基于人流模拟方法的高校疫情防控研究——以华南理工大学为例＊

邓巧明 李晓峰 刘宇波

1 研究背景

高校人员密度大，师生日常上下课、食堂用餐等行为具有较高的聚集性，一旦校内出现病例，极有可能出现暴发性疫情。同时，不断增强的病毒传染力和隐匿性，大大提高了校园聚集性疫情风险，为特殊时期高校的日常教学与管理工作带来巨大挑战。

目前，医学界对于新冠疫情仿真模拟研究已取得较多成果，如“复杂人流网络下的COVID-19传播模型”[1]、“极限IR实时预测模型”[2]，以及“优化SEIR动力学模型”[3]等。这些仿真模拟采用传染病动力学模型对疫情的发展趋势、患病人数以及转折时间点进行预测，较少关注空间对疫情传播的影响。然而，不同的功能分布与空间形态对于人的行为轨迹、人流密度有着重要影响，也将直接关系到疫情的传播与防控效果。高校校园人群活动模式相对固定，采用人流仿真模拟方法能够较好地预测师生日常活动轨迹，并能通过对当前校园空间人流状况的模拟，对比不同实验参数条件下校园人流的分布与密度。本文以华南理工大学为例，采用不同的仿真模拟平台对校园空间尺度、单体建筑尺度的人群密度进行时空分布情况预测与分析，据此量化评估不同管控措施的有效性，为学校制定科学有效的防疫政策提供依据，进而提高大学校园面对疫情等突发状况的空间韧性。

2 基于校园尺度人流仿真模拟的疫情防控措施效果评估

对于整体校园尺度的人流模拟采用基于GAMA（GIS &Agent-based Modeling Architecture）平台的宏观仿真模型。GAMA代理建模和仿真平台作为常用的人流模拟工具，具有免费开源、与GIS无缝集成、可以通过简易代码编写自定义模拟内容等优势。目前主要应用在交通模拟[4]、灾害响应[5]和流行病学[6]等领域。

本文采用团队前期完成的以GAMA平台为基础，结合校园人群活动大数据与学生日常作息规律构建的校园人流仿真模型GTSMC[7]（GAMAbased Traffic Simulation Model of Campus）进行实验。在仿真模拟实验中，所有代理行人在调度信息表（包括目的地、出发时间、下课时间、就餐时间等）和最短路径的驱动下，向着目的地前进。通过计算道路人流密度来判断不同时段、不同区域的人群聚集程度，评估发生疫情传播的风险与防控措施的有效性。

2.1 GTSMC校园人流仿真模型

GTSMC校园人流仿真模型主要包含3个代理族设计：人群族、道路族、建筑族。首先在人群族设计方面，以华南理工大学五山校区为例，GTSMC模型利用腾讯宜出行热力图抓取校园内人群分布的实时数据，结合ArcGIS空间分析和学生作息时间表，为代理人设置速度、作息时间、住宿地点、学习办公地点、运动地点、餐饮地点等基本属性。代理人遵循调度信息表和行走速度，以最短路径原则模拟学生的出行行为。在道路族设计方面，将GIS中已经编辑好的校园路网形态信息导入基础模型，统计各道路的人流量信息。在建筑族设计方面，根据建筑功能将校园划分为住宿区、教学区、餐饮区、体育区、其他区5种类型，与人群族中调度信息表的5种活动相对应。

2.2 针对疫情防控特点进行模型调整与细化

校园疫情防控更加关注日常人群聚集的瞬时情况，因此需要对活动地点（空间上的聚集）和出发时间（时间上的聚集）进行相应调整和细化。

在活动地点的选择上，将“教学区”进一步细化为“公共教学区”和“专业教学区”。大一、大二、大三、研一等4个年级的学生按照公共教学楼（31号楼、32～34号楼、博学楼）的空间容量进行分配，其余学生则选择专业教学区作为日常学习地点。在出发时间的选择上，结合代理人群的调度信息表，通过控制代理人的“到达时间”反推其出发时间段。

在进行道路人流密度计算时，分别统计不同方向的人流。同时，通过增加模拟天数取平均值、提高统计计算频率等方式，减少因目的地选择、出发时间等因素的随机性而带来的模拟结果误差。在相关疫情防控措施里多次提到至少保持1m的社交距离，因此，仿真模拟中将“1人/m”作为判断道路人流密度是否超标的临界值。

