考虑客流引导和小群体行为的地铁车站疏散模型

2019-07-11狄月陈绍宽贾文峥

西南交通大学学报 2019年3期

李芳，狄月，陈绍宽，贾文峥

（1.北京交通大学综合交通运输大数据应用技术交通运输行业重点实验室，北京 100044；2.北京城建设计发展集团股份有限公司，北京 100037；3.中国邮政集团公司寄递事业部，北京 100808；4.交通运输部科学研究院城市交通研究中心，北京 100029）

紧急事件发生后如何确保乘客从城市轨道交通车站站台快速疏散对运营安全具有重要意义.紧急事件发生通常导致乘客一定程度恐慌，其疏散行为呈现无序混乱状态.站内工作人员通过客流引导措施可帮助乘客有序、高效地疏散.此外，结伴出行乘客构成小群体，其内部存在相互帮助、相互迁就、协同运动等对整体疏散效果产生影响的行为.因此，深入研究客流引导及小群体现象对应急疏散组织具有重要意义.

疏散仿真模型是反映疏散过程的重要技术手段，通常分为连续型和离散型两类：前者指刻画疏散人员连续运动特征的仿真模型，例如社会力模型[1]等；后者则指将疏散人员运动离散化后建立仿真模型，例如多智能体模型[2]等.在仿真模型参数确定过程中，视频资料研究[3]、实验研究[4]等方法获得广泛应用.针对疏散过程中存在的小群体现象，部分学者对小群体行为进行了相关的模拟[5]，并通过可控实验得到了小群体人员疏散特性[6]，小群体行为与疏散压力作用下产生的从众现象会显著影响疏散过程[7-8].此外，车站内部设施设备布局对乘客疏散行为构成障碍与限制[9]，客流引导措施对于确保乘客安全快速疏散具有积极作用[10].

本文考虑地铁站台紧急情况客流引导对乘客疏散速度的影响，同时将小群体行为引入社会力模型改进中，建立基于多智能体的疏散仿真模型.以北京地铁西直门2 号线站台为例，分析客流引导和小群体行为对乘客疏散特性和疏散效率的影响.

1 考虑客流引导和小群体行为的社会力模型

为缓解紧急疏散时的拥挤状态，车站工作人员一般采取客流引导措施，直接影响乘客期望速度.小群体行为也一定程度上影响其内部成员期望速度，即个人期望速度随其他成员速度改变.因此，本文通过分析客流引导和小群体行为对期望速度的影响改进社会力模型.

1.1 社会力模型

社会力模型从经典力学角度分析行人在运动过程中的受力问题[9，11]，其刻画的运动力主要包括自驱力、人之间以及人与障碍物之间的相互作用力、不确定因素引起的微绕动力等4 部分，如式（1）和式（2）[1，6].

不考虑客流引导及小群体情况时，行人期望速度根据式（3）和（4）[7]所示的地铁站台平直通道和上行楼梯内人员行走速度Ve-passage和Ve-upStairs与密度之间的关系确定.

式中：ρ为疏散人员周围的人员密度.

紧急情况下，待疏散乘客速度vei可根据Predtechenskii 和Milinskii 提出的方法进行修正[12]，如式（5）.

式中：μe为速度修正系数，μe=1.49-0.36D，D为平通道内乘客投影面积与地面面积比值，D≤0.92.非平通道情况下，上楼梯时，μe=1.26；下楼梯时，μe=1.21.

1.2 客流引导和小群体行为

地铁车站内人员通常分为乘客和工作人员两类，乘客在应急疏散过程中主要进行逃生疏散；工作人员在保证自身安全情况下，帮助或指导乘客疏散.在紧急疏散过程中，乘客一定程度上对工作人员产生信赖心理，按工作人员提示进行疏散.为保证安全、避免踩踏，工作人员针对乘客密度超过给定数值的区域进行疏散速度控制（例如文献[12]推荐密度为3.57 人/m2），以改变乘客期望速度，则修正后的自驱力计算公式如式（6）.

乘客疏散过程存在多人一起行动或互相扶助的情况，即小群体行为.同一小群体内部成员往往存在统一行动的现象.因此，小群体行为对社会力模型的影响主要体现在小群体内成员期望速度调整和人与人之间相互作用力调整两部分.期望速度调整引起自驱力变化，小群体内乘客i的期望速度通过同一群体内部其他成员的期望运动速度进行修正，修正方法如式（7）.

式中：Vgroupi(t)和Vgroupj(t)分别为时刻t乘客i的期望疏散速度和其所在小群体中其他乘客j的期望疏散速度；n为乘客i所在小群体的乘客数量，通常在2～5 人之间.

