基于云模型的城市轨道交通车站客流控制触发判别方法

豆 飞 潘晓军 秦 勇 张 欣 贾利民

(1北京交通大学交通运输学院, 北京 100044)(2北京市地铁运营有限公司, 北京 100044)(3北京市地铁运营有限公司地铁运营技术研发中心, 北京 102208)



基于云模型的城市轨道交通车站客流控制触发判别方法

豆 飞1,2,3潘晓军2秦 勇1张 欣3贾利民1

(1北京交通大学交通运输学院, 北京 100044)(2北京市地铁运营有限公司, 北京 100044)(3北京市地铁运营有限公司地铁运营技术研发中心, 北京 102208)

根据车站三级客流控制的特点分析了城市轨道交通车站设施设备的类别及乘客聚集程度判断指标,研究了城市轨道交通车站各主要设施设备客流状态级别的划分.然后,基于云模型的合成理论,构建了车站主要设施设备不同客流状态级别对应的模板云模型和实测设施设备客流状态合成指标云模型, 通过计算两者之间的相似程度,提出了一种基于云模型的城市轨道交通车站客流控制触发判别方法.最后,以一级客流控制触发判别的关键观测点——站台为例,验证所提方法的有效性.结果表明,利用该方法能够准确地判别当前客流状态,有助于管理者根据客流状态及时采取相应的客流控制措施.

城市轨道交通;客流状态;客流控制;触发条件判别;云模型

为了减轻车站在客流高峰时期的压力,降低因大客流引发的城市轨道交通事故风险,保证城市轨道运营安全,车站运营管理人员在进站口外或站内等处采取设置障碍物、迂回绕行等手段限制单位时间内进站客流量,减少站内客流拥挤状况,即对高峰客流进行车站客流控制(车站限流).

现阶段的客流控制方法和措施主要根据车站运营管理人员主观经验进行判断和执行,缺乏关于何时开始客流控制、如何布设控制措施等的系统、客观的理论研究,因而在一定程度上加大了车站在高峰时期客流组织工作的困难.

目前,在城市轨道交通车站客流控制措施的研究方面,文献[1]构建了以车站客流阈值和高峰期客流特征为主要影响因素的客流控制方案理论体系;文献[2]重点针对换乘站客流控制问题展开研究,并以广州地铁车站为例进行了客流控制方案的验证.在城市轨道交通车站乘客个体行为和设施设备的服务水平研究方面,文献[3]研究了香港地铁站高峰时段的行人行为,并得到了乘客OD矩阵和乘客在9类行人设施上的走行时间函数,建立了基于时间走行的行人仿真模型;文献[4-5]分析了香港地铁车站乘客在不同设施上的步行速度/流量关系,得到了行人流量与地铁行人设施之间的关系,标定了基于不同行人设施下的行程时间函数,对步行设施的服务水平进行了分级;文献[6]通过对车站设施设备客流密度、客流步行速度、流量之间的关系进行分析,确定了设施设备的服务水平分级方案,并与《公共交通通行能力和服务质量手册(原著第二版)》[7]中的分级方案进行了对比分析,将设施设备服务水平划分为4个等级.

本文通过设施设备的服务水平分级方案及实地调研,确定了车站客流控制触发判断指标,构建了车站设施设备客流状态各级别对应的模板云模型和实测设施设备客流状态合成指标云模型,建立了车站客流控制触发判别方法.

1 城市轨道交通车站设施设备分析

根据车站内部设施设备的功能分类及布设位置,设施设备主要包括进出站口、通道、楼梯、自动扶梯、站厅、安检机、闸机、站台等.按照车站设施设备的特点,可将其分为功能类设施、通行类设施以及服务功能设备.各类设施设备所包含的内容如表1所示.

在这些设施设备分类中,车站内部设施是固定的,属于车站内部建筑的一部分,在车站设计规划和建设完成后一般不会改变,主要包括进出站口、站厅、站台、通道、楼梯等设施.乘客进出站过程中所必需的车站空间功能区包括进出站口、站厅、站台等,这些设施归类为功能类设施.乘客在整个进站服务过程中,需要多次经过通道、楼梯等设施,这些设施归类为通行类设施.

通过对北京地铁进行现场调研和数据分析发现,车站客流控制触发判别的关键观测点对应的设施设备主要包括站台、通道、检票和安检设备区域.

候车站台为车站客流控制触发判别的最关键观测点,在大客流条件下站台客流状态是车站管理人员判断是否实施一级客流控制措施的先决条件.候车站台区域可划分为站台走行区域和站台等待区域,站台走行区域的乘客一般为进站准备等待上车的乘客和下车离开站台的乘客,判断站台的乘客聚集程度指标可分为站台客流密度和列车离开后滞留乘客和到达乘客的平均排队长度.

通道的乘客聚集形成乘客流,该区域乘客流是由乘客个体组成的群体流动,水平通道的客流状态决定着车站管理人员是否实施二级客流控制措施.水平通道的乘客聚集程度指标为客流密度、单位宽度客流流率和乘客平均步行速度.