2.3 不同防控措施的仿真模拟与效果评估

按照以下三种措施进行仿真模拟与效果评估（表1）。

（1）减少面授公共课程

由于大中型公共课程会将大量师生聚集于密闭空间，增加了聚集性感染的可能性，同时也提高了上下课时段公共教学楼附近道路的人流量与人流密度。因此，在疫情期间建议部分学生数量较多的公共课程改为线上授课。将仿真模型中出门上课学生人数降低为总人数的一半，其他活动维持不变，模拟该项措施的防控效果。结果显示，减少面授课程使得道路人流密度明显下降，有效缓解了上下课和就餐时间人流过于聚集的情况。

（2）分批错峰上下课

通过改变不同年级学生上下课的时间段，降低校园内瞬时人群聚集程度。仿真实验中将学生人群分为两批，上下课时间错开90min，对应人群的食堂就餐时间同样顺延。结果显示，错峰上下课能够有效降低以往人群集中路段的人流密度，同时兼顾面授课程进行，是一种较为理想的疫情防控措施。

（3）食堂送餐

在校园中，就餐时间段会有大量人群短时间内向食堂聚集。相关疫情防控措施建议采用“打包就餐”方式，最大限度降低交叉感染风险。虽然该方式可以一定程度降低感染风险，但是仍然无法解决食堂周围道路短时人群聚集的问题，这对校园疫情防控来说仍然是一个不稳定因素。

为了解决这一问题，本文模拟了食堂送餐措施下校园空间的人流分布情况。根据各个食堂位置关系确定服务的学生宿舍范围，送餐时间分别设定为7:15、11:15、17:15。同时仿真模型将学生流线变为两点一线，不再到公共食堂就餐，将送餐人员纳入道路人流量密度统计中。结果显示，该措施有效降低了道路上的人流密度，缓解了去食堂用餐带来的人群聚集风险。但由于五山校区公共教学楼到北区学生宿舍的道路数量较少，导致下课期间从公共教学楼（31号楼、32～34号楼）回北区的道路人流密度较高。可以通过食堂送餐与错峰下课相组合的方式缓解这一问题。

3 基于建筑尺度人流仿真模拟的疫情防控措施效果评估

建筑尺度人流模拟采用基于Anylogic平台的微观仿真模型。该平台以社会力模型为核心算法，可以更精确地模拟人的心理对于活动的影响，是目前最能体现人群真实运动情况的仿真模型。智能体基于社会力模型移动，通过分析当前环境，选择最短路径，避免与其他物体相撞，并决定下一步的运动。该模型的缺点在于计算量过大，进行大规模仿真模拟对于计算机算力要求较高。因此，对于单体建筑尺度的人流仿真模拟，Anylogic具有更好的适用性。

3.1 建立Anylogic仿真模型

本文采用Anylogic仿真模型针对公共教学区的其中一栋建筑（34号楼）进行模拟，基于本次模拟实验的特点采用离散事件建模方式。离散事件建模是指大多数事务流程可以描述为一系列独立的离散事件，具有一定随机性，因此需要运行一定时间或反复运行多次才能得出有意义的结果。在本实验中，首先根据模拟学生的调度信息表来确定出发地、出发时间、目的地，以及到达时间等，并将这些信息整合到Anylogic对应的模块中，依据前后关系构建模块之间的联系，形成该事件最终的建模流程图（图1）。依据34号楼平面图建模教室、走廊和楼梯，并设置教室可容纳学生数量、等候时间等参数。

表1 不同防控措施的仿真模拟与效果评估

34号楼每层4间教室，6层共24间。其中一、二层为300座大课室，三至六层为200座中等课室，全楼满负荷使用时将容纳5600人。在模拟开始前对代理人随机赋予1～24之间的一个号码，代表其上课教室的编号。同时，为保证教室容量不超过疫情防控上限，每个随机号码最多只能赋予45人次。代理人首先经过34号楼外空地上的“排队等候区”“测温口”等位置，然后根据自己上课教室的位置选择楼梯间。下课后，代理人根据宿舍位置选择就近楼梯间返回宿舍。