小群体内乘客之间的容忍距离通常比小群体外乘客的容忍距离短，同时小群体内乘客对后者还会产生一定程度的排斥力.故小群体内乘客更多地受到来自群体内乘客的吸引力，其计算方法如式（8）.

式中：Eij为吸引强度，取[-12 000，0]；dij和rij分别为乘客i和j的实际距离和两人半径之和；Fi j为吸引力相互作用范围，建议取[1，3]m；nij为乘客j指向乘客i的作用力方向的单位矢量，取值为

式中：dij为乘客i到乘客j的位移.

2 多智能体疏散仿真模型构建

本文采用基于多智能体技术的Anylogic 软件触发事件二次开发的方法，构建考虑客流引导和小群体行为的地铁车站乘客疏散仿真模型，建模过程主要分为感知、决策和行为3 个部分.

2.1 多智能体感知模型

智能体可感知周围环境中的障碍物、其他智能体及紧急事件源.智能体与建筑物环境之间的感知主要体现为与障碍物之间的相互作用力，具体流程如图1所示.

图1 智能体感知环境模型的流程Fig.1 Flowchart of agent perception model for evacuation environment

智能体还可感知周围智能体数量、运动速度、是否有客流引导以及是否属于小群体等因素.若属于小群体内的智能体，则可感知群体内其他智能体的运动状态、是否需要协助以及是否可获得帮助等.如果存在客流引导智能体，一旦疏散环境局部密度过大，还可感知到客流引导智能体的作用力，流程如图2所示.

2.2 多智能体的决策模型

智能体在感知环境和其他智能体后需进行疏散路径及疏散期望速度的选择与决策.在选择疏散路径时，智能体决策主要与其当前位置距目标点的距离、路径上主要空间设施排队长度以及事件源作用范围相关.如果智能体在事件源初始影响范围内，即能够感知到事件源，这些智能体往往较靠近事件源，在突发情况下随机选择安全出口；在事件源初始影响范围外的智能体按照最短路径进行紧急疏散.智能体选择疏散路径流程如图3所示.

智能体根据其感知过程、路径选择结果做出相应的运动参数调整，主要体现为期望速度的调整优化，智能体期望速度的决策流程如图4所示.

2.3 考虑客流引导和小群体的行为模型

为避免疏散过度拥挤、确保疏散安全，客流引导智能体采取控制乘客逃生速度策略，进而提高疏散效率.本文研究控制人均占有面积不得小于0.28 m2/人[13]，智能体在客流引导下的行为模型如图5所示.考虑智能体小群体作用时客流引导作用下的疏散行为如图6所示.

图2 智能体间相互感知模型的流程Fig.2 Flowchart of perception model for agent interactions

图3 智能体疏散路径选择决策流程Fig.3 Decision-making model for evacuation route of agents

图4 智能体期望速度决策模型的流程Fig.4 Decision-making model for expected speed of agents

图5 智能体在客流引导作用下的行为模型的流程Fig.5 Agent action model under the influence of passenger flow guidance

图6 智能体在客流引导下及考虑小群体时的行为模型Fig.6 Agent action model considering passenger flow guidance and small group behaviour

3 案例研究

以西直门地铁站2 号线站台及其两侧出口楼梯为案例研究对象，分析客流引导及小群体作用对客流疏散的影响.

3.1 案例场景

西直门地铁站2 号线站台布局如图7所示，乘客疏散流线如图中虚线箭头所示.

本研究中疏散人员数量按照远期高峰小时客流量确定.当站台发生紧急事件时，假设列车通过不停车，疏散开始时所有智能体均匀分布在站台上.设置分析客流引导和小群体行为的仿真场景如表1所示.

3.2 仿真结果分析

利用Anylogic 软件构建仿真模型，分别针对场景S1 和S2 分析客流引导作用对疏散效率的影响；针对S1 和S3 以及S2 和S4 的差异分析小群体行为对疏散效率的影响.

图7 西直门2 号线站台简化布局Fig.7 Simplified layout of Xizhimen station platform along Metro Line 2

表1 疏散仿真场景设置Tab.1 Simulation scenarios for evacuation

3.2.1 客流引导对疏散结果的影响

站台乘客累积疏散人数随疏散时间变化趋势如图8所示.场景S1 总疏散时间为259.53 s，场景S2总疏散时间为207.33 s，较场景S1 疏散时间减少52.20 s，疏散效率提高20.11%.因此，疏散时工作人员的客流引导作用有助于提高整体的疏散效率.

