北苑交通枢纽行人仿真模拟研究

互通式立交的交通流模型建立与仿真分析互通式立交是一种常见的交通设施，在高密度交通流量下具有高效的交通组织能力。

本文旨在探讨互通式立交的交通流模型建立与仿真分析方法。

一、互通式立交的交通流特性互通式立交的交通流特性对于建立合适的交通流模型至关重要。

一般而言，互通式立交的交通流呈现以下特点：1. 来往车辆通行量大：互通式立交通常连接主要道路，承载着大量的车辆流量；2. 来车方向多：互通式立交多个出口和入口，流向复杂，交叉口车辆转移频繁；3. 交叉点稳定性差：由于交叉点车辆转移频繁，容易导致交叉点拥堵，流量变动较大，稳定性较差；4. 安全性要求高：互通式立交需要保证交通安全，减少事故风险。

基于以上交通流特性，我们需要建立一个能够准确模拟互通式立交交通流行为的模型。

二、交通流模型的建立为了建立交通流模型，我们可以考虑以下几个方面的内容：1. 车流分布模型：通过对互通式立交周边交通分析，确定各个出口和入口的车流量分布模型。

可以考虑基于历史数据或者实地观察，运用统计学方法进行分析，得出车流量的概率分布模型；2. 车辆转移模型：考虑交叉点内车辆的转移规律，可以采用马尔可夫链等模型来描述车辆的转移行为。

该模型可以基于历史数据和现场观察结果进行参数估计；3. 车辆速度模型：车辆速度是互通式立交流畅性的重要指标。

可以考虑基于车辆密度和交叉点拥堵程度来估计车辆的平均速度，利用速度分布模型得出车辆速度的概率模型；4. 交通容量模型：交通容量是评估互通式立交效率的指标。

通过实地测量和交通工程计算方法，确定出口和入口的交通容量。

以上模型建立的关键在于要收集准确的交通数据，并运用适当的数学方法对数据进行分析和建模。

三、仿真分析通过建立交通流模型，我们可以进行仿真分析，评估互通式立交的交通流效果，为交通规划和设计提供参考。

1. 交通流量预测：通过模型的仿真分析，可以预测互通式立交在不同条件下的交通流量变化情况，为城市交通规划提供依据；2. 拥堵状况评估：通过模型模拟，可以评估互通式立交在高峰时段的拥堵程度，找出拥堵的原因，并提出相应的交通优化建议；3. 安全性评估：通过模拟分析，可以评估互通式立交的安全性，发现潜在的安全隐患，并提出相应的改进方案；4. 交通优化设计：通过模拟实验，可以对互通式立交的布局和交通信号灯设置进行优化设计，提高交通流的通行效率。

