大客流场景下地铁电扶梯故障的乘客疏散

李微微， 楼晓雷， 杨文杰， 胡明伟， ， 邓萱

1）深圳大学土木与交通工程学院，广东深圳 518060；2）中国电建集团华东勘测设计研究院有限公司，浙江杭州 311122；3）深圳大学滨海城市韧性基础设施教育部重点实验室，广东深圳 518060；4）深圳大学未来地下城市研究院，广东深圳 518060；5）深圳大学深圳市地铁地下车站绿色高效智能建造重点实验室，广东深圳 518060

地铁作为中国城市轨道交通的主要形式，具有车站客流量大、客流流线复杂及地下活动空间受限等特点.尤其在早晚高峰和节假日，短时间内常常有大量乘客涌入地铁站，造成各通行设施处（如电扶梯、安检及闸机等）客流密度增大.在此情形下，一旦有突发事件且客流未得到及时有效疏导，易发生踩踏和人员伤亡等事故，并伴随财产损失.电扶梯是影响车站客流运输效率的关键设备，按照中国《地铁设计规范》（GB 50157—2013）［1］规定，扶梯的上行通行能力为121 人/min，是楼梯疏散能力的2倍.在城市轨道交通乘客事故中，常见由乘客失误或扶梯本身故障导致扶梯停运报道.研究大客流叠加电扶梯设备通行能力限制背景下的安全疏散，对确保乘客安全和地铁车站高效安全运营具有重要作用.

目前针对地铁车站的客流疏散已有一定研究，如胡明伟等［2-3］采用微观仿真模型评估地铁站的客流组织和管理；张国奥等［4］研究疏散总时间与进站客流量的关系与作用机理；也有研究评估洪涝灾害和火灾烟气事故背景下的地铁站疏散［5-6］.此外，LI等［7］提出地铁站的疏散风险指数和最大安全疏散能力指标，研究不同应急响应时间对客流疏散的影响；ZOU等［8］探究关键参数对客流疏散时间延迟的影响，为地铁站设计和应急方面的改进提供参考；WAN 等［9］通过设计地铁站动态安检通道优化提高安检效率，缓解车站大厅拥挤；CHEN等［10］研究火灾发生情况下地铁车站拥挤人群的疏散过程，提出通过优化出口位置和增加出口宽度来缓解拥堵.

以上研究主要通过计算仿真模拟车站内部的疏散过程，鲜有在大客流背景下电扶梯突发故障时的客流疏散细分方向的研究.因此，本研究基于社会力模型，以中国深圳地铁1 号线车公庙站作为案例，使用AnyLogic软件构建大客流背景下地铁车站电扶梯设备发生故障时的客流疏散模型，并考虑在不同情景下的安全疏散情形，对比分析客流疏散结果，评估预设的客流分配方案，以期为地铁站运营管理方案应急处置措施制定提供参考.

1 大客流叠加电扶梯故障情景

1.1 大客流描述

大客流是指当列车到达时，地铁车站聚集大量乘客，而车站服务设施不能在短时间内将乘客疏散出去，导致车站内客流严重堆积.依据《地铁设计规范》（GB 50157—2013）［1］，0.4 m2是平均每位乘客占据的最小空间面积，如果低于该值，可能出现客流移动缓慢甚至拥挤.本研究将站内容纳量［11-12］作为大客流的辨识特征，如图1.其中，C为站台的有效面积区域容纳量；Cmax为站台最大容纳量.记占比系数α为站台人数与C之比，当α＞0.7 可判断为大客流发生.仿真模型依据客流密度值计算出站台的容纳量，设置触发大客流疏散的客流量.

图1 大客流发生的辨识示意Fig.1 Illustration of identifying mass passenger flow event.

1.2 电扶梯故障因素

导致电扶梯发生故障的因素包括：① 电扶梯的机械故障，如轴承故障，因为轴承故障特征演化慢，早期的轻微故障现象容易被检修人员忽略，而当部件发生较严重磨损又未及时更换时，就容易造成设备故障；② 日常运维不周，电扶梯运行期间需要定期进行检修维护，漏检少检可能导致故障；③ 乘客使用不当，由于部分乘客安全意识淡薄，乘坐电扶梯时可能会低头浏览手机等电子设备而不抓扶手，一旦发生安全事故就要停运扶梯，且易导致恐慌情绪蔓延.

