基于AnyLogic 的轨道交通车站大客流瓶颈识别与疏散组织优化

陈雷钰, 张汝华, 马明迪

(山东大学齐鲁交通学院, 山东 济南 250012)

为保障地铁安全运营, 减少突发事故造成的损失, 国外许多学者对突发情况下的客流疏散展开了深入研究. 1963 年, Givens[1]研究了疏散决策的基本概念和框架. 2010 年美国制订了《有轨列车及铁路客运体系标准》, 规定站台行人安全疏散时间应在4 min 之内[2]. 我国轨道交通突发情况下的应急疏散能力研究始于20 世纪90 年代, 目前还处于初级阶段, 亟需形成科学完整的应急疏散体系. 2017 年我国《地铁安全疏散规范》中规定, 地铁车站安全疏散设计应按6 min 内必须将乘客全部疏散至安全区为原则[3]. 传统应急事故仿真演习成本高且无法真实反映乘客逃生时的情况, 伴随着计算机技术的发展, 这些问题取得了突破性进展. 截止到现在, 已开发的计算机仿真软件有AnyLogic、Vissim、Pathfinder、Simwalk、Legion 等约20种. 很多学者通过对案例的仿真模拟, 取得了显著的成就, 表明了不同软件在交通领域使用的便利性[4-7].

国内外学者从不同角度对车站客流进行研究, 如客流分布情况[8-9]、人群疏散过程[10-15]、设备设施布局[16-19]等. 杨子贤等[8]基于不同的客运设备布局, 设计了不同的应急疏散流线并建立了应急疏散模型. Lopez-Carmona 等[11]综合了影响疏散人员选择的因素, 提出一种基于单元的人群疏散模型. Tanimoto 等[12]提出一种基于元胞自动机的行人流模型来描述三维空间中的群体疏散行为. Sun 等[16]基于火灾动态模拟器(fire dynamics simulator, FDS) 和Agent 模型研究了不同建筑布局场景下的火势蔓延特性和建筑疏散能力, 提出疏散的重点是缓解步行楼梯压力.

综上所述, 国内外对于地铁车站应急客流方面的研究多运用计算机软件仿真模拟的方法,但目前的研究大多把大客流视为一种情况, 未深入地分析不同类型大客流的产生原因和客流特征对车站疏散的影响. 本工作以济南国际园博园地铁车站为研究对象, 通过实地调查车站设备设施布局和行人特性并结合AnyLogic 仿真软件, 将地铁车站的客流划分为可预见性大客流和不可预见性大客流2 种类型, 在分析不同类型大客流产生原因和客流特征的基础上识别车站的疏散瓶颈, 并对瓶颈做出有效改善措施.

1 大客流现象与疏散时间

通常情况下, 当地铁车站客流达到车站容纳量的70% 及以上时, 易产生站内局部拥堵和乘客站内等候时间延长等现象, 此种情形被定义为地铁车站大客流现象[20]. 大客流可以分为可预见性大客流和不可见测性大客流2 种类型. 可预见性大客流如节假日大客流、大型活动大客流、恶劣天气大客流等, 可以提前预测出现时间和客流构成, 并能够采取一定的防控措施,具有相对稳定性和可控性. 而突发紧急情况造成的大客流属于不可预见性大客流, 由于事发突然, 大量乘客滞留在车站内, 若不及时疏散会造成严重的负面影响. 火灾是突发紧急情况中比较常见的一种, 据统计, 2000—2019 年我国共发生了32 起地铁火灾事故. 因此, 本工作以大型活动大客流为例研究可预见性大客流对车站造成的影响, 并以火灾为例研究不可预见性大客流对车站造成的影响.

在发生火灾时, 乘客能否安全疏散取决于2 个特征参数: 必要安全疏散时间tR和可用安全疏散时间tA.tA为常数, 在我国一般情况下取为6 min. 为了保证人员的安全疏散, 必须将所有人员在火灾发展到威胁人员安全前顺利疏散到安全地点, 即要求tR＜tA.

式中:Td为探测报警时间, 与火灾报警装置的灵敏度以及行人的反应能力有关;Tpre为行人在意识到火灾发生时到做出反应开始疏散的时间, 受个体影响较大, 很难找到合适的方法对预动作时间进行计算和准确的表达[21];Tt为人员疏散行动时间, 包括走行时间和通过时间, 可通过软件模拟仿真得出;k为安全系数, 一般取为1.

2 地铁车站站厅仿真建模

2.1 车站概况与客流特征分析

济南市轨道交通1 号线的园博园站位于济南市长清区丁香路与海棠路路口北侧, 共设有A1、A2、B1、B2 4 个出入口. 图1 为济南市园博园地铁车站示意图.