基于多层次行人行为模型的地铁大客流仿真赖艺欢;张星臣;陈军华;夏阳【摘要】为研究地铁车站大客流演化规律与运营组织,从乘客个体行为出发构建\"宏观-中观-微观\"多层次行人行为模型;微观层次采用较为成熟的社会力模型,并建立了中观路径规划模型和宏观站台候车区选择模型,设计乘客路径搜索算法,搭建人-车站-列车一体化地铁大客流仿真框架.以北京地铁国贸站为例进行地铁车站大客流仿真,提出运营组织措施及建议.【期刊名称】《大连交通大学学报》【年(卷),期】2019(040)003【总页数】6页(P1-6)【关键词】地铁;行人行为;多层次模型;仿真;大客流【作者】赖艺欢;张星臣;陈军华;夏阳【作者单位】北京交通大学交通运输学院,北京 100044;深圳市城市交通规划设计研究中心有限公司,广东深圳 518034;深圳市交通信息与交通工程重点实验室,广东深圳 518034;北京交通大学交通运输学院,北京 100044;北京交通大学交通运输学院,北京 100044;北京交通大学交通运输学院,北京 100044【正文语种】中文在地铁运营组织中，大客流组织始终是工作中的重点和难点.由于地铁大客流演化的复杂性和场景的庞大，数理方法很难复现；人工演练效果虽好，但成本高昂且实施难度大；计算机仿真辅助优势凸显.国内研究者们积极地将微观仿真方法引入地铁客流组织和应急疏散等研究中，夏菁[1]进行客流紧急疏散的动态仿真，识别疏散瓶颈点，提出客流组织疏解方案；刘黎明[2]在仿真平台上研究客流组织，提出客流动态仿真的评价指标及实现方法；辛晓敏[3]对应急疏散过程进行仿真，分析不同设施的最大疏散能力，并利用仿真进行应急疏散方案比选；马清源等[4]建立车站应急疏散仿真模型，研究出入口宽度、人员密度对疏散效率的影响规律.但是，行人仿真软件应用于高密度大场景尚不成熟，利用微观仿真研究地铁车站大客流及其运营组织成果仍然较少，值得进一步探究和思考.本文根据行人行为特征，分别构建宏观、中观、微观乘客模型，设计乘客路径规划的算法和地铁大客流仿真流程，为大客流情况下车站瓶颈位置识别及运营组织优化提供了参考.1 多层次行人行为模型地铁车站场景较大、空间层次较多，但是乘客的运动和状态都是连续的.行人在车站内活动全过程实际上就体现为一系列连续空间位移活动的组合[5].宏观的客流特征是微观行为累积的结果；但对于客流量大、场景复杂的客流场景，仅从微观层面入手，行人行为模型的敏感性过高，极小的偏差累积就会造成宏观客流特征严重偏离现实.因此，本文采用“宏观-中观-微观”分层次方法描述行人行为，如表1所示.多层次模型框架既能够呈现正常状态下车站行人演化过程，还能够较好地模拟大客流场景下的行人行为规律，更加真实地展现地铁车站内的行人行为.表1 行人行为模型层次描述层次目标功能结果宏观层确定行为目标目标点选择行为目标中观层到达服务活动位置路径规划一系列导航点微观层到达某个导航点行人邻域空间分析当前运动方向和速度多层次行人行为建模的整体思路是：乘客在车站内活动，首先要判断在当前平面层的行为目标，然后要考虑如何到达下一个活动目标(设施设备等)，最后是要在行动过程中避免与行人或障碍物碰撞，如图1所示.图1 多层次行人行为运动示意图1.1 乘客微观运动模型1998年德国著名交通科学家Dirk Helbing和Molnar[6]提出了行人运动的社会力模型，并阐释了行人的自组织现象，Hoogendoom和Daamen[7-9]等人对行人交通进行了更深入的研究；目前，社会力模型已较为成熟且应用广泛.图2 社会力模型图示社会力模型[10]认为，行人i在运动中共受到主观驱动力、行人i与行人j之间的作用力、行人与边界之间的作用力(如图2中行人i与墙Wall的作用力)三种力的作用，其总和构成了行人i的社会力，公式如下：式中：mi表示行人i的质量；表示行人i的期望速度；表示行人i期望速度；表示行人i期望方向的单位矢量；τi表示行人i从期望速度到实际速度的适应时间.社会力模型是连续型模型，能够较为真实地模拟出行人的运动轨迹[11].但是，这种力学描述方式应用于大客流场景具有一定的缺陷：第一，该模型公式化地将行人的运动转化为对力和加速度的控制，但乘客在车站的实际活动受到影响因素更为复杂，无法单纯地通过社会力模型完美阐释.第二，分别计算个体的相互作用力，然后将多个力合成，这种机制下最终决策结果不一定可行，比如，不能完全避免行人重叠.第三，行人受力每一步更新，都要分别计算与墙的作用力、与其他行人的作用力，若模型参数设置不当，错误累加极易出现异常现象；且大客流这样的大规模场景，其计算量非常庞大.因此，下面将建立乘客的路径规划模型及选择行为模型，提供乘客的运动过程的目标和路由.1.2 乘客中观运动模型在理想情况下，一般认为在熟悉环境中，能够理性思考的行人会尽可能以出行代价最小化原则来规划自己的行动，通常会选择出距离短、走行时间少、经济成本少、拥挤度低、节省体力等条件的路径.车站内环境是时刻变化的，行人需要根据当前的环境信息规划从当前点到下一活动设施位置的路径.综合考虑到距离、拥挤度等主要影响因素，设计了中观层面的路径规划模型，来模拟乘客在车站内从一个服务设施到另一个服务设施的路径决策行为.相比于使用传统全局路径规划方法，本文中乘客每次路径规划的范围略有缩小，限制在两个服务设施之间；此外，根据地铁车站的特点设置大小适中的网格使得相同规划范围内的节点数量控制在合理范围内.这些都能降低每次路径搜索的计算量，也为充分考虑乘客路径规划时的影响因素提供了条件.每一次路径搜索都在当前阶段的规划范围内进行，而通常的路径搜索是寻找若干点到若干点之间的最短路径.