李臣，汪波，白云云，陳艷艷，黃建玲,

基于AFC數(shù)據(jù)的城市軌道交通突發(fā)事件客流影響分析

李臣1，汪波2, 3，白云云2, 3，陳艷艷1，黃建玲1, 2, 3

(1. 北京工業(yè)大學(xué) 北京市交通工程重點(diǎn)實(shí)驗(yàn)室，北京 100124；2. 北京市交通信息中心，北京 100161；3. 綜合交通運(yùn)行監(jiān)測(cè)與服務(wù)北京市重點(diǎn)實(shí)驗(yàn)室，北京 100161)

分析突發(fā)事件下城市軌道交通客流影響程度對(duì)客流預(yù)測(cè)與疏散具有重要的現(xiàn)實(shí)意義。在明確城市軌道交通突發(fā)事件研究范圍的基礎(chǔ)上，基于AFC數(shù)據(jù)，提出突發(fā)事件下軌道客流時(shí)空影響范圍的識(shí)別方法。從OD客流和進(jìn)站客流2個(gè)角度，構(gòu)建突發(fā)事件客流影響模型，定量分析突發(fā)事件對(duì)軌道交通客流的影響程度。結(jié)合北京市軌道交通AFC數(shù)據(jù)，確定出突發(fā)事件影響范圍，提取客流時(shí)空分布特征，定量分析軌道交通客流受影響程度，并對(duì)模型結(jié)果進(jìn)行分析及驗(yàn)證。

城市軌道交通；突發(fā)事件；客流影響分析；AFC數(shù)據(jù)

城市軌道交通以其速度快、運(yùn)量大、效率高、能耗低、集約化的特點(diǎn)，已成為公共交通的主要形式。軌道建設(shè)規(guī)模不斷增加，客流需求逐年增長(zhǎng)，超負(fù)荷運(yùn)營(yíng)與建設(shè)規(guī)模相對(duì)緩慢的矛盾日益突出，突發(fā)事件頻率和類(lèi)型越來(lái)越多。一旦發(fā)生突發(fā)事件，將影響線路各列車(chē)的正常運(yùn)行，如果不及時(shí)處理，將造成線網(wǎng)運(yùn)輸能力下降甚至發(fā)生癱瘓。國(guó)內(nèi)外對(duì)常態(tài)化軌道交通時(shí)空分布預(yù)測(cè)及可預(yù)知大客流預(yù)警研究相對(duì)較多[1?2]，研究對(duì)象主要是大型建筑、活動(dòng)場(chǎng)館和車(chē)站等人流高度密集區(qū)域[3?4]，注重因大型活動(dòng)、火災(zāi)等引起的大客流進(jìn)行人員疏散。突發(fā)事件下軌道交通客流的研究多集中于突發(fā)客流傳播、疏散和客流預(yù)測(cè)等[5?7]，關(guān)于突發(fā)事件對(duì)城市軌道交通的影響，較多研究從行車(chē)、票務(wù)和客運(yùn)組織等角度分析突發(fā)客流對(duì)軌道運(yùn)輸組織的影響，探究應(yīng)對(duì)大客流的運(yùn)輸組織措施[8?10]，對(duì)軌道交通突發(fā)事件客流影響研究相對(duì)較少。SUN等[11]利用貝葉斯方法對(duì)城市軌道交通突發(fā)事件進(jìn)行有效識(shí)別，并提出了考慮時(shí)空因素的城市軌道交通網(wǎng)絡(luò)中斷影響的評(píng)估模型。洪玲等[12]對(duì)比城市軌道網(wǎng)絡(luò)中站點(diǎn)或區(qū)間臨時(shí)性中斷前后的客流分配情況，計(jì)算了中斷影響區(qū)域各類(lèi)受影響客流以及擁堵客流量。李健等[13]以軌道線路運(yùn)營(yíng)中斷時(shí)的受影響乘客為研究對(duì)象，對(duì)運(yùn)營(yíng)中斷影響進(jìn)行了分析并結(jié)合實(shí)例提出了乘客影響規(guī)模的定量計(jì)算方法。本文借助大量AFC數(shù)據(jù)，在明確突發(fā)事件研究范圍的基礎(chǔ)上，提出突發(fā)事件客流影響范圍識(shí)別方法，從OD客流和進(jìn)站客流角度對(duì)客流受影響程度進(jìn)行定量研究，最后結(jié)合具體案例進(jìn)行分析。