图1 济南市园博园地铁站示意图Fig.1 Schematic diagram of the Yuanboyuan Subway Station in Jinan city

本工作中的数据以摄像采集为主, 人工检测为辅, 兼顾采用追踪法采集数据. 模型只涉及进站和到站人数. 园博园站A1、A2 出入口临近山东交通学院, 综合人群特性和周围地理环境,人流量较大, 且两侧出入口的人流具有不均衡性. 通过对园博园站进行一个月4 次周末晚高峰(17:00～19:00) 的数据记录, 将进站人数进行统计整理后得到晚高峰各出入口平均每小时的进站客流量(见表1). 本工作中将仿真模型出入口简化处理, A 出入口方向乘客进站速率设置为500 人/h, B 出入口方向乘客进站速率为250 人/h.

表1 晚高峰时段各出入口的进站客流量Table 1 Average hourly inbound passenger flow at each entrance and exit in the evening peak

2.2 仿真参数设置

以乘客进出站流程构建行为逻辑模型, 通过实地调研并进行视频数据处理, 分析行人在轨道交通车站内不同设施处的行人速度分布特性. 将乘客选择各个车站服务设施的概率在进出站流程示意图(见图2) 中进行标注, 建立行人流模型. 图3 为乘客在不同的服务状态下面对突发情况对应的紧急疏散流程. 表2 为本模型的仿真参数.

图2 乘客进出站示意图Fig.2 Schematic diagram of passengers entering and leaving the station

图3 乘客应急疏散流程图Fig.3 Flow chart of passengers emergency evacuation

3 可预见性大客流仿真结果及优化分析

为应对可预见性大客流, 车站应提前预测大客流发生的时间、方向等信息并进行客流组织工作, 以提高乘客的疏散效率[22]. 为了在不同客流情况下对车站应急疏散能力进行适应性评估, 以及在不过度设计的情况下找出提高车站疏散能力的解决方案, 本工作通过AnyLogic 软件分别模拟增加50%、100% 客流时的情况, 分析车站出现的问题并提出解决方案.

3.1 客流增加50%

本次仿真模拟设置工研院方向和方特方向的列车均在仿真开始10 s 后进站, 单列地铁列车人数为160 人, 将客流增加50%, 即A1 和A2 出入口方向乘客进站速率为750 人/h, B1 和B2 出入口方向乘客进站速率为375 人/h, 其余参数设置保持不变, 运行10 次模拟以确保稳定性, 模拟运行时间为1 h. 图4 为车站客流增加50% 时站厅层和站台层内排队人数示意图. 可以看出车站的站厅层和站台层都未出现大量人员聚集的区域, 但站台内排队等待列车进站的人数明显增多.

对于可预见性的大客流, 车站需提前编制专门的列车运行图, 以缩短列车行车间隔、增大运能, 使站台等待的乘客及时离开[22]. 故在其他数据和流程不变的基础上, 将列车运行间隔设为6 min, 至少模拟运行10 次, 模拟运行时间为1 h. 模拟对比结果如图5 所示. 通过热力图和行人密度对比图可以看出, 缩短列车运行间隔后, 站台等待人数减少, 密度降低, 在一定程度上缓解了客流拥堵, 提高了车站的服务能力.

图5 缩短列车运行间隔前后站台层对比图Fig.5 Comparison of heat map and pedestrian density of platform layer before and after shortening the train running interval

3.2 客流增加100%

将客流增加100%, 即A1、A2 出入口方向乘客进站速率为1 000 人/h, B1、B2 出入口方向乘客进站速率为500 人/h, 其余参数设置保持不变. 在运行过程中, 车站出现一个非常明显的问题: 安检前产生大量排队等候的行人. 随着时间增加, 排队人数越来越多, 很容易引发站内拥堵. 图6 为车站客流增加100% 时车站内安检台的排队情况.

图6 车站客流增加100% 时安检台的情况Fig.6 Queues appear before security check when passenger flow at the station increases by 100%

车站安检设备的数量、布局及服务能力会直接影响车站客流的组织效率. 图7 为增加无包安检通道前后安检区通过行人数量及行人密度的对比. 由图可知, 增加1 条无包安检通道后安检区通过人数提高了90%, 排队情况得到相对缓解. 除此之外, 提高旅客的配合意识, 安检人员合理引导乘客自觉分类通过安检也是非常重要的.

