高铁综合交通枢纽客流协同管控优化关键技术

熊 刚，刘小明，张 涛，朱凤华，刘璐菲，乔曜芩

（1.中国科学院自动化研究所 多模态人工智能系统全国重点实验室，北京 100190；2.北方工业大学 电气与控制工程学院，北京 100144；3.中国铁道科学研究院集团有限公司 通信信号研究所，北京 100081）

1 客流协同管控现状

枢纽的客流协同管控是指对枢纽客流进行协同管理和控制，以确保客流的安全、顺畅和高效有序通行。主要工作包括客流监测、客流预测、客流调度、客流引导、客流分流和客流安检等。

常态和非常态通常是根据客流量的大小和变化程度来区分的。常态下，客流量相对平稳，可按照预定的计划和措施进行管理和控制；非常态下，客流量突然增加或出现异常情况，超出了正常的管理范围，需要采取额外的应对措施，如增加运力、加强安检等。通常，当客流量超过了事先设定的阈值或出现了突发事件时，可判断为非常态情况。

1.1 常态下客流协同管控方法

枢纽的客流管控优化对其良好运营具有重要意义，受到了国内外众多学者的关注。刘宝贵等人[1]研究了基于深度强化学习的枢纽客流调度模型，通过模型学习实现对客流的预测和调度，并基于枢纽的网络结构和运行机制提出优化策略；徐亚婧等人[2]研究了枢纽的网络结构和流量分配问题，提出了一种基于蚁群算法的优化策略；胡畔[3]对枢纽设施与流线理论进行了简述，对其换乘系统的构成及换乘流线、设施服务能力进行分析，提出了以铁路为主的枢纽换乘客流预测的思路，分析了换乘客流的特点及构成，并介绍了预测客流量的方法。

综上，现有的常态下枢纽客流协同管控方法仍然停留在局部管控优化，未考虑复杂的客流流线与客流协同管控优化间的关系，且未考虑多模式出行属性，对枢纽的客流协同管控刻画不足。

1.2 非常态下客流协同管控方法

熊国强等人[4]运用元胞自动机理论构建了地铁客流应急疏散的组合模型，包括行人最优路径选择模型、障碍物绕行模型等，并仿真分析了地铁客流应急疏散的过程；温念慈等人[5]将协同矩阵与多目标规划理论，应用到突发大客流下多车站协同客流控制应急决策研究中，实现突发情况下，多站动态协同应急决策的制定与动态调整；Zhu等人[6]构建了以训练序列为阶段变量的动态规划模型，提出了一种具有多种改进策略的NSGA-II算法，求解综合应急情况下并行协同控制模型，生成客流控制策略，最大限度地提高乘客周转率；Yuan等人[7]提出一种基于跳停模式的客流控制和列车调度的综合优化方法，此外，还考虑了特殊情况下的乘客动态需求和列车载客率，建立了混合整数规划模型，使列车的未使用容量最小站台和车站外的候车乘客总数最少。

综上，现有的非常态下枢纽客流协同管控方法研究多集中于有预见性的突发客流情况，且客流管控措施单一，尚无法满足枢纽的客流协同管控需求。

随着科学、教育等领域的不断发展，我国对高校教师也提出了更高的要求，结合当前河南省健美操教师的实际情况，学校应有计划有针对性地开展健美操教师的培训工作，提高健美操教师的整体水平。教师方面，青年教师应发挥自身优势、完善知识结构，提高自身专业水平，将最新、最有效的教学方法带入课堂中，老教师应发挥“传、帮、带”作用，适应当前教育改革的新要求下起到带头作用，为青年教师做好职业榜样，实现新老教师的有效对接。

2 常态下枢纽客流协同管控优化关键技术

2.1 复杂流线分析技术

枢纽的客流复杂流线分析技术是指对枢纽内的客流进行细致的分析和研究，以了解客流的流动规律和行为模式，并通过数据分析和建模等方法，提供有效的流线设计和管理方案。

客流数据通常是多维、动态和复杂的，如何从大量数据中提取有用的信息，并基于采集到的客流数据，形成客流的网络模型和流线图，建立客流模型来描述人员在枢纽内的流动情况，都是有待解决的问题。本文从复杂时空条件下枢纽客流集散流线状态表征分析和基于多要素演化基本图的动态演变关系分析2个方面来阐述复杂流线分析技术。

2.1.1 复杂时空条件下枢纽客流集散流线状态表征分析

基于时空网络图的概念，构建复杂时空条件下的枢纽网络结构图，用以分析复杂时空下枢纽客流集散流线的特征。综合考虑枢纽内部通道空间网络特征、枢纽内各衔接交通时间特征、枢纽设施配置方案等要素对客流流线的影响，采用深度优先搜索方法分析枢纽内流量较大的关键流线，对每条流线进行全链路追踪，深度挖掘流线的聚合起始点、途径的瓶颈设备及消散点，标记客流流线合流与分叉的关键设备点，重点计算关键设备通行能力与合流平台的平均集散时间。

2.1.2 基于多要素演化基本图的动态演变关系分析

针对枢纽客流流线交汇处交通拥挤问题，基于宏观基本图理论，研究交汇处交通相态的多要素影响因素识别及其客流量控制。提出多要素演化基本图理论，考虑流线冲突点、客流平均走行距离、衔接交通的客流到达分布、自由流流速等因素，构建多要素演化基本图（MEFD，Multi-Evolutionary Fundamental Diagram），并进一步研究客流相态划分方法，建立基于全连接神经网络的客流流线相态智能演化算法，分析流线间的动态聚集、汇合、演化和消散规律。

