考虑心理压力的地铁站台乘客疏散模型

分析了紧急情况造成的心理压力对地铁站台乘客疏散行为产生的影响, 建立了心理压力与滞留时间、局部密度、危险源距离的数量关系; 研究了心理压力下的疏散期望速度, 建立了修正期望速度模型, 并修正了社会力模型; 针对站台乘客疏散过程, 设计了多智能体感知和决策流程, 建立了基于多智能体技术的疏散仿真模型, 对乘客从接收疏散信号到疏散完成的全过程进行抽象化处理; 运用AnyLogic仿真软件搭建仿真场景, 并将建立的多个模型以接口方式导入仿真软件, 基于北京地铁2号线西直门站台, 研究了乘客的疏散行为。仿真结果表明: 心理压力对疏散时间、疏散速度、乘客密度与绕行距离产生了较大影响, 有心理压力时乘客疏散效率较无心理压力时增大了24.03%, 整体平均疏散时间减少了27.68%, 楼梯区域平均疏散时间减少了36.20%, 衔接区域平均疏散时间减少了22.05%;有心理压力的乘客在楼梯区域的平均疏散速度约为0.226m·s^-1, 无心理压力时约为0.351m·s^-1; 在衔接区域, 有心理压力的乘客最高聚集密度达8.0人·m^-2, 无心理压力时达到9.5人·m^-2, 楼梯区域乘客聚集密度最大值均约为3.5人·m^-2; 有心理压力的乘客平均绕行距离较无心理压力时增加了96.91%, 乘客运动更加混乱。     

城市轨道交通车站客流疏散方案

在突发状况下为了快速、安全的疏散轨道交通车站中的客流,将车站抽象成网络图,确定网络图中节点与边的设施,以及各设施的实际疏散能力,基于最短路径优先饱和疏散的思想,设计有效疏散路径算法,并且通过不断调整更新来确定每条路径的实际疏散人数,从而得到最优疏散路径方案。最后以南京市珠江路地铁站为例验证该方案的有效性。     

城市轨道交通车站客流吸引范围重叠区域划分模型

现有城市轨道交通车站客流吸引范围划分方法大多未考虑相邻车站间的重叠区域,导致车站客流预测值偏大。为了提高车站客流预测的准确性,考虑中间站、首末站、换乘站,针对不同相邻车站类型提出客流分配量计算公式。基于此构建轨道交通车站客流吸引范围重叠区域划分模型,并采用日本东京都城市轨道交通车站的相关数据标定模型参数。最后,以上海市轨道交通11号线安亭站及相邻的兆丰路站和汽车城站为例进行模型验证,结果显示精确度为78.6%。指出产生误差的原因可能在于上海市与东京都的差异以及交通小区数量过少。     

城市轨道交通车站内客流组织

简要地阐述了影响轨道交通换乘的两个主要问题,并就其中换乘站内客流的组织问题做了详细研究。在分析换乘站内客流特征的基础上,考虑乘客客流的构成和分布及影响协调组织客流的因素,提出优化站内客流组织的措施。     

地铁车站AFC终端设备合理设置对客流的引导作用分析

地铁车站是客流集散的场所,客流引导工作是车站的重点工作之一。车站上的AFC终端设备的主要作用是能出售单程票、为储值卡充值和检验车票的有效性,并能处理日常票务工作。通过确定跟客流相匹配的设备数量,合理布局设备,提高设备的稳定性和乘客的使用效率等手段,合理设置AFC终端设备,对客流有正确的引导,缩短乘客在车站的时间,一方面有利于车站组织客流,另外一方面可以提高乘客的出行效率。     

城市轨道交通出站客流与疏散运能匹配研究

通过分析城市轨道交通出站客流的时空分布特性和到达规律,建立疏散运能匹配度模型来判定出站客流疏散的时效性。首先,构建出站客流到达换乘点的客流量计算公式,结合疏散运能计算公式,建立疏散运能匹配度模型。然后,从常规公交调度调整、线路和站点调整以及其他途径三个方面对运能调整进行建议。最后,以哈尔滨市轨道交通1号线为例,在交通量调查和问卷调查的基础上,对典型枢纽的出站客流与疏散运能匹配情况进行分析,得到沿线枢纽存在疏散运能不匹配的结论,需要进行运能调整以完成客流的及时疏散。通过对城市轨道交通出站客流与疏散运能匹配的研究,为充分发挥客流转换潜能,主动引导出行方式的结构优化,为缓解城市内部的交通拥堵提供理论支撑。     

