周继彪;赵鹏飞;董升;张水潮
【摘 要】为科学评估地铁车站内行人的拥挤状态,针对车站内部客流分布特征,采用改进的蚁聚类算法,提出了行人拥挤状态等级划分方法.以西安地铁自动售检票系统的历史客票数据为研究对象,利用其17个车站内的拥挤强度、拥挤持续时间以及拥挤影响范围等进行行人拥挤分级,分别得到进站、出站以及进出站三种状态下的聚类分级结果.结果 表明:全日地铁客流呈现出明显的M形分布,早高峰集中于8:00-9:00,晚高峰集中于18:00-19:00;三种状态下行人密度累积频率分布曲线符合对数函数,表明客流量随着客流密度的增加而降低.计算结果与实际客流的变化规律一致,说明基于改进蚁聚类算法对车站内的行人拥挤等级进行划分是可行的,能够反映地铁车站内部行人的拥挤程度.
【期刊名称】《城市交通》
【年(卷),期】2019(017)004
【总页数】9页(P105-113)
【关键词】交通工程;拥挤分级;蚁聚类算法;客流特征;地铁车站广州地铁3号线时间
【作 者】周继彪;赵鹏飞;董升;张水潮
【作者单位】宁波工程学院建筑与交通工程学院,宁波浙江315211;同济大学交通运输工程学院,上海201804;北京工业大学建筑工程学院,北京100124;宁波工程学院建筑与交通工程学院,宁波浙江315211;宁波工程学院建筑与交通工程学院,宁波浙江315211
【正文语种】中 文
【中图分类】U491
0 引言
随着中国城市轨道交通客流量迅猛增长,加之客流时空的高度积聚性,设施运量、运力以及服务水平的短板亟待弥补。同时,客运总量、日均客运量、平均客运强度持续攀升以及最小发车时间间隔相对缩短等对网络化运营条件下地铁车站运营的安全管理提出了更高要求。2018年中国城市轨道交通年客运总量超过210.7 亿人次,较2017年增长25.9亿人次,增长14
%。全国城市轨道交通高峰小时最小发车间隔平均为265 s。进入120 s 及以内的线路共有10 条,其中以上海地铁9号线115 s最短,广州地铁3号线118 s次之[1]。高峰时段乘客乘车困难问题频发,类似的情况也发生在欧洲的巴黎、伦敦和其他大城市[2]。公共交通的服务质量尤其是拥挤问题已成为全球共同面临的、亟须解决的问题。
作为典型的城市轨道交通系统之一,地铁在满足城市居民出行需求中发挥着重要作用,其服务水平直接受到客流拥挤程度的影响。目前地铁车站客流拥挤程度以客流拥挤强度为依据。客流拥挤强度分级方法主要分为意向(Stated Preference, SP)调查法、立席密度法、服务水平法、云模型法四类。基于SP 调查法,文献[3]以爱尔兰都柏林市市民为研究对象,量化分析不同影响因素对市民通勤压力的影响,发现通勤压力与被试者的通勤特征高度相关,减少公共汽车和火车内的拥挤程度比在可靠性方面的改善更有益处;文献[4]研究了印度孟买火车的行驶时间对其拥挤程度水平的影响,发现列车行驶的当量感知距离随拥挤程度增加而增加;文献[5]对乘客站立和就座两类情景进行测试,结果表明乘车负效用与乘客是否有座位密切相关,与乘客站立密度关系不大;文献[6]建议评估拥挤程度时应将短距离和长距离旅客分开考虑。基于立席密度法,文献[4]提出的拥挤程度水平指单位面积上站立行人的密度大小;文献[7]认为虽然个体之间的主观意见不一致,但是拥挤效应会产生负效用;文献[8]量化了乘
客对拥挤程度的感受,其立席密度由车厢内载客数量除以立席所占面积(扣除座席后的面积)得到。国内外在立席密度法的划分标准制定方面存在差异,国外将立席密度分为两类:1)舒适度标准,其立席密度为3 人·m-2;2)拥挤度标准,其立席密度为6 人·m-2。中国存在三种立席密度标准:1)《地铁设计规范》(GB 50157—2013)[9]规定车辆立席按6 人·m-2、超员按9 人·m-2考虑;2)《地铁车辆通用技术条件》(GB/T 7928—2003)[10]规定车辆立席按6 人·m-2、超员按8 人·m-2考虑;3)《城市轨道交通工程项目建设标准》(建标104—2008)[11]规定车辆立席按5人·m-2、超员按8人·m-2考虑。此外,基于服务水平法,文献[12]对香港轻轨站台的拥挤度进行评估,并结合已有的服务水平等级划分标准[13],将站台的服务水平划分为五类,与之对应的拥挤度也被划分为五级(1~5级);文献[14]对北京市轨道交通车站内通道的服务水平进行调查,提出适合北京市轨道交通通道服务水平的划分标准。基于云模型法,文献[15]定义了拥挤度,并根据拥挤度给出枢纽内行人拥挤状态的定性描述,结合云模型,给出了拥挤度判别的具体实现过程;文献[16]针对地铁换乘枢纽拥挤状态划分中的模糊性和随机性,提出一种基于云模型的地铁换乘枢纽行人拥挤度辨识方法。