在本文中，乘客所在的位置就是规划的起点O，下一个服务设施就是规划的终点D，因此，起点和终点都是唯一的，路径搜索就是寻找两点之间的最短路径.个体根据当前自身掌握的环境信息，评估经过路径的代价f，最后读取最优路径作为当前阶段的路径.min f (O, D, Length, Density, …)1.2.1 导航图行人的行为基础是对所处环境的感知，但仿真中地图的环境信息往往不能直接输入，需要将复杂的环境信息用简单的数据结构来表示.导航图就是将三维空间抽象为包含复杂环境信息的空间表示方法[12].有效的空间表示，不仅能够让智能体进行自身定位，还为智能体进行路径规划提供平台，让智能体在虚拟空间中灵活移动.空间表示方法将智能体的寻路问题转化为了图论问题.合理的空间分割方案，既能节约计算成本，又能让路径规划和智能体移动都变得真实自然.导航图的常用形式有三种：基于单元的导航图、可视点导航图和导航网格.本研究采用导航网格的方法.1.2.2 代价函数根据乘客规划的进程看来，乘客从当前点到最终目标点的代价可以看成是两个部分，一部分当前规划路径的代价，另一部分是后续路径的预测代价.综合考虑全局路径规划的目标、规划范围的信息、乘客决策的一般影响因素等，本文的代价函数为Ci(O,D)=G(O,si)+H(si,D) siS其中，Ci(O,D)表示从O节点到目标点D经过路径点的估计总代价.公式第一项表示从当前节点O到路径点si的代价值；公式第二项表示从路径点si到目标点D的估计代价值.传统的路径规划算法应用于简单场景或低密度人群环境中，代价函数基本只考虑物理距离.但地铁车站作为城市的集散中心，人群密度较大，且乘客选择路径时考虑的因素非常复杂；尤其在短距离内，走行距离往往不再是路径规划的决定性因素，拥挤度等都会可能成为重要的参考因素.根据车站调研结果，综合分析乘客主体与车站环境之间的交互特点，代价函数主要考虑了空间距离、拥挤度、引导作用三项因素.G(O,si)=D(i,j)[1+P(n)][1+E(n)]其中，D(i,j)为服务设施节点之间的欧氏距离；P(n)为拥挤度惩罚值，式中ρ(n)为客流密度，ρ为乘客容忍度，β为拥挤度系数；E(n)为引导强度系数.对于规划范围外的环境信息，乘客需要通过估价函数H(s,D)来确定，当估计代价等于最佳路径的实际代价，算法得到的就是至目标点的最优路径.因此，选择合适的估价函数是至关重要的.(a) 曼哈顿距 (b) 欧几里得距离 (c)对角线距离图3 路网节点间距离计算方法通常，两个路网节点间的距离的计算方法有曼哈顿距离、欧几里得距离、对角线距离等，如图3.考虑到地铁车站的地形较为简单，采用欧氏距离，既能较为准确的计算距离，又保证计算的快捷性.此外，希望得到的是一个比较满意的解，必须权衡G和H的大小，合理地设计估价函数，以得到合适的路径.因此，估价函数的计算公式为式中，γ为协调系数，为了平衡两个距离的影响.1.3 乘客宏观运动模型对于大客流场景，站台是客流组织和运输组织中的车站关键位置，站台乘客的决策目标较多，空间布置较为复杂，影响乘客候乘位置选择的因素也很多，应针对站台乘客候车区选择的特点，建立乘客站台候车区选择模型[13].根据乘客进入站台、环境信息判断及路径决策的过程中乘客与站台环境的交互特点，不考虑引导时第n个乘客选择路径i的总代价Un(i)包括乘客走行代价Zn(i)和候车代价Hn(i)两项.当站台存在信息引导时路径的总代价U′为U′=U×(1+e)其中，e为引导系数.走行代价Zn(i)的固定项由步行距离代价γn·k1·x1(i)、路径转折代价γn·k2·x2(i)两部分构成.随机项是当第i条路径通行区域的实时乘客密度ρn(i)下，考虑拥挤情况下给走行时间增加了一个惩罚Fn(i),所产生的额外代价Fn(i)·γn[k1·x1(i)+k2·x2(i)]式中：γn为个体等价时间参数；x1(i)、x2(i)分别为第i条路径的走行距离、路径曲折度，它们均与乘客的走行代价呈正相关；k1、k2为两个变量相应权重系数，其大小分别体现两个因素对代价的影响程度.候车代价中Tw(i)取0.5I，I为图定发车间隔.随机项为候乘区域拥挤度为y(i)的情况下，乘客基于个体对车门候乘区域可忍受最大拥挤度Yn，考虑乘客感知拥挤度yn′(i)的随机代价Tw(i)·Cn(i).2 乘客路径搜索算法仅依靠社会力控制行人运动的建模方式，并不能适应客流量较大、空间紧凑、乘客存在冲突或对流的地铁车站场景，需要对乘客运动过程的宏观层次(OD选择)、中观层次(路径选择)进行分析和描述，以加强当前以微观层次模型为核心的行人仿真方法.因此，本文设计了乘客站内路径规划算法以及站台候车区选择算法.2.1 乘客站内路径规划算法当采用单一社会力模型进行大客流仿真时，在空间狭窄、乘客存在对流的位置，根据力学原理，客流受到多方向的力，而合力若趋于零时，乘客运动迟缓甚至静止，极易出现客流堵塞情况，如图4所示.仿真中出现这样的拥堵往往无法自动疏解，甚至会愈发严重，直到局部客流组织瘫痪.而实际客流演化过程中，客流会自动渠化或者调整路线，拥堵会在一定时间内疏解.图4 基于社会力模型行人仿真中站台的局部拥堵图5 乘客站内路径规算法流程图6 乘客站内路径规算法流程因此，根据乘客运动的特点，在社会力模型控制乘客微观行为的基础上，设计了乘客中观层次路径规划算法，实现乘客空间移动的多层次控制.乘客路径规划算法的基本流程如图5所示.2.2 乘客站台候车区选择算法对于多目标的选择，传统的仿真技术并没有通用的针对性模型，尤其是对地铁车站站台乘客候车位置这种目标集较大的情况.此外，站台上乘客聚集数量与各候车位置乘客数量变化频率很高，简单地设置固定比例，容易出现不理智的选择结果.