西安地铁二号线客流预测后评估

统计西安地铁2~#线客流预测数据和现状客流数据,进行客流预测后评估。在充分地考虑了轨道交通客流预测不确定因素的前提下,对比分析了日均客运量、高峰小时客运量、高峰小时单向最大断面客流量、客运周转量、平均乘距、车站进出站客流、时间分布特征。解析目前城市轨道交通客流预测中的不足,分析了影响客流预测精确度的因素,探讨今后改进城市轨道交通客流预测的思路。     

地铁车站设计中的客流参数研究

在地铁车站设计中,客流是众多车站部位规模和能力核算的重要参数。本文从地铁运营管理和功能疏散的角度,深化研究,提出超高峰客流量、最高聚集人数、紧急疏散人数三个参数指标．为地铁车站设计提供重要科学依据。     

������վ�ڳ˿���ɢʱ����㷽���о�

在分析实测数据的基础上,针对地铁车站内乘客疏散时间计算问题建立了考虑人群密度、空间环境变化的数学模型。文中分别对乘客下车过程、站台、通道和楼梯的行走过程、使用自动扶梯过程以及通过出口过程进行分析研究,以乘客疏散过程为依据建立基于统计学与排队理论的综合计算模型,给出了适合计算地铁车站内容乘客出站所需疏散时间的方法。本文以西直门地铁站乘客疏散为案例验证了所建立计算模型的有效性及实用性,模型计算结果与观测数据的总体误差约为2.25%,其中仅楼梯阶段与出口的通行时间计算误差超过10%。案例研究结果还表明地铁车站疏散能力存在上限,在进行地铁车站设计与列车运行计划制定的过程中应充分考虑这一限制因素。     

考虑客流空间分布的地铁列车节能时刻表优化方法

客流变化引起的列车质量变化是影响地铁列车能耗与节能运行的重要因素之一. 本文考虑地铁线路客流空间分布差异,研究耗散型再生制动能利用方式下的列车节能时刻表优化方法. 结合各区间载荷差异和列车运动方程,建立以净能耗最小为目标的时刻表优化模型,通过适度优化计划停站时间、区间运行时间和折返时间协同多列车牵引、巡航、惰行和制动过程的时空分布,设计二分法和粒子群算法对模型求解. 以北京地铁某线路进行实例研究,结果表明,优化模型能有效协同多列车的节能运行,考虑客流空间分布差异比假定列车载荷为常数能进一步提升节能效果.     

地铁车站站台火灾影响分析与人员疏散研究

掌握地铁车站站台火灾对人员的危害性及其发展规律是确保安全运营和人员高效疏散的前提.本文在计算流体动力学的基础上,结合Pyrosim仿真软件构建地铁车站站台火灾仿真模型.分析了站台内火灾烟气的扩散规律,并在此基础上根据热释放速率、火源数量及位置,以及排烟速率的不同设计火灾场景,探索这些因素变化对火灾发展的影响,并结合通风策略对人员疏散时间和速度进行比较分析.所得研究结论为站台火灾发生时的应急措施和人员疏散提供依据.     

基于Wi-Fi探针的地铁客流预测研究

在城市轨道交通日常运营中,随着车站客流量的逐年增长,为了避免人群拥挤导致的安全问题,地铁车站客流量的准确预测存在重要的现实意义.通过对Wi-Fi探针的采集原理、源数据处理进行分析,对Wi-Fi探针间的关系进行关联分析,构建BP神经网络客流的预测模型,最后以算例验证Wi-Fi探针技术采集数据及客流预测模型的有效性和可行性,并以某地铁站采集到的数据为例进行验证.实验结果表明,Wi-Fi探针技术采集到的数据可以满足客流预测的需求,基于Wi-Fi探针的地铁客流预测模型有效.     