1.3 大客流叠加电扶梯故障的疏散方式

大客流叠加电扶梯故障具有客流集中、疏散效率低以及电扶梯区域拥堵的疏散难点［13］.当电扶梯发生故障需要疏散大客流时，影响疏散安全和效率的因素包括：车站空间通行效率、设施服务能力及组织管理能力［14］，具体影响因素分类可扫描论文末页右下角二维码查看补充材料图S1.因此，车站运营方可采用的调控措施包括：① 限流，控制站内客流量，降低特定时间段内客流运输压力；② 加强引导，有序指引客流进行撤离，减轻站内承载压力；③ 改变流线，设置栏杆对流线进行控制.

2 大客流叠加电扶梯故障的客流疏散仿真

2.1 仿真概述

本研究基于AnyLogic软件中的社会力模型进行客流疏散仿真分析.社会力模型是由HELBING等［16］提出的考虑行人自身内在驱动力的模型，并扩展该模型用以模拟恐慌状态下的行人运动［17］.社会力模型考虑不同个体之间、以及个体与障碍物之间的相互作用关系，其加速度满足［18］

其中，等号左侧表示运动过程中行人i在t时刻所受到的合力；mi为行人i的质量；vi为i的速度；f0i为i的自身驱动力；fij为两个不同个体（i，j）之间的相互作用力（接触力和排斥力）；fiw为个体i与障碍物w之间的作用力（接触力和排斥力）；ζ为个体行为的干扰因素.

对模拟仿真过程进行以下假设：① 如不设置特定疏散策略，行人倾向于选择自认为距离最近的扶梯和疏散出口路径进行疏散［19］；② 选择电扶梯疏散的概率远大于楼梯［20］.

2.2 模型构建

考虑电扶梯故障下的大客流安全疏散模型构建流程如图2，模型构建步骤如下.

图2 大客流下电扶梯故障的客流仿真步骤Fig.2 Roadmap of escalator malfunction simulation under mass passenger flow.

步骤1环境模型构建.根据整理的基础数据，使用行人库模块描绘出仿真行人空间环境的障碍物、楼扶梯、排队、候车区域及闸机等要素，并设置各模块属性与参数，如各个扶梯的通过速度、进出站闸机的服务率及排队队列等.

步骤2客流疏散逻辑图构建.分别构建对应客流流线属性的进站及出站客流逻辑，站内行人通过观察及站内广播，会改变正常的行为和进出站流程，因此，模拟中需要动态修改模型中的相关参数，如疏散人数、走行速度及疏散路线的选择方式等.客流疏散路径是指智能体初始位置到其被分配的扶梯，然后按照条件引导到出口的路线.

步骤3运行仿真.在考虑大客流的背景下，模拟不同位置电扶梯发生故障时对客流安全疏散的影响.由于特定的疏散流程以及行人特性，构建模型时需要对不同方案的参数进行设置.先正常运行模型，模拟乘客的下上车过程，当站台区域达到大客流设定密度阈值触发疏散行为，并同时记录疏散时间.站内所有乘客均停止当前服务流程，按照提前设置的出口选择方式进行疏散，并同时限制进站乘客不再进入地铁车站等.

步骤4输出数据分析和评价.

2.3 客流疏散评价指标

2.3.1 疏散人数

在仿真模型中设置事件，并写入代码，每秒统计1 次站台区域的客流量，并将输出结果导出到Excel 表格，得到不同时刻下的疏散人数，具体参数设置可扫描论文末页右下角二维码查看补充材料图S2.

2.3.2 平均停留时间

平均停留时间是指疏散开始后客流在站台的停留时间.将站台区域触发疏散后的客流在站台的停留时间，按照每一个进入站台的行人进行1 次统计，并将结果导出到Excel 表格，平均停留时间参数设置可扫描论文末页右下角二维码查看补充材料图S3.

2.3.3 疏散速率

疏散速率指在地铁大客流背景下，电扶梯突发事故时，全体疏散人员从地下到地面的疏散速率，定义为单位时间的可疏散人数，单位：人/s.疏散速率体现了站内的疏散能力，疏散速率越大，客流疏散方案越优.

3 案例分析

3.1 模型数据

深圳地铁1 号线车公庙站是深圳市第1 个4 线换乘的综合车站，位于福田区车公庙片区的中心地带，为地下3层站.深南大道和香蜜湖路口西南地块考虑以物业综合体的形式开发，并在地下站厅层部分与地铁枢纽连通，站厅层示意如图3.其中，1/11 号线通过站厅换乘；7/9 号通过站台和地下2层换乘；1/11与7/9号线路通过换乘大厅换乘.1 号线站厅及站台计算机辅助设计（computer aided design， CAD）示意图如图4和图5，图中已对电扶梯标号.

图3 深圳地铁车公庙站厅层平面图Fig.3 Plane figure of Chegongmiao station hall of Shenzhen Metro.