图8 累积疏散人数随时间的变化Fig.8 Number of the cumulative evacuated people varying with time

站台不同区域的乘客平均疏散时间如图9所示.与S1 相比客流引导场景S2 总区域平均疏散时间减少21.04 s，疏散效率提高18.22%.其中，衔接区域变化平均疏散时间减少27.38 s，疏散效率提高45.03%；站台区域平均疏散时间增加6.54 s，疏散效率降低13.99%.表明客流引导作用在衔接区域对乘客疏散行为影响最明显，客流引导措施减少了进入衔接区域的乘客导致站台区域乘客疏散时间延长，但增加疏散时间有限且可控.因此，客流引导作用通过对站台全区域内人群密度的有效控制，有利于下游衔接区域和楼梯区域疏散效率的提高.通过仿真可知，衔接区域附近易形成疏散瓶颈区域，如图10所示.

图9 各区域平均疏散时间Fig.9 Average evacuation time in different areas

图10 疏散仿真开始及过程中客流分布热力图Fig.10 Heat mapping of passenger distribution when the evacuation simulation starts and runs

以衔接AB 出口的区域为研究对象，着重分析有无客流引导作用时区域内人员密度变化情况.衔接区域密度随疏散时间的变化情况如图11所示.疏散开始时场景S1 和S2 衔接区域内乘客密度均较低，前40 s 内均呈现先下降后上升的趋势.场景S1中40～80 s 时段内，乘客密度不断上升并在80 s 左右达到峰值10 人/m2，之后乘客密度逐渐下降，瓶颈效应不断减弱；时间点40 s 后场景S2 中工作人员开始进行客流引导，在40～120 s 时段内，乘客密度基本不变，之后逐渐下降.情景S1 的区域密度峰值较S2 高5 人/m2，且瓶颈持续时间更长.

乘客在疏散过程中会出现一定的绕行行为，本文定义乘客在站台位置到楼梯的实际运动距离与最短距离的差为绕行距离，图12所示为绕行距离频数分布.场景S1 和S2 中绕行距离均服从对数正态分布，与S1 相比场景S2 平均绕行距离少10.95 m，绕行幅度相对降低39.95%，表明乘客在客流引导下疏散行为更趋于有序状态.

图11 衔接区域平均密度随疏散时间变化情况Fig.11 Density variation with evacuation time in the connecting region

3.2.2 小群体行为对疏散结果的影响

研究小群体行为对疏散效率的影响设置两组仿真场景：分组1 包括场景S1 和S3，仅分析小群体行为对疏散效率的影响；分组2 包括场景S2 和S4，考虑客流引导下小群体行为对疏散效率的影响.根据抽样观测数据，设定存在小群体行为的场景中疏散人员70%为单人疏散，30%为小群体疏散，群体规模为2～3 人.

图12 疏散场景有（无）客流引导作用的绕行距离分布Fig.12 Distribution of detour distance with and without guidance

各场景总疏散时间及平均疏散时间如表2所示.场景S3 的总疏散时间大于场景S1，单人平均疏散时间小于场景S1，单人疏散效率提高6.57%.场景S3 中小群体内部成员疏散时间较单人疏散时间明显增加，故小群体行为可导致整体疏散时间增加.场景S4 的总疏散时间大于场景S2，但单人平均疏散时间持平，小群体内部成员疏散时间也略高于场景S2，即便存在客流引导措施，小群体行为仍导致整体疏散效率下降.

将两组场景进行交叉对比，分组1 中总体疏散效率下降比分组2 明显，客流引导作用可提高存在小群体行为场景的疏散效率.场景S4 中小群体平均疏散时间较S3 减少58.9 s，表明客流引导可有效降低小群体行为的负面影响.

各场景乘客疏散平均绕行距离如表3所示.两个分组中，小群体行为均较大幅度增加了绕行距离，且存在客流引导措施时绕行幅度上升更明显.例如，场景S3 的绕行距离比S1 增加17.40%，而场景S4 的绕行距离比S2 增加55.89%.客流引导措施可有效减少乘客疏散的平均绕行距离，且无小群体行为时减少幅度更明显，例如，场景S2 的绕行距离比S1减少39.95%，而场景S4 的绕行距离比S3 减少20.26%.

为进一步验证仿真结果的可靠性，本文对客流引导和小群体情形下的西直门站台实际绕行距离进行了实地抽样观测与统计分析.对于有客流引导的非小群体乘客，其平均绕行距离减少约36.2%；对于无客流引导的小群体乘客，其平均绕行距离增加约21.4%.实测数据与仿真结果相差小于5%，表明本文模型能较好地反映客流引导和小群体行为对乘客疏散的影响.