地铁安检客流智能引导及组织优化方法研究

为避免因地铁车站进站客流的空间不均衡性所导致的乘客安检排队时间过长、车站拥堵,甚至踩踏事故,本文设计了地铁安检智能引导分流系统并基于此提出客流组织优化方法。首先,在传统地铁安检模式的基础上设置智能引导分流系统,根据乘客行李类型将安检台划分为大包、小包/无包安检通道,实时采集安检区域的客流分布特征;其次,在排队等候理论的基础上综合考虑乘客转移时间和转移意愿,计算最优安检排队决策;最后,通过引导设备指引乘客选择最优安检通道。选取上海地铁1号线上海火车站地铁站晚高峰时期的客流数据作为案例,进行计算仿真分析,并通过实地实验进行校准验证。结果表明：运用本文方法后,地铁车站各安检通道的客流排队压力显著降低,计算仿真结果与实际安检情况误差为3.2%,且优化后大包乘客的平均安检排队效率提升38%,小包/无包乘客的平均安检排队效率提升16%。研究成果为提高乘客安检排队进站效率,有效避免地铁车站拥堵提供理论依据与方法支持。     

基于认知差异的交通流动力学建模及仿真

车路通讯技术的发展为驾驶员提供当前和预测的交通状态信息创造了条件.本文考虑驾驶员的预测性及驾驶员群体对交通信息认知的异质性,建立了新的宏观交通流动力学模型.基于线性稳定性理论,获得了新模型的稳定性条件;通过仿真算例,分析了模型参数对交通流稳定性的影响.结果表明,驾驶员的预测时间、记忆时间、最优记忆流量差权重系数、驾驶员类型比例和记忆时间差异对交通流稳定性存在显著影响;而增大预测时间步长、记忆时间步长、权重系数和认知强度系数都可以有效增强交通流的稳定性;但交通信息认知差异增大却会破坏交通流稳定性.     

成都地铁火车北站站内超大客流流线优化研究

通过研究超大客流,针对实际情况给出超大客流新定义,整合各项超大客流优化设计原则,提出超大客流优化方案,并以糖酒会期间火车北站作为研究对象进行实例优化。对保证地铁安全高效运营、提高人民生活水平,方便市民出行有着积极的意义。`     

长沙地铁万家丽广场站厅仿真及客流优化研究

城市轨道交通作为居民主要出行方式,为建设更舒适的出行环境,提高乘客在站厅的进出效率,减少乘客拥堵现象.本文以长沙地铁万家丽为原型,研究已经开通运营的换乘车站,在建筑面积固定的情况下,如何根据既有设备布局高效组织激增的进出站和换乘客流.基于万家丽近期和远期客流数据,同时重现排布验票闸机、楼梯的进出方向和位置,利用仿真软件...     

考虑多时间尺度特征的城市轨道交通短时客流量预测模型

针对目前城市轨道交通短时客流量预测模型在构建特征时容易忽略客流变化周期依赖性的不足,提出一种考虑多时间尺度特征的混合深度学习模型(GRU-Transformer),该模型由添加注意力机制的 GRU(Gate Recurrent Unit)神经网络(Attention- GRU)和改进的 Transformer(ConvTransformer)两模块并行构成。首先,对周周期、日周期及相邻时段这3种时间尺度下的客流数据分别进行建模,并合并各周期数据作为模型输入。其次,搭建Attention-GRU和Conv-Transformer模块分别挖掘数据连续性与周期性特征,融合特征后输出预测值。最后,采集上海市地铁2号线两站点AFC(Automatic Fare Collection)客流数据,预测5 min时间粒度下的进出站客流量。为分析各模型参数对预测结果的影响,开展模型精细化调参实验,基于所得最优参数组合验证和评估模型 。 结果表明 ,相较于5个基线模型(BPNN(Back Propagation Neural Network)、CNN(Convolutional Neural Network)、GRU、CNN-GRU 及 Transformer)和4个GRU-Transformer消融模型,本文提出的GRU-Transformer模型预测精度最高,具有较好的实用性。