1 研究范圍

城市軌道交通突發(fā)事件指在軌道運(yùn)營(yíng)范圍內(nèi)，因不可預(yù)見(jiàn)或不可控制的因素而突然發(fā)生，造成或者可能會(huì)造成乘客或運(yùn)營(yíng)企業(yè)員工人身?yè)p害、財(cái)產(chǎn)損失，或造成運(yùn)營(yíng)企業(yè)形象受損，并在短時(shí)間內(nèi)和不確定性極高的情況下必須做出應(yīng)對(duì)決策，采取有力的措施及時(shí)處置的危險(xiǎn)的緊急事件。

突發(fā)事件的成因和分類(lèi)眾多，不同學(xué)者根據(jù)研究需要對(duì)突發(fā)事件、突發(fā)大客流的范圍界定不同，孟學(xué)雷[14]將影響日常鐵路列車(chē)運(yùn)輸組織的突發(fā)事件分為自然災(zāi)害、鐵路事故、鐵路公共安全事件三類(lèi)；劉小霞[15]認(rèn)為城市軌道交通突發(fā)客流主要有節(jié)假日突發(fā)客流和大型活動(dòng)突發(fā)客流兩大類(lèi)；蘇嬌[16]認(rèn)為城市軌道交通突發(fā)事件包括自然災(zāi)害、生產(chǎn)事件(火災(zāi)、爆炸等)、社會(huì)公共事件(演唱會(huì)、節(jié)日等)、戰(zhàn)爭(zhēng)、恐怖襲擊等。本文研究范圍為高峰時(shí)段因設(shè)備設(shè)施故障、入侵軌道等影響行車(chē)組織，造成臨時(shí)的、不可預(yù)知的突發(fā)大客流事件，定量分析了城市軌道交通客流受影響程度，而對(duì)因重大節(jié)日或大型活動(dòng)而產(chǎn)生的大客流，可提前布置配套的應(yīng)急處置方案，屬于可預(yù)知大客流情形，不在本文所研究突發(fā)事件的范圍內(nèi)。

2 數(shù)據(jù)篩選

2.1 數(shù)據(jù)來(lái)源

城市軌道交通AFC數(shù)據(jù)儲(chǔ)存有效信息達(dá)20項(xiàng)，包括進(jìn)出站編號(hào)、所屬線路編號(hào)、刷卡時(shí)間等，對(duì)AFC數(shù)據(jù)進(jìn)行挖掘和分析，可以提取出OD量、進(jìn)出站量和斷面流量等數(shù)據(jù)。

2.2 數(shù)據(jù)選取

1) 選取突發(fā)事件發(fā)生日前后同期天正常日客流量數(shù)據(jù)，若所選取的事件為特殊時(shí)間(如國(guó)假、大型活動(dòng)日等)，則選擇該日所在周其他相似日的客流數(shù)據(jù)。

2) 一般研究軌道客流常用時(shí)間粒度為5 min，15 min和1 h等，而一旦發(fā)生突發(fā)事件需迅速及時(shí)處理，時(shí)間越快越好，5 min客流量相對(duì)較小，微小數(shù)據(jù)波動(dòng)會(huì)引起數(shù)據(jù)分析的誤差，因此選擇15 min粒度的數(shù)據(jù)進(jìn)行分析。

2.3 數(shù)據(jù)預(yù)處理

為保證突發(fā)事件識(shí)別的準(zhǔn)確性，需清洗正常歷史數(shù)據(jù)中偏差較大的異常數(shù)據(jù)。假設(shè)歷史一段日期內(nèi)(剔除法定節(jié)假日)同一工作日某一時(shí)段服從正態(tài)分布，采用單樣本-檢驗(yàn)方法和-圖進(jìn)行驗(yàn)證，如表1和圖1所示。