安检设备的通过能力远远小于检票设备(闸机)的通过能力,在大客流发生条件下,安检设备区域的乘客聚集程度大于闸机处的乘客聚集程度.对于进站流线来说,检票设备之前的设施设备一般为安检设备.因此,将车站非付费区客流控制触发判别的观测点选择为安检设备区域,该处的客流状态变化情况决定了是否触发客流三级控制.

表1 关键观测点的客流状态分级表

注:d为站台宽度.

2 城市轨道交通车站客流控制条件

客流状态能够直观反应客流的分布情况和变化趋势.根据早晚高峰时期车站客流特征,将客流控制触发判断依据选取为设施设备内的客流状态变化情况.当车站设施设备内的客流量不断增加时,客流密度不断增长,导致乘客步行速度下降.此时,必须实施客流控制措施,以保障车站运营安全和高质量客运服务水平.

本文结合实地调研数据分析,将设施设备客流状态划分为Ⅰ,Ⅱ,Ⅲ,Ⅳ四个等级(见表1).此处,将Ⅲ级客流状态规定为客流控制触发条件,即当客流状态达到Ⅲ级及以上级别的客流状态水平时需要立即采取客流控制措施,限制站内乘客数量,直到客流状态指标达到Ⅱ级或Ⅰ级客流状态水平时解除客流控制措施.

3 车站客流控制触发判别方法

车站设施设备处客流控制触发量化指标包括客流密度、单位宽度客流流率、乘客平均步行速度、平均排队人数等.在测量不同指标的量化情况时,客流控制触发判别关键观测点的客流聚集情况具有动态特征和模糊随机性,且每个设施设备处至少有2个客流控制触发判别指标,在客流状态划分过程中,采用车站设施设备处客流状态分级表对客流控制触发条件进行判断可能会得到不一样的结果.例如,站台处的人均占用面积为0.32 m2,列车离开站台后的平均排队人数达到站台宽度的3/4,由表1可知,根据客流人均占用面积指标判断站台客流状态级别为Ⅱ级,客流状态较通畅;而根据平均排队长度指标判断站台客流状态级别为Ⅲ级或Ⅳ级,客流状态拥挤,需实施客流控制措施.因此,利用多指标判别客流状态会得到不同的判断结果,具有一定的模糊性.云模型[8-10]有机结合了模糊理论中的模糊性和概率统计思想中的随机性,反映了实际应用领域中的不确定性.周继彪等[11]将云模型引入到地铁换乘枢纽行人拥挤度自动辨识中,拓展了云模型在轨道交通领域中的应用.

鉴于车站设施设备处客流控制触发量化指标及判别标准的模糊随机性,本文借用云模型的合成理论,构建了城市轨道交通车站客流控制触发判别方法.

1) 确定各设施设备客流状态指标云数字特征.假设某客流状态指标可划分为m个级别,则该指标阈值向量包含m-1个阈值,即x={x1,x2,…,xi-1,xi,xi+1,…,xm-1},合成云模型需在同一论域中实现.因此,在确定各个触发指标云的数字特征前需将指标值进行标准化处理.越大越优型指标的标准化公式为

越小越优型指标的标准化公式为

客流状态指标云的数字特征包括期望E(x)、熵H和超熵C.其中,E为云滴在论域空间分布的中心值;H为定性概念的模糊性度量,反映了论域空间中可被概念接收的云滴取值范围;C为熵的不确定性度量,反映了云滴的离散度量及云的厚度.

第1级和第m级的客流状态分别用半升正态云和半降正态云表示,其数字特征分别为E1和Em,熵为H1和Hm,其计算公式为

从第2级到第m-1级客流状态分别用全正态云表示,根据云模型的3H规则,可计算出各客流状态等级云的数字特征.令第i级客流状态的期望值和熵分别为Ei和Hi,其计算公式为

H=0.01;i=2,3,…,m-1

2) 将各设施设备客流状态指标云合成综合指标云,构建客流状态模板云模型，形成模板云图.

将设施设备客流状态等级下各指标云合成的父云称为客流状态等级模板云,该模板云是判别设施设备客流状态是否达到客流控制触发条件的标准云图.假设某设施设备第i级客流状态判别指标数为n,各指标云具有相同性质并记为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,则n个指标云合成的第i级客流状态模板云为

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.

假设各指标云的重要性权值为θj,则第i级客流状态模板云的数字特征计算公式为

④ 确定实测设施设备客流状态指标云与模板云的相似概率值,并以此判别是否达到客流控制触发条件.

重复计算直到产生n个云滴为止.实测的设施设备客流状态与第i级客流状态的相似度为

对相似度进行归一化处理后可得实测的设施设备客流状态属于第i级客流状态的可能程度为

⑤ 判定实测的设施设备客流状态属于任意Ⅲ级及以上级别客流状态的可能程度ri≥Ⅲ是否大于其属于任意Ⅲ级以下级别客流状态的可能程度ri<Ⅲ.若ri≥Ⅲ≥ri<Ⅲ,则实施相应的客流控制措施;否则，不采取客流控制措施.

