圖,結果如圖1所示.

圖1 實測站臺客流狀態(tài)合成指標云與模板云對比圖

實測數(shù)據(jù)地點選取惠新西街北口站,該站站臺為側式站臺,數(shù)據(jù)采集時間為2015年4月24日07:35—07:40，天通苑北→宋家莊方向的站臺乘客平均排隊長度占站臺總寬度的2/3,人均占用面積為0.32 m2.對采集數(shù)據(jù)進行標準化處理,得到人均占用面積為0.24 m2,平均排隊長度為0.167 m.

利用Matlab 7.0軟件及客流控制觸發(fā)判別方法,計算得到實測站臺指標云的3個數(shù)字特征,結果見表4.利用實測站臺指標云的數(shù)字特征及式(5),合成實測的站臺客流狀態(tài)合成指標云模型,其3個數(shù)字特征為:E=0.260,H=0.089,C=0.01.以5 000個云滴為基準,利用Matlab 7.0軟件實現(xiàn)實測的站臺客流狀態(tài)合成指標云圖,結果見圖1.

表4 實測站臺客流狀態(tài)指標云的數(shù)字特征

根據(jù)客流控制觸發(fā)判別方法進行計算,確定實測站臺客流狀態(tài)指標云與模板云的相似概率值為rⅠ=0,rⅡ=0.000 2,rⅢ=0.889 8,rⅣ=0.110 0.

對比實測站臺客流狀態(tài)合成指標云與模板云可發(fā)現(xiàn),實測站臺客流狀態(tài)介于Ⅲ級客流狀態(tài)(擁擠)和Ⅳ級客流狀態(tài)(重度擁擠)之間,且與Ⅲ級客流狀態(tài)的相似概率最高,相似概率值為0.889 8,因此,可認為該實測站臺客流狀態(tài)屬于Ⅲ級客流狀態(tài),站臺客流處于擁擠狀態(tài),需要及時實施相應的車站客流控制措施,緩解站臺客流的擁擠程度.

5 結語

目前,城市軌道交通車站高峰客流控制分為3個等級,關于不同等級客流控制觸發(fā)判別尚處于經(jīng)驗化管理階段.本文分析了城市軌道交通車站設施設備的類別及乘客聚集程度判斷指標,研究了城市軌道交通車站各主要設施設備客流狀態(tài)級別的劃分方法,并提出了基于云模型的城市軌道交通車站客流控制觸發(fā)判別方法.案例分析結果表明,采用本文提出的車站客流控制觸發(fā)判別方法來計算客流控制觸發(fā)條件，能綜合判斷客流狀態(tài),進而實施相應的客流控制措施,為車站客流控制啟動時間和控制強度確定提供量化參考依據(jù).

References)

[1]康亞舒. 城市軌道交通車站客流控制方案的研究[D]. 北京:北京交通大學交通運輸學院, 2014.

[2]謝瑋. 城市軌道交通換乘站客流控制方法研究[D]. 北京:北京交通大學交通運輸學院, 2012.

[3]Lam W H K, Cheung C Y. Pedestrian speed/flow relationships for walking facilities in Hong Kong[J].JournalofTransportationEngineering, 2000, 126(4): 343-349. DOI:10.1061/(asce)0733-947x(2000)126:4(343).

[4]Cheung C Y, Lam W H K. Pedestrian route choices between escalator and stairway in MTR stations[J].JournalofTransportationEngineering, 1998, 124(3): 277-285. DOI:10.1061/(asce)0733-947x(1998)124:3(277).

[5]Lee J Y S, Lam W H K, Wong S C. Pedestrian simulation model for Hong Kong underground stations[C]//Proceedingsof2001IEEEIntelligentTransportationSystems. Oakland, CA, USA, 2001:554-558. DOI:10.1109/itsc.2001.948719.

[6]王久亮. 城市軌道交通車站設施設備服務水平分級與能力計算方法研究[D]. 北京:北京交通大學交通運輸學院, 2011.

[7]美國交通運輸研究委員會. 公共交通通行能力和服務質(zhì)量手冊(原著第二版)[M]. 楊曉光, 等譯. 北京:中國建筑工業(yè)出版社, 2010: 321-330.

[8]Li D, Meng H, Shi X. Membership clouds and membership cloud generators[J].JournalofComputerResearch&Development, 1995, 32(6): 15-20.

[9]李德毅, 劉常昱. 論正態(tài)云模型的普適性 [J]. 中國工程科學, 2004, 6(8): 28-34. Li Deyi, Liu Changyu. Study on the universality of the normal cloud model[J].EngineeringScience, 2004, 6(8): 28-34. (in Chinese)

[10]孟暉, 王樹良, 李德毅. 基于云變換的概念提取及概念層次構建方法[J]. 吉林大學學報(工學版), 2010, 40(3):782-787. Meng Hui, Wang Shuliang, Li Deyi. Concept extraction and concept hierarchy construction based on cloud transformation[J].JournalofJilinUniversity(EngineeringandTechnologyEdition), 2010, 40(3):782-787. (in Chinese)

[11]周繼彪, 陳紅, 閆彬,等. 基于云模型的地鐵換乘樞紐擁擠度辨識方法[J]. 吉林大學學報(工學版), 2016, 46(1):100-107. Zhou Jibiao, Chen Hong, Yan Bin, et al. An identification method of pedestrian crowding degree in metro transfer hub based on the normal cloud model[J].JournalofJilinUniversity(EngineeringandTechnologyEdition), 2016, 46(1):100-107. (in Chinese)

Identification method for passenger inflow control in urban rail transit station based on cloud model

Dou Fei1,2,3Pan Xiaojun2Qin Yong1Zhang Xin3Jia Limin1

(1School of Traffic and Transportation, Beijing Jiaotong University, Beijing 100044, China)(2Beijing Mass Transit Railway Operation Co., Ltd., Beijing 100044, China)(3Technology Research and Development Center Affiliated with Beijing Mass Transit Railway Operation Co., Ltd., Beijing 102208, China)

The station facility category of urban rail transit and the index of passenger aggregation degree were analyzed according to the features of three-level passenger flow control. The passenger inflow state levels of station facilities of urban rail transit were divided. Then, the template cloud model with different passenger inflow state levels and the synthetic index cloud model of the passenger inflow state measured by facilities were developed based on the synthesis theory of the cloud model. The identification method for passenger inflow control was proposed by calculating the similarity degree between the template cloud model and the synthetic index cloud model. Finally, the station, the key observation point of the first order passenger inflow control trigger discrimination, was taken as a case to verify the validity of the proposed method. The results show that the proposed method can accurately identify the current passenger inflow state, thus helping the manager timely take corresponding passenger inflow control measure according to the passenger inflow state.

urban rail transit; passenger inflow state; passenger inflow control; trigger condition discrimination; cloud model

10.3969/j.issn.1001-0505.2016.06.035

2016-01-25. 作者簡介: 豆飛(1986—),男,博士生;賈利民(聯(lián)系人),男,教授,博士生導師,jialm@vip.sina.com.

國家自然科學基金資助項目(61374157)、北京市地鐵運營有限公司科研資助項目(2015000501000007)、北京市博士后工作經(jīng)費資助項目(2015ZZ-151).

豆飛，潘曉軍，秦勇，等.基于云模型的城市軌道交通車站客流控制觸發(fā)判別方法[J].東南大學學報(自然科學版),2016,46(6):1318-1322.

10.3969/j.issn.1001-0505.2016.06.035.

U239.5

A

1001-0505(2016)06-1318-05