基于Agent模型的城市轨道交通车站人群聚集风险的分析*

林 铭 金 华 徐汇川 程文涛

(1.中国人民公安大学警务信息工程学院，102600，北京；2.深圳市公安局公交分局，518049，深圳//第一作者，硕士研究生)

人群密集程度高的公共场所存在较大的人群聚集风险，容易引发人群拥挤、踩踏等严重事故。如：2004年2月在北京密云县发生的拥挤踩踏事故，造成37人死亡，15人重伤；2015年1月在上海外滩发生踩踏事故，造成36人死亡。公共场所的人群聚集风险已经引发社会各界的高度关注。由于城市轨道交通车站的封闭性以及客流来源的复杂性，如果车站发生人群拥挤、踩踏等事故,其危害性更大，也更难以防范[1]。因此，城市轨道交通车站的人群聚集风险分析是城市轨道交通风险防范工作中的重点。目前，针对城市轨道交通车站人群聚集风险的研究主要集中在乘客微观特性[2-3]和大客流预测预警[4]两方面，而对于城市轨道交通站点乘客密度分布的研究仍然缺乏，难以直观地分析站点内各区域的风险分布情况。

Agent模型适用于对人类行为进行仿真，可模拟人群之间的信息交互、心理传播以及某些复杂的群体行为[5]。本文以深圳地铁老街站的调研数据为基础，结合站内乘客的微观特性研究，建立Agent模型，仿真乘客在站点内的运动情况，分析人群聚集风险较大的区域。研究成果可为城市轨道交通车站的风险防范工作提供理论依据。

1 建立Agent模型

1.1 老街站概况

老街站是深圳地铁1号线和3号线的换乘站点，位于罗湖区解放路与建设路的交汇处，处于繁华的东门商业圈内。在2011年，老街站的日均客流就高达6万人次，使得老街站成为深圳地铁最为繁忙的站点。大流量的乘客不仅让老街站的运营承担了巨大的压力，同时也增加了人群聚集风险，给乘客的人身安全问题带来了重大挑战。

1.1.1 站内建筑及设施

老街站共3层，分别是地下2层、地下3层和地下4层。地下2层是站厅，共有8个出入口，其代号分别为A、B、C、D、E、F、G、H。站厅设施设备完善，其中自动售票机组3处，人工服务窗口3处，进出站闸机5处，扶梯8部、楼梯3处、电梯1部。地下3层和地下4层是站台，其中地下3层经停往机场东方向的1号线列车和往益田方向的3号线列车,地下4层经停往罗湖方向的1号线列车和往双龙方向的3号线列车。

1.1.2 客流进出站情况

进站乘客由老街站的8个入口进入站厅，然后乘坐不同的列车离开该站点。其中A、B、C、D、E、G这6个入口均在站厅内设置了安检机，对带包乘客进行安检，F、H入口的安检机不设置在站厅内，因此乘客从不同入口进入站厅所形成的乘客流线不完全相同。

图1和图2是乘客进入老街站时两种不同的流线。通过A、B、C、D、E、G口进站的带包乘客必须接受安检才能进入站厅内部。在站厅内部的乘客分为两部分，一部分是持有“深圳通”的乘客，他们可以直接通过进站闸机进入付费区，选择要搭乘的列车离开站点；另一部分则是非持有该卡的乘客，他们必须通过人工售票窗口或者自动售票机进行购票才能进入付费区，搭乘列车离开站点。从F、H口进入的乘客由于安检机不在站厅这一层，因此进站流线相对简单，不需要通过安检。

图1 老街站A、B、C、D、E、G入口进站乘客流线

图2 老街站F、H入口进站乘客流线

图3是到站乘客的出站流线，从站台下车的乘客可以选择换乘，或者出站。选择出站的乘客从站台搭乘电梯或扶梯到达地下2层的站厅付费区，通过出站闸机离开车站。

图3 老街站出站乘客流线

1.2 模型参数

1.2.1 进站乘客数量

由于老街站地处东门商圈内，在此站进出的乘客多以购物、娱乐、休闲为目的，因此双休日进出站的乘客数量要多于工作日的数量。双休日每日进出站的乘客总量约为16万人次，比工作日高出约25%，因此双休日的人群聚集风险也相对较大。根据老街站的客流分布特征，采集双休日闸机客流统计数据，统计各入口进站乘客数量，其结果如表1所示。

由于老街站使用隔离带将从E、F入口进入的乘客合并到一个通道内，因此在仿真时将这两个入口视为同一入口。同时，由于老街站具有同站台换乘的特点，换乘乘客不会出现在站厅内，故不考虑换乘客流对于进站乘客数量的影响。