3.2 不同防控措施的仿真模拟与效果评估

以人流进出分流和上下课分时错峰等为主要实施手段，结合34号楼的位置与空间特点，对比以下3种不同管控方案的有效性。

（1）无管控状态：可以模拟非疫情状态下正常上下课时的情况，根据代理人的来源方向，以及与上课教室的位置关系，来确定该代理人选择某楼梯间的概率。

（2）横向分区管控：为减少人群流线交叉，根据楼层划分楼梯间的使用。二、三层使用4号楼梯，四层使用3号楼梯，五层使用2号楼梯，六层使用1号楼梯（图2）。

（3）竖向分区管控：根据就近原则分配楼梯间，将24间教室竖向分成4列，每列教室选择距离最近的楼梯间使用，每个楼梯间服务垂直方向上的6间教室。

Anylogic平台模拟过程可以实时输出人流热力图，单位为“人/m2”，以此来反应某一时刻单位面积内人的聚集程度，颜色越红代表该空间人流密度越大，反之密度越小。

1 基于Anylogic 离散事件建模流程图

2 34 号楼楼梯位置分布

3 无管控措施的教学楼人流模拟分析图

4 横向分区管控的教学楼人流模拟分析图

5 竖向分区管控的教学楼人流模拟分析图

6 竖向分区管控措施各楼梯间人流量实时统计

从无管控状态模拟实验结果可知（图3），由于代理人可以选择任意楼梯上下，导致楼梯间和走廊人流都较为集中，多处人流量密度超过了1.5人/m2，属于疫情防控的薄弱区域，部分楼梯间因为位置便利，人流密度甚至超过2人/m2，需要重点关注。横向分区管控实验模拟结果显示（图4），该方式有效降低了楼梯间人流量密度，但由于同层所有教室的学生都要前往同一个楼梯间下楼，因此走廊的人流量密度高于其他管控方案。从竖向分区管控模拟实验结果可知（图5），由于楼梯间就近分配，竖向分区管控方案人流量密度在走廊和楼梯间都较为均衡，几乎都在疫情防控的可控区间内。此外，Anylogic模型还可以对一到六层楼梯间等重点位置进行人流量实时统计（图6），从而比较不同防控措施在重点区域的效果。

可见，对于单体建筑来说，楼梯间的分区使用使得学生产生不同的行为路径轨迹，进而改变了路径上的人流密度，影响着防控效果。分区管控在有效降低人流密度的同时，还区分了不同班级人群的日常上下课路径，降低了人群混合带来的交叉感染风险，一旦发现病例也便于明确密接和次密接人群范围。除了对空间进行分区管控外，还可以结合分时管控（各班错峰上下课）进一步提高防控效果。

4 总结与展望

本文基于人流模拟方法，针对不同校园空间尺度的特点分别构建人流仿真模型，模拟预测人群密度的空间与时间分布情况。仿真模型可以结合不同管控措施反复调整模拟参数，通过对比实验与直观数据输出，量化评估不同管控措施的效果，为制定科学有效的管控措施提供数据支撑。

然而本文构建的仿真模型仍有其局限性，模型以华南理工大学的有限数据进行建模，不具有普适性。代理人的行动受自身调度信息表以及最短路径原则约束，忽略了日常路径选择的其他影响因素，以及代理人调度信息仍存在部分假设情况等。尽管如此，模型模拟的大部分结果基本上与我们的直观经验相符，可信度较高。未来结合特定实验目的调整参数后，校园空间仿真模型还可以适用于如共享单车停放点、大批人流聚集的校招会选址等应用场景的辅助决策过程中。

仿真模拟过程与结果也让我们对于提升大学校园韧性有了新的认识与思考：通过分区规划与功能建筑的均衡布置，可以方便师生的日常学习与生活，在特殊时期便于独立管理；增加校园路网密度有利于提供多种路线选择，可以起到分散主要道路人流压力的作用；对于人流密度大的道路，可以采用在其他步行路线上设置遮阳棚等提升空间品质的微改造方法，将一部分人流分散到其他路线等。这些校园规划设计的改进措施使得校园空间的整体使用效率得到提高，加之科学有效的管理措施，可以帮助我们更好地提升大学校园面对疫情等突发状况的调整与应对能力。

图片来源

1-6作者自绘

表格来源

1作者自绘