OD量和進(jìn)站量的單樣本-檢驗(yàn)的概率值分別為0.605和0.734，遠(yuǎn)大于顯著性水平(0.05)，-圖上的點(diǎn)近似地分布在一條直線附近，則同期OD量和進(jìn)站量服從正態(tài)分布的假設(shè)成立?？筛鶕?jù)3原則，除去正常歷史數(shù)據(jù)中的異常客流數(shù)據(jù)。

表1 單樣本Kolmogorov-Smirnov檢驗(yàn)結(jié)果

注：a. 檢驗(yàn)分布為正態(tài)分布；b. 根據(jù)數(shù)據(jù)計(jì)算得到。

(a) 進(jìn)站量的正態(tài)Q-Q圖；(b) 早高峰OD量的正態(tài)Q-Q圖

3 突發(fā)客流影響分析

分析城市軌道交通突發(fā)事件歷史客流數(shù)據(jù)，對(duì)比突發(fā)事件與正常情況下的客流特征，歸納異常數(shù)據(jù)規(guī)律，為突發(fā)事件下軌道交通客流預(yù)測(cè)奠定 基礎(chǔ)。

3.1 時(shí)空影響范圍識(shí)別

突發(fā)事件不僅影響事發(fā)車(chē)站或區(qū)段，還會(huì)波及其他車(chē)站或區(qū)段，研究全網(wǎng)車(chē)站客流的工作量繁瑣，則需構(gòu)建影響范圍識(shí)別方法，框定突發(fā)事件的影響范圍，分析乘客的客流特征。通過(guò)統(tǒng)計(jì)分析和數(shù)據(jù)挖掘的方法，識(shí)別突發(fā)事件下受影響的OD對(duì)和車(chē)站，方法簡(jiǎn)捷易行，且具有普適性。

考慮到較小的客流量對(duì)偏移率影響較大，則應(yīng)去除正常日客流均值較小的樣本數(shù)據(jù)，以提高突發(fā)事件影響分析精度。

式中：k為歷史同期15 min客流量參數(shù)，大小取決于歷史客流量。

與的確定直接關(guān)系到客流影響范圍的劃定，依據(jù)和的分布特性，分別將和按大小順序排列，確定曲線拐點(diǎn)，該拐點(diǎn)即為受影響客流偏移程度的臨界值和，如圖2所示。

分析影響范圍內(nèi)客流隨著時(shí)間變化情況，歸納事件發(fā)生時(shí)間內(nèi)客流變化規(guī)律，進(jìn)而得到突發(fā)事件客流影響時(shí)間范圍。

3.2 OD客流影響分析

通過(guò)突發(fā)事件客流數(shù)據(jù)挖掘，分析OD客流影響參數(shù)與OD客流變化率相關(guān)關(guān)系，觀察OD客流分布趨勢(shì)，可以構(gòu)建OD客流影響模型，如圖3 所示。

(a) 事發(fā)時(shí)段；(b) 持續(xù)影響時(shí)段

在事件發(fā)生時(shí)段，OD客流偏移率隨OD客流影響參數(shù)變化服從對(duì)數(shù)分布，而在事件持續(xù)影響時(shí)段，變化服從冪函數(shù)分布，因此構(gòu)建OD客流影響模型，如式(7)所示。

式中：，，，和為OD客流影響模型系數(shù)。

3.3 進(jìn)站客流影響分析

受突發(fā)事件影響的軌道車(chē)站的數(shù)量

平均進(jìn)站客流影響參數(shù)隨時(shí)間變化具有較穩(wěn)定的趨勢(shì)且規(guī)律明顯，因此可以構(gòu)建進(jìn)站客流影響模型，借助正常情況下的進(jìn)站量，推算突發(fā)事件發(fā)生時(shí)段及持續(xù)影響時(shí)間段內(nèi)受影響的進(jìn)站客流量。

式中：，，和為進(jìn)站客流影響模型系數(shù)。

4 實(shí)例分析

選取北京市軌道交通2017?07?17T7:35~8:11時(shí)段5號(hào)線發(fā)生信號(hào)設(shè)備故障進(jìn)行分析，故障時(shí)間為36 min，造成列車(chē)停運(yùn)25列，到晚43列，清人4列，影響范圍較大。