1.2.2 模型参数确定

从微观上看，客流中不同的乘客存在着差异，这些差异对乘客的行进速度和空间需求存在影响。从不同角度考虑，并参考相关文献和实际情况，确定的模型使用参数如表2所示。

1.3 模型建立

Agent技术是拥有特定功能及高度智能化的一种计算技术，具有自治性、反应性、主动性、社会性及进化性等特点，可以较为准确地对人类的某些复杂群体行为，如人群之间的信息交互、心理传播及行为等进行建模仿真。本文使用的Agent建模工具为俄罗斯XJ Technologies公司的基于社会力模型的仿真软件AnyLogic，该软件能准确地表现不同乘客在城市轨道交通站点中的行走方向和路线选择等。

表1 老街站双休日各入口进站乘客数量 人次

表2 乘客微观特性参数

根据图1～3中乘客流线和老街站厅建筑结构，构建了老街站乘客进出站的Agent仿真模型，其中部分如图4所示。

由图4可知，首先,由pedSourceB产生进站的乘客数(具体数值根据表1设置)，乘客通过pedSelectOutput分流，一部分乘客接受安检，另一部分则直接通过；其次,乘客通过pedSelectOutput1分成3部分，分别选择自动售票、人工售票、不需要购票3种方式，然后通过附近的闸机进入付费区；最后,乘客在付费区内根据目的地选择不同的楼梯或扶梯进入站台，从站厅消失，消失的动作用pedSink模块表示。其他的A、C、D、E、F、G、H口可根据上述原理，结合入口的地理位置及乘客的行走路线，构建对应的模型，将各个独立模型正确地连接，即为完整的仿真模型。

图4 B口进入老街站乘客仿真模型

2 仿真结果及风险分析

老街站每日运营时间为06:30—23:30，且不同时间段的客流分布存在较大的差别。对老街站双休日全天的客流分布情况进行仿真，结果显示，老街站在14:00—15:00(客流高峰期)人群聚集现象最为严重，该时间段的仿真结果如图5 b)所示。

图5 a)为老街站站厅平面图。仿真结果在站厅平面图上直观地显示了乘客的密度分布与流线。线条颜色的深浅反映了人群密度的不同，其中颜色较深的线条表示人群密度较小，颜色较浅的线条表示人群密度较大。当人群密度超过一定值时，人群聚集风险增加。人群密度分布图不仅反映高密度的人群聚集区域，也体现乘客进出站的流线。根据仿真结果，可对老街站的人群聚集风险进行深入分析。

a) 老街站站厅平面图

b) 客流分布仿真结果图5 老街站站厅客流分布仿真结果

2.1 乘客流线交叉

城市轨道交通站点乘客流线是乘客在站点内集散活动所产生的流动过程和流动路线[10]，对站点内乘客流线进行组织和协调时，要避免不同乘客流线互相交叉干扰。乘客流线交叉即表示乘客行走路线有冲突，过多的交叉不仅会延长乘客在站点内部的逗留时间，也会增加乘客的碰撞几率，而且在乘客流线交叉点处的客流密度也相对较大，具有一定潜在风险。

由图5 b)可知，老街站对乘客流线的组织协调工作存在不足之处，导致站厅内乘客流线在自动售票机、人工售票亭、楼梯口、扶梯口等处有交叉。在非付费区产生乘客流线交叉的主要原因是部分乘客在购票结束时选择离购票点最近的闸机进站，与直接通过闸机进站的乘客产生乘客流线交叉。在付费区产生乘客流线交叉的主要原因是从不同闸机入口进入付费区的乘客选择不同的扶梯、电梯、楼梯进入站台，导致付费区内的客流线十分复杂，交叉点过多。

针对非付费区的乘客流线交叉问题，可以用物理切割法解决。物理切割法是将进站、出站、购票、通过安检等乘客流线进行物理分割，减少交叉。老街站可在各售票区增设隔离带，组织乘客有序地进行购票，并规划从各个入口进入的乘客行进路线，避免乘客流线交叉。针对付费区的乘客流线交叉问题，可以用引导法解决，即利用信息指示标志或者引导员对乘客流线进行引导。从图5 b)可以看出，付费区内的扶梯、楼梯分为左右两侧，都能到达地下3层和地下4层的站台。如果利用引导法安排从左侧B、G、H入口进入站点的乘客从左侧扶梯和楼梯下达站台，从右侧A、C、D、E、F入口进入站点的乘客从右侧扶梯和楼梯下达站台，则可大量减少乘客流线的交叉，避免潜在风险。