在MEFD构建过程中，考虑到枢纽内的客流流线网不同于城市交通道路网，其通道内复杂的客流流线交织，极易导致客流的无序性走行，由此，引入枢纽的流线干扰度指标，用来反映换乘枢纽内部客流的组织水平和乘客换乘的顺畅度，为枢纽集散能力提升和枢纽客流协同管控优化研究提供重要依据。

2.2 动静态信息实时匹配度量方法

针对枢纽内多模式交通的运行方案、调度特性（时长、梯度、路径自由度等）、承载性能（装载速度、辐射力度、投送边界等）和时效影响（蔓延指数、变异速度等）等多类运载属性，采用层次分析法，将各类运载属性转变为可统一度量的标准指标，并结合动态时间弯曲 （DTW，Dynamic Time Warping） 算法和波动权值，分析各类指标时序状态下的异步相关特性，进而构建乘客出行特征和运载特征间的映射关系图谱。基于策略梯度和Apriori分析手段，分析不同映射要素间的关联程度，形成动/静态信息的实时匹配度量方法。

3 非常态下枢纽客流协同管控优化关键技术

3.1 动态瓶颈点识别与预测方法

瓶颈是指在一个系统或过程中，限制了整体性能或流程效率的拥堵点，是导致整体系统无法更快运行或实现最佳效果的限制因素。

在客流分析中，瓶颈通常指客流量最大的区域或环节，可能是客流拥堵、流动受阻或服务质量下降的关键点。瓶颈可能是由多种因素引起的，包括但不限于容量限制、布局不合理、运行调度问题和人群行为等，识别和预测枢纽瓶颈是优化客流流线的关键步骤。

针对现有枢纽瓶颈识别方法难以描述枢纽复杂环境下的多瓶颈及瓶颈区域等问题，需要研究面向枢纽多类运营目标的单点瓶颈识别方法和系统级瓶颈识别方法，进而构建基于时空关联度分析的枢纽动态瓶颈实时预测模型，如图1所示。

图1 枢纽动态瓶颈识别方法

3.1.1 单点瓶颈识别方法

综合考虑枢纽多类型、多方式客流的出行轨迹、出行目标、分布特征等因素对瓶颈造成的影响，从设备设施和客流输送2方面对单个动态瓶颈识别方法进行研究，为识别枢纽内能力较小或失衡的设备设施，根据设备设施实际客流需求、通行能力和容纳能力构建设备设施动态能力瓶颈的识别指标，以乘客通过步行时间、等待人数和拥挤度构建动态客流瓶颈识别指标，最终构建动静态一体化单点动态客流瓶颈识别模型。

3.1.2 系统级瓶颈识别方法

基于枢纽异质客流的时空状态因果关系挖掘模型和拥堵态势时空传播有向图集，获取枢纽内的客流分配，将客流分配、单点动态瓶颈和枢纽空间结构作为系统级瓶颈识别特征数据集，设置深度自编码器的特征编码、网络权重和网络偏置等，进而构建结合生成对抗网络及深度强化学习的系统级瓶颈识别模型。

3.1.3 枢纽动态瓶颈实时预测模型

基于实时瓶颈发生、历史瓶颈发生、客流流线等数据，构建枢纽瓶颈拓扑结构图；利用GCN（Graph Convolutional Network）在处理空间信息上的优势，构建瓶颈的空间特征挖掘模型；采用GRU（Gated Recurrent Unit），基于瓶颈隐藏特征、客流时间演化特征，构建瓶颈的时间特征挖掘模型；进而将枢纽瓶颈节点、时间特征和空间特征构造为可学习的邻接矩阵，构建基于视觉注意力网络的枢纽动态瓶颈实时预测模型，最终输出瓶颈发生、消散、转移和扩散的预测结果。

3.2 应急协同调度与决策方法

针对非常态下枢纽的应急协同调度与决策通常采用被动响应模式的问题，建立包括异常事件感知、影响程度评估、决策方案推荐、决策过程预演、管控效果评估及实施过程监测等6个模块的应急协同调度与决策方法[8]，如图2所示。

图2 应急协同调度与决策方法流程

（1）将非常态下的枢纽多因素的历史异常事件数据和实时社会空间数据输入到数字孪生系统内[9]，进行样本扩增，实现快速精准的异常事件感知；

（2）结合客流生成与态势分析、多尺度高精度动力学模型、集散能力计算和动态瓶颈识别对事件的影响程度进行评估；

（3）通过交叉关联、对比分析和机器学习等方法进行跨空间信息关联，构建枢纽基础设施资源池和管理决策知识资源池，实现协同管控决策方案推荐；

（4）利用策略网络和估值网络进行快速的决策方案推演，结合推荐算法选择最优决策方案；

（5）针对多选管控方案进行管控效果评估，对多源交通方式从运行计划、调度特性和承载性能等方面进行评估，对客流组织从时效影响、路径可达和轨迹重叠等方面进行评估，对枢纽关联从关联衔接、通行评估和态势跟踪等方面进行评估；

（6）进行实施过程监测，将出租车、公交和列车调度等作为实施监测对象，实现对包括OD（Origin to Destination）动态分布和出行需求等方面的客流状态的监测。将监测获取的数据导入到异常事件感知模块，形成6个模块的主动式闭环。

4 结束语

针对当前枢纽客流协同管控研究存在的复杂流线分析和枢纽动态瓶颈点识别困难等问题，本文从常态和非常态下的枢纽客流协同管控方法2个方面展开研究，阐述了相关的研究成果，存在问题和关键技术，对我国高铁综合交通枢纽的运营、发展和规划具有参考意义。下一步，将更加注重多模态客流协同管控和客流预测与动态调度等方面的研究，研究如何在多模态间实现客流的协同管控，以及如何提升枢纽客流预测的准确性和精细度。