图4 深圳地铁1号线车公庙站站厅CAD图Fig.4 CAD of Chegongmiao station hall of Shenzhen Metro Line 1.

图5 深圳地铁1号线车公庙站站台CAD图Fig.5 CAD of Chegongmiao station platform of Shenzhen Metro Line 1.

构造考虑安全疏散的深圳地铁1号线车公庙站客流模型逻辑图如图6.车公庙站正常运营时，4部电扶梯均为上行扶梯，楼梯主要负责下行至站台层的客流，实地观测表明极少有上行乘客放弃电扶梯选择步行离开站台层，因此，采用人工计数法统计电扶梯通过人数（站台输出）与楼梯通过人数（站台输入）.本研究团队于2023 年3 月某工作日开展站台乘客容纳量调查，通过统计站台层乘客到达数量估计站台内的乘客数量，并计算站内容纳量.当天观测结果表明，晚高峰期间（17∶30—18∶30）站台容纳乘客量较多，每班列车到达之间的乘客数量峰值达到1 063 人，未出现因列车客满导致乘客二次排队的情况.实地观测示意图可扫描论文末页右下角二维码查看补充材料图S4.

《地铁设计规范》指出0.4 m2是平均每位乘客占据的最小空间面积，换算为站台密度为2.5 人/m2，本研究设置站台的安全密度为2.0 人/m2.考虑到站台面积为906.8 m2，因此，站台容纳量为1 814人.大客流背景下取α= 70.0%，可得模型中触发疏导的大客流阈值为1 270 人.在实地观测中，列车到达间隔期间站台层人数峰值为1 063 人，α=58.60%，未达到大客流阈值.下车客流随着列车到达后产生，站台一侧有30 个车门，设定列车每个车门的乘客到达数量服从均匀分布U（5，10）.为使站台乘客量积累，触发开始疏散的乘客数量阈值，设定换乘客流到达速率为9 000 人/h，模拟分析不同分配方案对客流疏散的影响.模型中的具体参数设置如表1.

3.2 大客流疏散仿真分析

3.2.1 电扶梯分配策略的比较

以下分析客流分配策略对客流疏散的影响，仿真实验分为晚高峰和大客流两种场景，根据仿真场景中到达相应的占比系数触发疏散事件，触发客流疏散的占比系数分为取实际观测值（58.6%）和大客流发生定义值（70.0%）.触发疏散事件后，针对两种场景均进行两种客流分配策略研究，即就近分配策略与平均分配策略：电扶梯客流按就近分配策略通过二次开发计算站内乘客起点到4部电扶梯的距离，选出距离最小的电扶梯作为目标终点进行移动；平均分配策略则是将选择每部电扶梯的概率设置为0.25，4 种仿真情形的分类逻辑构建见图7.分别运行4种情形的模型，站台热力图如图8.

图7 仿真情形构建Fig.7 Simulation situation setting.

图8 （a）晚高峰场景、就近分配策略， （b）晚高峰场景、 平均分配策略， （c）大客流场景、 就近分配策略及（d）大客流场景、 平均分配策略下的热力图Fig.8 Heat map of (a) distribution to nearest floor of passenger flow situation in evening peak period, (b) average distribution of passenger flow situation in evening peak period, (c) distribution to nearest floor of passenger flow situation under mass passenger flow, (d) average distribution of passenger flow situation under mass passenger flow.

由图8可见，对比相同疏散策略下不同场景的疏散客流，由于晚高峰场景下触发疏散的占比系数低，乘客能够更早地开始疏散，因此，站台层拥堵程度相较大客流场景更低；对比相同场景下不同疏散策略的客流，平均分配策略下的客流分布更均匀，其中，电扶梯B与电扶梯C中间间隔的客流密度也随着客流根据指引去往不同电扶梯处而增加，但左侧电扶梯C的客流密度有明显减少，右侧电扶梯A1和A2的利用率有所提高.两种场景下两种疏散策略的仿真结果见表2.

表2 两种场景下两种疏散策略仿真结果对比Table 2 Comparison of simulation result in two kinds of situation in two evacuation strategies

由表2可见，对比相同疏散策略下不同场景的乘客疏散指标，就近分配策略下，大客流相较于晚高峰场景，平均停留时间增加16 s（21.05%），疏散速率提升0.3 人/s（7.23%）；在平均分配策略下，大客流相较于晚高峰场景，平均停留时间增加18 s（27.27%），疏散速率提高2.52 人/s（41.45%）.对比相同场景下不同疏散策略的乘客疏散指标，晚高峰场景下，平均分配相较于就近分配，乘客的平均停留时间降低10 s（13.16%），疏散速率提升了1.93 人/s（46.51%）；大客流场景下，平均分配相较于就近分配，乘客平均停留时间降低8 s（8.70%），疏散速率提升4.15 人/s（93.26%）.