4.1 參數(shù)標(biāo)定

選取突發(fā)事件發(fā)生前后同期3 d客流數(shù)據(jù)作為正常數(shù)據(jù)，即=3。根據(jù)客流影響分析方法，通過(guò)數(shù)據(jù)統(tǒng)計(jì)，用Matlab軟件分析，得到該突發(fā)事件的數(shù)據(jù)處理參數(shù)和客流影響模型系數(shù)分別如表2和表3所示。

表2 數(shù)據(jù)處理參數(shù)

表3 客流影響模型系數(shù)

4.2 客流時(shí)空分布特征

對(duì)比該事件下全樣本進(jìn)站客流和數(shù)據(jù)清洗后的進(jìn)站客流數(shù)據(jù)，發(fā)現(xiàn)經(jīng)數(shù)據(jù)清洗后，突發(fā)事件時(shí)間段內(nèi)的數(shù)據(jù)相對(duì)于正常時(shí)段偏移更加突出，突發(fā)事件更易識(shí)別，驗(yàn)證了數(shù)據(jù)分析方法的可行性，如圖4所示。

統(tǒng)計(jì)從突發(fā)事件開(kāi)始時(shí)間(7:35)到11:00時(shí)段內(nèi)受影響OD對(duì)和車(chē)站個(gè)數(shù)，如表4所示?？土髁吭黾拥腛D對(duì)和車(chē)站個(gè)數(shù)先以減少趨勢(shì)為主，且個(gè)數(shù)減少較大，到8:30，數(shù)量減少趨勢(shì)變小，8:45開(kāi)始，客流量增加的OD對(duì)和車(chē)站個(gè)數(shù)增加，9:45之后，客流量增減變化趨勢(shì)較小，則可推算該突發(fā)事件持續(xù)影響時(shí)間段為8:11~9:45，事故后影響時(shí)長(zhǎng)約為1 小時(shí)30 min，則=[7:35, 9:45]，t=36 min，t= 130 min。

圖4 數(shù)據(jù)清洗前后異常進(jìn)站量偏移值分布

從7:30開(kāi)始，受影響較大的OD客流中，起始站點(diǎn)主要為5號(hào)線北部天通苑北、天通苑、天通苑南、立水橋、立水橋南、北苑路北站，終點(diǎn)站主要分布在10號(hào)線以?xún)?nèi)及北部區(qū)域，以5號(hào)線站點(diǎn) 居多。

4.3 影響分析結(jié)果

通過(guò)突發(fā)事件客流時(shí)空分布特征，可看出突發(fā)事件對(duì)事發(fā)線路的影響程度較大，因此本文僅對(duì)事發(fā)線路進(jìn)行OD客流和進(jìn)站客流影響分析。對(duì)于OD客流影響模型，誤差絕對(duì)值如表5所示，在事發(fā)時(shí)段，61.96%的OD對(duì)誤差在20%以下，在持續(xù)影響時(shí)段，51.07%的OD對(duì)預(yù)測(cè)誤差在20%以下。

表4 受影響OD對(duì)及車(chē)站數(shù)量分布

圖5 異常OD客流量時(shí)空分布

對(duì)進(jìn)站客流影響模型，效果如表6所示。在突發(fā)事件發(fā)生時(shí)間段，平均進(jìn)站客流影響參數(shù)小于1，隨著事件的結(jié)束，參數(shù)增加，隨后經(jīng)歷先增加后減少的過(guò)程，最后趨向于1，模型絕對(duì)誤差最大發(fā)生在8:00~8:15時(shí)段(8.18%)，處于突發(fā)事件結(jié)束時(shí)段，最小絕對(duì)誤差僅為0.57%，發(fā)生在8:15~8:30時(shí)段，模型效果較好。