因此，设计了乘客站台候车区选择算法，根据车站实时情况计算乘客将选择的候车区，实现乘客在站台上的实时选择.乘客站台候车区选择的基本步骤如图6所示.3 案例分析选取北京地铁客流量最大的两条线路——1号线和10号线的换乘车站国贸站进行案例研究，如图7为国贸站立体布局图.自北京市轨道交通成网以来，国贸站大客流矛盾一直非常突出，亟需采取合理的运营组织措施.通过仿真实验模拟国贸车站大客流演化，得到站内客流分布等数据结果，以识别出大客流下的站内瓶颈位置. 图7 国贸站立体布局图假定国贸地铁站大客流发生时段为平峰21∶00～22∶00，对应时段其日常客流信息如表2.表2 突发大客流时段国贸站及1号线日常客流相关信息发生时段平均发车间隔列车满载率客运量/人上行/%下行/%进站换乘21∶00～22∶005min49282000～30003000～4000注：1号线目前的最小发车间隔为2 min(早高峰时段采用)案例模拟国贸车站地铁车站发生进站大客流，具体计划如表3.表3 模拟大客流计划(国贸站1号线)乘客到达时间分布客运量/人乘客成分构成上行∶下行均匀分布20000突发进站客流75%原进站客流10%原换乘客流15%1∶1图8 国贸车站乘客密度分布图根据仿真识别出突发进站大客流时国贸车站瓶颈位置，如图8中虚线框所示，这为大客流运营组织优化提供了依据和参考.针对瓶颈位置类型和特征，提出可行的应急组织措施建议，如表4.表4 突发大客流国贸站瓶颈点及建议措施序号瓶颈位置原因和表现建议措施11号线安检机能力不足,乘客排队积聚流线组织、客流控制、提高通过能力21号线站台乘客留乘、客流密度高、安全性严重降低客流控制、信息引导、提高输送能力31号线站厅客流量大,流线交织严重流线组织、信息引导410号线站厅(双井方向)客流量大,流线交织严重流线组织、信息引导510号线站厅间通道客流量大,流线交织严重流线组织、信息引导610号线换1号线楼扶梯能力分配不均,设施负荷过大流线组织、信息引导4 结论本文为了更好地描述大客流场景下乘客的行为，建立了“宏观-中观-微观”的多层次行人行为模型，利用社会力模型描述乘客的微观运动，并分别建立乘客路径规划的中观运动模型以及乘客站台候车区选择的宏观运动模型，设计了乘客路径规划算法和站台候车区选择算法；选取北京地铁国贸站进行了案例分析，较好地模拟了大客流下换乘站内的客流规律，识别出车站在大客流情境下的瓶颈位置，提出可行的运营组织措施.但多层次行人仿真模型在模拟精度和计算速度上仍需要不断改进，未来行人仿真模型的研究和改进仍是轨道交通研究领域的重要方向之一.参考文献：【相关文献】[1]夏菁.城市轨道交通枢纽站客流组织优化与仿真[D].兰州:兰州交通大学,2013.[2]刘黎明.客运站行人交通行为及客流组织的仿真研究[D].兰州:兰州理工大学,2013.[3]辛晓敏.城市轨道交通车站应急疏散研究[D].北京:北京交通大学,2015.[4]马清源,王晨,陆键,等.轨道交通车站应急疏散仿真研究[J].城市轨道交通研究，2016,19(10):71-74.[5]孙立光.步行设施内的行人行为微观仿真模型研究[D].北京:清华大学,2009.[6]HELBING D, MOLNáR P.Social force model for pedestrian dynamics[J].Physical Review E Statistical Physics Plasmas Fluids & Related Interdisciplinary Topics,1998,51(5):4282-4286.[7]DAAMEN W, BOVY PHL, HOOGENDOORN SP.Modelling pedestrians in transfer stations[C]. Five Years Crossroads of Theory and Practice. Proceedings 5th TRAIL Annual Congress 1999,Duisburg: 1999: 59-74.[8]DAAMEN W, HOOGENDOORN SP.Controlled experiments to derive walking behaviour[J].European Journal of Transport & Infrastructure Research,2003,3(1):39-59. [9]DAAMEN W, HOOGENDOORN SP, BOVY PHL，et al.Passenger route choice concerning level changes in railway stations[C].Transportation Research Board Annual Meeting 2005,Washington DC,2005:1-18.[10]HELBING D, FARKAS I, VICSEK T.Simulating dynamical features of escapepanic[J].Nature,2000,407(6803):487-490.[11]高翔.基于行人行为的城市轨道交通枢纽应急疏散研究[D].北京:北京交通大学,2015.[12]曹雷,饶真珍,贺毅辉.基于导航网格的三维空间表示[J].系统仿真学报，2008，20(s1):232-234.[13]赖艺欢,张星臣,陈军华,等.轨道交通站台区域客流优化引导研究[J].武汉理工大学学报(交通科学与工程版)，2015，39(4):810-814.。