基于以上数据分析认为，对比相同疏散策略下不同场景，由于大客流场景的客流量比晚高峰场景高，且站台滞留乘客数多，因此，就近分配策略下，大客流场景乘客平均停留时间增多，而疏散速率受限于电扶梯的运载能力变化不大；平均分配策略下，大客流场景乘客平均停留时间增多且增幅与就近分配策略的增幅相近，疏散速率仍有所提升，表明平均分配策略在大客流场景下的效果更为显著.对比相同场景下不同疏散策略，客流平均分配策略极大提高电扶梯利用率，使疏散速率得到显著提升，因此，选择各电扶梯客流平均分配方案较优.在后续考虑大客流场景下电扶梯故障的客流分配研究中，均采用平均分配的方法，将故障电扶梯处的客流分配到其他正常运行的电扶梯上.

3.2.2 考虑电扶梯故障的客流仿真分析

1 号线车公庙站连接站厅及站台的电扶梯共有4部，假设其中3部电扶梯中的1部发生故障，导致的客流重分配按照3 选2 的组合方式，分别得出3种疏散引导方案，每种方案分别运行5次，取平均值进行统计.其中，电扶梯A 处存在两部电扶梯，由于现实中同时发生故障的可能性较小，所以，在仿真平台上仅模拟电扶梯A1 处发生故障.每部电扶梯故障对应的疏散引导方案如图9.

图9 客流分配方案Fig. 9 Passenger flow assignment schemes.

如电扶梯C 发生故障进行客流重分配，3 种分配方案触发疏散下的热力图如图10.可见，c1 和c2方案都会导致电扶梯处B比A1/A2处拥挤；c3方案中，由于到A1/A2 电扶梯必经过电扶梯B，按照“在应急疏散时，行人通常会选择路线长度最短的路径”的假设，因此，电扶梯B处拥挤程度并没有缓解.电扶梯A1、B及C发生故障后的客流重分配分析结果如表3.由表3 及图10 可见，选择疏散速率作为评价指标时，① 当电扶梯A1发生故障，最优的客流分配方案是a3，即将客流分配给电扶梯B及C；②当电扶梯B 故障，最优的客流分配方案是b2，即将客流分配给A1 及电扶梯C；③ 当电扶梯C故障，最优的客流分配方案是c2，即将客流分配给A2及电扶梯B.

表3 客流分配方案结果对比Table 3 Results comparison of passenger flow assignment schemes

图10 电扶梯C发生故障后， 采用分配方案（a）c1、 （b）c2及（c）c3的客流重分配的热力图Fig.10 Heat maps of passenger flow redistribution under scheme (a) c1, (b) c2 and (c) c3 when escalator C failure.

将每部电扶梯故障的3种客流分配方案按照疏散速率评价指标分别绘制柱状图，能够直观对比疏散方案速率，可扫描论文末页右下角二维码查看补充材料图S5.

4 结 论

本研究基于社会力模型，以深圳地铁1号线车公庙站作为案例，仿真研究大客流场景下电扶梯设备出现故障时的客流疏散过程，完善现有地铁应急疏散场景研究.通过对比实地调查的高峰期数据及仿真结果，突出大客流场景的隐患及科学疏散措施的有效性，并对仿真数据结果进行量化分析，得到如下结论：

1）与实地调查的工作日晚高峰数据对比，认为站台层承载人数尚未到达大客流定义的阈值，实地试验具有局限性.因此，基于社会力模型，使用建模仿真方法研究大客流叠加电扶梯故障的地铁车站客流应急疏散，为解决极端情况的模拟演练问题提供解决方案.

2）当电扶梯发生故障时，按照疏散速率评价指标选择客流疏散策略，结果表明，通过科学设置重新分配疏散策略，能够合理减少客流密度，提高疏散效率.为地铁站有关应急预案的制定提供参考，落实应急预案“预防为主”的思想.

3）平均分配方案使客流平均分布于站台内各个电扶梯，虽然会增加部分乘客的走行距离，但总体疏散时间有所减少，提高了疏散效率.因此，合理引导乘客是地铁客流管控的重要手段.

本研究还存在一定不足，如未考虑楼梯承担客流能力对于疏散大客流的影响等.因此，后续研究将通过智能化手段得到详实的客流数据，更加精准地完成客流行为模拟.