表5 OD客流偏移率與模型結(jié)果對(duì)比

表6 平均進(jìn)站客流影響參數(shù)與模型結(jié)果對(duì)比

5 結(jié)論

1) 城市軌道交通突發(fā)事件的發(fā)生會(huì)給軌道交通運(yùn)營(yíng)組織與安全帶來(lái)極大的風(fēng)險(xiǎn)與隱患，分析并掌握突發(fā)事件下的軌道交通客流變化規(guī)律及交通影響程度有助于建立突發(fā)事件應(yīng)急處置體系，同時(shí)也為構(gòu)建突發(fā)事件客流預(yù)測(cè)模型及客流誘導(dǎo)提供支持。

2) 充分利用AFC客流數(shù)據(jù)，提供了突發(fā)事件軌道交通客流時(shí)空影響范圍的識(shí)別方法，從OD量和進(jìn)站客流2個(gè)方面定量分析了突發(fā)事件對(duì)軌道交通的影響。結(jié)合北京市軌道交通突發(fā)事件案例，驗(yàn)證了客流分析方法的可行性及客流影響分析方法的有效性，所提方法簡(jiǎn)捷易行且具有普遍適用性，可為后期城市軌道交通突發(fā)事件客流預(yù)測(cè)、分配及預(yù)警提供支持。

[1] Stefan Seer, Dietmar Bauer, Brandle N, et al. Estimating pedestrian movementcharacteristics for crowd control at public transport facilities[C]// Intelligent TransportationSystems, 11th International IEEE Conference, 2008: 742?747.

[2] 劉莎莎, 姚恩建, 李斌斌, 等. 基于行為分析的突發(fā)事件下城軌站間客流分布預(yù)測(cè)[J]. 鐵道學(xué)報(bào), 2018, 40(9): 22?29. LIU Shasha, YAO Enjian, LI Binbin, et al. Forecasting Passenger flow distribution between urban rail transit stations based on behavior analysis under emergent events[J]. Journal of the China Railway Society, 2018, 40(9): 22?29.

[3] George H, ZHANG X, LI X, et al. A probability-based monte carlo life-risk analysis model for fire emergencies [J]. Fire Safety Journal, 2017, 89: 51?62.

[4] Nikos Z, Nicolas M. Searching efficient plans for emergency rescue through simulation: the case of a metro fire[J]. Cognition, Technology & Work, 2004, 6(2): 117? 126.

[5] 王浩, 洪玲, 徐瑞華. 突發(fā)事件下地鐵車(chē)站人員疏散引導(dǎo)分析[J]. 城市軌道交通研究, 2012, 15(1): 70?74. WANG Hao, HONG Ling, XU Ruihua. Analysis of the emergency evacuation guide at metro station[J]. Urban Mass Transit, 2012, 15(1): 70?74.

[6] 朱煒. 軌道交通車(chē)站大客流事件的形成、傳播及對(duì)策[J]. 城市交通, 2013(3): 55?61. ZHU Wei. Mass passenger flows at rail transit stations: formation, impacts, and countermeasures[J]. Urban Transport of China, 2013(3): 55?61.

[7] 李曉峰. 基于數(shù)據(jù)挖掘的城市軌道交通車(chē)站突發(fā)客流預(yù)測(cè)研究[D]. 北京: 北京交通大學(xué), 2017. LI Xiaofeng. Research on forecast passenger flow bursted in urban rail station on data mining[D]. Beijing: Beijing Jiaotong University, 2017.

[8] 張雨潔, 李宗平. 大客流條件下地鐵旅客運(yùn)輸組織[J].交通運(yùn)輸工程與信息學(xué)報(bào), 2017, 15(2): 58?63, 70. ZHANG Yujie, LI Zongping. Subway passenger transport organization under the condition of large passenger flow[J]. Journal of Transportation Engineering and Information, 2017, 15(2): 58?63, 70.

[9] 張倫, 陳扶崑. 地鐵車(chē)站大客流運(yùn)營(yíng)組織探討[J].城市軌道交通研究, 2011, 14(5): 87?90. ZHANG Lun, CHEN Fukun. On large passenger flow operating organizations at metro station[J]. Urban Mass Transit, 2011, 14(5): 87?90.