图7 增加无包安检通道前后安检区通过行人数量及行人密度的对比Fig.7 Comparison of the number of pedestrians passing through and the density of pedestrians before and after adding a security inspection channel for pedestrians without handbags and luggage

4 不可预见性大客流仿真结果及分析

4.1 仿真结果

将A1、A2 出入口方向乘客进站速率设为500 人/h, B1、B2 出入口方向乘客进站速率为250 人/h, 其余参数保持不变. 在正常情况下, 由于乘客较少, 在站内不会出现大量聚集滞留的现象, 但由于车站不同区域提供服务不同, 所以在站内局部区域可能会出现人员密度较大的情况. 在经过300 s 仿真后, 站内人员密度分布如图8 所示.

图8 站厅层和站台层行人密度热力图Fig.8 Heat map of pedestrian density on the station hall floor and platform

可以看出, 车站大部分区域的密度显示为蓝色或绿色, 这表明站内并没有十分拥堵, 而红色区域主要集中在楼梯通道和出站闸机处, 这就是疏散客流的瓶颈所在. 当列车进站时, 大量乘客乘坐自动扶梯或楼梯进入站厅层, 通道楼梯处会迎来短暂高峰期. 同样, 大量乘客进入站厅层后排队出站, 短时间内出站闸机处(见图8(a)②) 的客流密度会显著增大. 除此之外, 在密度图中可以看出, 自动扶梯处(见图8(a)①) 的密度要大于步行楼梯, 这是因为进站客流较为分散, 出站客流较为集中, 在出站时乘客往往会选择扶梯, 但自动扶梯的宽度较小, 所以较为拥挤.

4.2 疏散时间

在使用AnyLogic 软件对车站突发紧急情况进行疏散仿真时, 为确保模拟的真实性, 需先使车站在正常情况下模拟运行一段时间, 至车站人数达到动态平衡. 当运行至动态平衡模式后, 启动紧急疏散按钮, 此时车站进入紧急疏散状态. 为研究车站的应急疏散能力, 选取不同的动态平衡时间点(500、1 000、1 500、2 000、2 500 s) 进行疏散模拟, 结果如图9 所示. 表3为每次完成疏散所需要的时间.

表3 疏散进度Table 3 Evacuation schedule

图9 疏散时间Fig.9 Evacuation time

通过疏散结果可以看出, 疏散时间一般为210～270 s, 疏散人数越多, 疏散所需时间越长,且疏散所需时间与疏散开始时间并无关系. 由式(1) 可知, 火灾报警时间与装置灵敏度或乘客的反应能力有关, 目前关于火灾报警时间的研究较多[23-24], 根据实际情况, 本工作将其设为30 s; 人员疏散预备时间与车站内建筑有关, 由于济南园博园站内视野较开阔, 无大型遮蔽物,根据典型建筑物中人的反应时间[25], 本工作将其设为35 s; 为人员疏散行动时间, 也就是模型模拟疏散时间; 故由式(1) 计算可得必要安全疏散时间大致为275～335 s. 由此可以看出, 车站内疏散时间都在可用安全疏散时间6 min 之内, 并符合《地铁疏散设计规范》[3]. 未来当客流量达到某时间段峰值时, 疏散时间可能会大于6 min, 因此需要采取一系列措施提高车站应急疏散能力, 如: 车站人员定期开展消防演习活动、做好岗前安全消防培训等, 并在客流高峰期做好相关预案.

5 结 论

本工作实地调查分析了济南市轨道交通1 号线园博园站的平面布局和行人流特性, 建立了基于AnyLogic 的应急疏散仿真模型, 对2 种大客流状态下的客流瓶颈识别与乘客疏散能力进行研究, 并根据《地铁安全疏散规范》中的标准进行了相关的校验和分析, 得到如下结论.

(1) 在客流增加幅度较小的情况下, 车站站台层内排队等待列车进站的人数明显增多, 通过缩短列车运行间隔可以有效缓解站台层拥堵并提高车站服务能力.

(2) 在客流增加幅度较大的情况下, 车站安检区域会产生大量排队等候的行人, 且随着时间增加, 排队人数会越来越多, 最终引发站内拥堵. 但增加一条无包安检通道后, 安检区通过人数提高了90%, 且行人密度大大下降, 排队情况得到相对缓解.

(3) 在发生不可预见性大客流时, 地铁车站大多数情况下都能够满足疏散时间小于6 min的标准. 但通过仿真实验发现楼梯通道和出站闸机处客流较为集中, 是疏散客流的瓶颈所在.因此, 车站在客流高峰期时需要采取一定措施进行合理引导, 并做好客流高峰期的相关应急预案.