公交站点区域行人与非机动车交互行为建模与仿真魏中华;马厚强;王铭乾;黄文佳【期刊名称】《科学技术与工程》【年(卷),期】2024(24)1【摘要】为研究公交站点区域行人和非机动车的冲突行为,在元胞自动机模型的基础上,首先,考虑激进型行人和混合非机动车流,通过行人穿越决策规则和非机动车避让规则耦合行人运动模型和非机动车运动模型,采用双向行人Blue模型模拟进出站行人的运动行为,采用改进的NaSch模型模拟非机动车的运动行为,建立公交站点区域行人与非机动车交互模型。

然后,在北京市西单商场公交站B站台开展观测实验,微观层面展现行人和非机动车之间的交互作用,分析在不同流量构成下二者冲突演化规律以及进出站行人到达率、非机动车到达率对延误和冲突数的影响。

研究结果表明,非机动车堵塞多发生在非机动车与行人刚开始的交互处,并向来车方向延伸。

与进出站行人到达率相比,行人和非机动车延误受非机动车到达率影响更显著;在进出站行人比例为0.5时,行人和非机动车延误达到峰值;进站行人比例为1时,行人和非机动车延误比出站行人比例为1时延误小;在行人到达率一定时,冲突数随着非机动车达到率的增大而增加,当行人到达率较小时,冲突数呈缓慢地增长趋势,随着行人到达率的增大,冲突数增长率呈现先增大后减小的趋势。

【总页数】11页(P397-407)【作者】魏中华;马厚强;王铭乾;黄文佳【作者单位】北京工业大学北京市交通工程重点实验室;南京市城市与交通规划设计研究院股份有限公司【正文语种】中文【中图分类】U491.225【相关文献】1.机非物理隔离路段非机动车行为建模仿真2.机非交互路段非机动车越线超车行为建模与仿真3.考虑结伴行为的地铁通道行人仿真建模研究4.地铁车站行人排队行为建模与仿真5.考虑视域影响的疏散行为建模及双向行人流仿真因版权原因，仅展示原文概要，查看原文内容请购买。