综上,已有研究在城市轨道交通客流拥挤强度量化方法上取得了大量成果,其研究对象主要是基础设施,如地铁车站、综合客运枢纽站等。当前的研究成果分别基于不同的研究方法提
出了各自的指数分类标准和划分依据,由于受数据采集能力和数据精度的限制,已有研究中大多采用单一的K-means聚类分析、综合加权等多种方法对不同定义的交通指数进行分级。随着地铁车站自动售检票系统(Automatic Fare Collection System,AFC)等设备的普及以及网络传输效率的提升,对移动设备回传的大数据进行深度挖掘也将成为一种趋势,基于AFC数据的客流拥挤分级将得到良好的实践应用。鉴于此,本文提出一种基于蚁聚类(Ant Colony Optimization,ACO)的优化算法,其思想是将客流拥挤状态的等级划分问题转化为拥挤度的聚类问题来解决,基于城市轨道交通客流拥挤特征大数据样本值进行聚类分析,从而避免具体分级标准的限制和主观因素的影响。
1 地铁车站客流分布特征分析
客流特征对地铁车站总体规模、内部设施规模和布局设计、轨道交通制式选取、车辆调度等起着决定性的作用。由于进站客流、出站客流以及进出站客流在行人服务设施占用、客流来源以及活动目的上具有差异,本文以陕西省西安市2013年3 月19 日全日客流数据为基础数据,对乘客进站、出站和进出站的客流时空特征进行分析。
1)进站客流。
进站客流一般要经过购票、安检等服务过程通往站台候车,进站客流量随时间的分布如图1a 所示。从全日客运总量的分布分析,其变化呈现明显的M形分布。早高峰集中于7:00—8:00,17 个车站的平均高峰小时系数达9.9%,龙首原站高峰小时系数最高,达 17.2%;晚高峰集中于18:00—19:00,车站的平均高峰小时系数达11.1%,南稍门站高峰小时系数最高,达14.8%。
2)出站客流。
出站客流一般通过站台、楼梯等服务设施直接出站,相比进站客流程序较为简单,出站客流随时间的变化规律如图1b 所示。与进站客流类似,全日出站客流依然呈现出明显的M 形客流分布。早高峰集中于8:00—9:00,车站平均高峰小时系数 达12.2%,永宁门站高峰小时系数最高,达19.8%;晚高峰集中于 18:00—19:00,车站平均高峰小时系数达11.4%,龙首原站高峰小时系数最高,达17.1%。
3)进出站客流。
由于进出站客流同时占用枢纽内部行人设施,且在通道、站台等设施容易出现交织或冲突现
象,极易出现拥挤。因此,进出站客流量是分析车站总体运行情况的重要指标。进出站客流随时间的分布规律如图1c所示,可以看出,进出站客流量在一日中仍为M 形客流分布。早高峰集中于 8:00—9:00,车站平均高峰小时系数达11.1%,永宁门站高峰小时系数最高,达14.5%;晚高峰集中于17:00—18:00,车站平均高峰小时系数达11.3%,南稍门站高峰小时系数最高,达12.8%。
2 客流拥挤指数分级建模
2.1 拥挤指数分级方法
城市轨道交通客流拥挤指数旨在表征地铁车站内部客流运行状态。以地铁车站内部客流时空分布特征为依据,综合考虑客流拥挤强度、客流拥挤持续时间以及客流拥挤影响范围3 个方面对行人拥挤状态进行等级划分。
图1 客流分布特征Fig.1 Characteristics of passenger flow distribution
1)客流拥挤强度。
客流拥挤强度(以下简称“拥挤强度”)以客流在单位时间内的平均密度来表征:
式中:为第 i 条线路上 j 车站对应 α 状态的实时拥挤强度/(人·h-1·m-2),α 可取1,2和3,分别为进站状态、出站状态和进出站全状态;为第i 条线路上 j 车站对应α状态下的实时客流量/(人·h-1);为第 i 条线路上 j 车站对应α 状态所占用枢纽的有效折算总面积/m2;为第i 条线路上 j 车站对应α 状态时,第l 类行人可利用交通设施的有效折算系数,其中行人可利用的交通设施共有 L 种;为第i 条线路上 j 车站对应α 状态时,第l 类行人可利用交通设施的建筑面积/m2。
2)客流拥挤持续时间。
客流拥挤持续时间(以下简称“拥挤持续时间”)是影响乘客拥挤感受的重要因素之一。通过统计不同行人密度的累积频率分布情况,将其进行函数拟合,得到行人密度的累积频率分布曲线,再将其求导并取倒数后得到在不同行人密度处的变化速率,以此来表征客流的拥挤持续时间。根据AFC数据统计,行人密度累计分布曲线为对数函数
发布评论