2.2 售票处排队人数不均

老街站的购票点共6处，其中3处为自动售票机，其余为人工售票。1号自动售票机和1号人工售票亭靠近B出口，2号自动售票机和2号人工售票亭靠近G出口，3号人工售票亭靠近D出口，3号自动售票机靠近A出口。仿真结果表明，过长的购票队伍会影响进出站乘客的移动，造成人群聚集。为此,对仿真模型中的售票处进行数据采集，其结果如图6所示。

图6 售票处排队人数折线图

由图6可知,各购票处的排队人数存在巨大差距，设施利用率不平均，乘客密度分布不合理。如下午16时至17时，2号人工售票亭的平均排队人数达到7人，购票乘客已经可以感受到明显的拥堵。由于排队人数变多，乘客平均购票时间延长，从而增加了乘客的焦急感。当乘客的焦急感不断增加时，其与周边乘客的距离将会不断减小，人群密度持续增加[11]，进而增大了排队区域的人群聚集风险。由于设施在站厅内的位置特殊，如果在2号自动售票机和2号人工售票亭处发生拥堵，将大幅度提高E、F、G、H 4个入口的人群密度，人群聚集风险将进一步提高。

针对以上情况，可以通过合理配置自动售票机及人工售票亭的工作人员，适当引导部分乘客去其他售票点的方式加以解决。如：将1号人工售票亭的工作人员抽调至2号人工售票亭协助进行售票工作，同时增设2号自动售票机设备，以降低2号自动售票亭和人工售票亭的服务压力，有效平衡各购票处的排队人数；增设信息指示标志和客流引导员，将H入口的部分乘客分流至1号自动售票机和1号人工售票亭，降低其他售票点的服务压力，减少人群聚集风险发生的可能性。

2.3 部分区域人群密度过高

众多研究表明[12-13]，发生拥挤踩踏事故的诱因很多，其中最主要的是人群密度过高。人群聚集密度越高，事故发生的可能性就越大。根据仿真结果，分析老街站站厅各处的人群密度分布情况，重点监测人群密度过高的区域，以防止人群聚集风险产生。

图5展示了老街站内容易引发人群聚集、导致人群密度过高的3处区域，其中，付费区内一处，非付费区内两处。E、F共同入口处为1号人群密度过高区域，造成该区域人群密度过高的原因在于老街站使用隔离带和铁马等物理设施将从E、F入口进站的乘客合并到一个通道内；D入口处为2号人群密度过高区域，造成该区域人群密度过高的原因在于D入口直通地面上的“1234”商城，客流量是8个入口中最大的，并且大部分乘客都携带行李进站，乘客在接受安检的拐角处容易扎堆聚集；付费区内高密度人群聚集区为3号区域，造成该区域人群密度过高的原因在于，大部分乘客要通过此处的闸机从A、C、D口离开站点，闸机通行速度较慢，无法有效疏导出站乘客，导致乘客在3号区域聚集。

文献[14]利用图片调查法，分析了城市轨道交通车站的通道服务水平，并提出了a、b、c、d、e、f 6个服务水平的划分标准。当人群密度越大，服务水平越低，反之则服务水平越高。根据仿真结果可得，1号区域的人群密度在12时至13时达到峰值(5.68人/m2)，对应的服务水平为a；2号区域的人群密度在17时至18时达到峰值(6.44人/m2)，对应的服务水平为a；3号区域的人群密度在9时至10时达到峰值(2.06人/m2)，对应的服务水平为c。由此可以看出，1、2号区域的人群聚集风险较高，发生拥挤踩踏事故的概率较大，需采用预案降低人群密度。3号区域的人群聚集风险相对较小，大部分的乘客行走受到限制，发生拥挤踩踏事故的概率较小，但仍需对出站客流进行合理有序的引导。

3 结语

针对城市轨道交通站点的人群聚集风险，结合深圳地铁老街站的调研数据，进行Agent建模仿真，模拟老街站在正常运营时的乘客分布情况。由仿真结果可知：老街站在自动售票机、人工售票亭、楼梯口、扶梯口等处容易产生客流交叉现象，产生安全隐患；2号自动售票机的服务压力过大，导致排队人数过多，购票时间过长，人群密度大，容易产生拥挤；老街站内容易引起人群密度过高的区域共有3处，其中，E、F共同入口处的最低服务水平达到a级，D入口处的最低服务水平达到a级，付费区内左上角处的最低服务水平达到c级。针对以上仿真结果，进行了原因分析并提出了解决对策，以降低老街站的人群聚集风险。