[10] LI F, XU ZHU W. Generation of emergency scheme for urban rail transit by case-based reasoning[C]// Computers in Railways XII: Computer System Design and Operation in railways and Other Transit Systems, 2010:529-536.

[11] SUN Huijun, WU Jianjun, WU Lijuan, et al. Estimating the influence of common disruptions on urban rail transit networks[J]. Transportation Research Part A, 2016, 94, 62?75.

[12] 洪玲, 高佳, 徐瑞華. 城市軌道交通網(wǎng)絡(luò)突發(fā)事件影響客流量的計(jì)算[J]. 同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版), 2011, 39(10): 1485?1489. HONG Ling, GAO Jia, XU Ruihua. Calculation method of emergency passenger flow in urban rail network[J]. Journal of Tongji University (Natural Science), 2011, 39(10): 1485?1489.

[13] 李健, 梁平. 軌道交通運(yùn)營(yíng)中斷時(shí)乘客影響規(guī)模的定量分析方法[J]. 城市軌道交通研究, 2013, 16(8): 59?63. LI Jian, LIANG Ping. Quantitative analysis of affected passenger scale for rail transit operation cessation[J]. Urban Mass Transit, 2013, 16(8): 59?63.

[14] 孟學(xué)雷. 突發(fā)事件條件下列車(chē)運(yùn)行組織理論與方法研究[D]. 北京: 北京交通大學(xué), 2011. MENG Xuelei. Theories and methods on train operating in emergency[D]. Beijing: Beijing Jiaotong University, 2011.

[15] 劉小霞. 城市軌道交通網(wǎng)絡(luò)突發(fā)客流傳播影響分析[D].北京: 北京交通大學(xué), 2011. LIU Xiaoxia. Unexpected passenger flow propagation analysis in urban rail transit network[D]. Beijing: Beijing Jiaotong University, 2011.

[16] 蘇嬌. 我國(guó)城市軌道交通突發(fā)事件應(yīng)急管理研究[D].西安: 長(zhǎng)安大學(xué), 2015. SU Jiao. Study on emergency management of unexpected incidents for the Chinese urban rail transit[D]. Xi’an: Chang’an University, 2015.

Impact analysis of passenger flow under urban rail transit emergency conditions based on AFC data

LI Chen1, WANG Bo2, 3, BAI Yunyun2, 3, CHEN Yanyan1, HUANG Jianling1, 2, 3

(1. Beijing Key Laboratory of Traffic Engineering, Beijing University of Technology, Beijing 100124, China;2. Beijing Transportation Information Center, Beijing 100161, China;3. Beijing Key Laboratory for Comprehensive Traffic Operation Monitoring and Service, Beijing 100161, China)

It has great practical significance for passenger flow prediction and evacuation to analyze the influence degree of passenger flow in urban rail transit emergencies. This paper proposed a method to analyze the passenger flow impact of the urban rail transit emergencies. Firstly, it defined the research scope of the urban rail transit emergencies. Then, a method to identify the spatiotemporal influence range of passenger flow in an emergency was proposed based on automatic fare collection (AFC) data. From the perspective of origin-destination (OD) passenger flow and inbound passenger flow, an influence model of passenger flow was constructed, which can quantitatively analyze the influence degree on passenger flow of urban rail transit in an emergency. Finally, combining with AFC data of Beijing rail transit, this paper determined the influence range of passenger flow, and extracted the spatiotemporal distribution characteristics of passenger flow. The quantitatively analysis was made on the influence degree of passenger flow, and the model results were analyzed and verified effectively.

urban rail transit; emergency; impact analysis of passenger flow; AFC data

U231

A

1672 ? 7029(2019)10? 2620 ? 08

10.19713/j.cnki.43?1423/u.2019.10.031

2018?12?27

北京市自然科學(xué)基金重點(diǎn)資助項(xiàng)目(8171003)；福州市科技計(jì)劃資助項(xiàng)目(2018-G-93)

白云云(1990?)，女，山西晉城人，高級(jí)工程師，從事軌道交通運(yùn)營(yíng)管理研究；E?mail：jtw.beijing.gor.cn

(編輯 蔣學(xué)東)