4 实例分析

城市轨道交通车站客流控制遵循三级控制过程,即当站台客流超过预警阈值时启动一级控制,当站台拥挤且通道及付费区客流持续增加时启动二级控制,当站内非付费区客流持续增加时启动三级控制.本文以一级客流控制判别客流状态的设施设备——站台为例,进行车站客流控制触发判别分析.如表2所示,客流状态级别划分为Ⅰ,Ⅱ,Ⅲ,Ⅳ四个等级,判别指标为人均占用面积和列车驶离站台到下一列列车驶进站台时段内站台平均排队长度.

对站台客流状态级别原指标数据进行标准化处理,并计算各客流状态等级下指标云的数字特征,结果见表2.

表2 站台各指标云的数字特征

通过对北京市地铁车站进行调研分析可知,站台乘客平均排队长度指标的重要性比人均占用面积指标的重要性高.因此,假设人均占用面积指标的重要性权值θ1=1/3,平均排队长度指标的重要性权值θ2=2/3,根据第i级客流状态模板云的数字特征计算公式计算得到站台客流状态等级模板云Ii(E(xi),E(ni),Hi)的数字特征,结果见表3.

表3 站台客流状态模板云的数字特征

以5 000个云滴为基准构建车站设施设备客流控制触发指标云,结合客流控制触发判别方法,利用Matlab 7.0软件编程生成客流状态模板云图,结果如图1所示.

图1 实测站台客流状态合成指标云与模板云对比图

实测数据地点选取惠新西街北口站,该站站台为侧式站台,数据采集时间为2015年4月24日07:35—07:40，天通苑北→宋家庄方向的站台乘客平均排队长度占站台总宽度的2/3,人均占用面积为0.32 m2.对采集数据进行标准化处理,得到人均占用面积为0.24 m2,平均排队长度为0.167 m.

利用Matlab 7.0软件及客流控制触发判别方法,计算得到实测站台指标云的3个数字特征,结果见表4.利用实测站台指标云的数字特征及式(5),合成实测的站台客流状态合成指标云模型,其3个数字特征为:E=0.260,H=0.089,C=0.01.以5 000个云滴为基准,利用Matlab 7.0软件实现实测的站台客流状态合成指标云图,结果见图1.

表4 实测站台客流状态指标云的数字特征

根据客流控制触发判别方法进行计算,确定实测站台客流状态指标云与模板云的相似概率值为rⅠ=0,rⅡ=0.000 2,rⅢ=0.889 8,rⅣ=0.110 0.

对比实测站台客流状态合成指标云与模板云可发现,实测站台客流状态介于Ⅲ级客流状态(拥挤)和Ⅳ级客流状态(重度拥挤)之间,且与Ⅲ级客流状态的相似概率最高,相似概率值为0.889 8,因此,可认为该实测站台客流状态属于Ⅲ级客流状态,站台客流处于拥挤状态,需要及时实施相应的车站客流控制措施,缓解站台客流的拥挤程度.

5 结语

目前,城市轨道交通车站高峰客流控制分为3个等级,关于不同等级客流控制触发判别尚处于经验化管理阶段.本文分析了城市轨道交通车站设施设备的类别及乘客聚集程度判断指标,研究了城市轨道交通车站各主要设施设备客流状态级别的划分方法,并提出了基于云模型的城市轨道交通车站客流控制触发判别方法.案例分析结果表明,采用本文提出的车站客流控制触发判别方法来计算客流控制触发条件，能综合判断客流状态,进而实施相应的客流控制措施,为车站客流控制启动时间和控制强度确定提供量化参考依据.

References)

[1]康亚舒. 城市轨道交通车站客流控制方案的研究[D]. 北京:北京交通大学交通运输学院, 2014.

[2]谢玮. 城市轨道交通换乘站客流控制方法研究[D]. 北京:北京交通大学交通运输学院, 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. 城市轨道交通车站设施设备服务水平分级与能力计算方法研究[D]. 北京:北京交通大学交通运输学院, 2011.

[7]美国交通运输研究委员会. 公共交通通行能力和服务质量手册(原著第二版)[M]. 杨晓光, 等译. 北京:中国建筑工业出版社, 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, 刘常昱. 论正态云模型的普适性 [J]. 中国工程科学, 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]孟晖, 王树良, 李德毅. 基于云变换的概念提取及概念层次构建方法[J]. 吉林大学学报(工学版), 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]周继彪, 陈红, 闫彬,等. 基于云模型的地铁换乘枢纽拥挤度辨识方法[J]. 吉林大学学报(工学版), 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. 作者简介: 豆飞(1986—),男,博士生;贾利民(联系人),男,教授,博士生导师,jialm@vip.sina.com.

国家自然科学基金资助项目(61374157)、北京市地铁运营有限公司科研资助项目(2015000501000007)、北京市博士后工作经费资助项目(2015ZZ-151).

豆飞，潘晓军，秦勇，等.基于云模型的城市轨道交通车站客流控制触发判别方法[J].东南大学学报(自然科学版),2016,46(6):1318-1322.

10.3969/j.issn.1001-0505.2016.06.035.

U239.5

A

1001-0505(2016)06-1318-05