胡明偉，李微微，陳湘生

1) 深圳大學(xué)土木與交通工程學(xué)院，廣東深圳 518060；2)深圳大學(xué)濱海城市韌性基礎(chǔ)設(shè)施教育部重點實驗室，廣東深圳 518060；3)深圳大學(xué)未來地下城市研究院，廣東深圳 518060

隨著新型冠狀病毒肺炎(corona virus disease 2019，COVID-19)后疫情時代的復(fù)工復(fù)產(chǎn)，地鐵的客流量也逐步增加，境外輸入病例時有出現(xiàn)，且存在一定數(shù)量的無癥狀患者[1]，因此，如何在保證居民正常出行需求下，盡可能降低感染風(fēng)險成為地鐵運營亟待解決的問題之一．同時，采取主動措施調(diào)控車站客流，對確保乘客安全以及提升運輸效率具有重要作用．

目前，中國已有研究利用微觀仿真建模方法分析地鐵站內(nèi)的客流問題．胡明偉等[2-3]采用微觀仿真模型評估地鐵站的客流組織和管理．JI等[4-5]通過觀測分析地鐵車站內(nèi)客流，提出一種改進的社會力模型和元胞自動機模型．TRIVEDI等[6]基于智能體建模方法分析并計算地鐵站乘客從候車區(qū)到上車的總時間．相比微觀仿真模型，系統(tǒng)動力學(xué)方法能對系統(tǒng)進行全局分析，具有建模速度快、對不同方案的比選工作量更小的優(yōu)勢．陳春安等[7-9]利用系統(tǒng)動力學(xué)模型對地鐵車站客流進行推演仿真分析，結(jié)果表明該模型方法能夠預(yù)測分析客流．

已有研究表明[10-12]，目前地鐵的相關(guān)調(diào)控策略多是基于乘客安全、通行效率以及地鐵的承載能力制定，突發(fā)事件下策略選擇需考慮的影響指標(biāo)有待改進．如新冠病毒疫情影響下，根據(jù)《中國-世界衛(wèi)生組織新型冠狀病毒肺炎(COVID-19)聯(lián)合考察報告》中的相關(guān)研究[13]，新冠肺炎的潛伏期一般為1～14 d，平均潛伏期為5～6 d，有可能存在無癥狀感染者乘坐地鐵，因此，疫情防控期間地鐵運營方在制定調(diào)控策略時還需考慮措施對乘客感染概率的影響．新型冠狀病毒通過飛沫和空氣傳播時受到諸多因素的影響，如傳播環(huán)境、病原體數(shù)量與種類、及飛沫在不同室內(nèi)環(huán)境的蒸發(fā)和散布特性等，由于其中部分影響因素的參數(shù)無法精確計算，且有些影響因素的研究起步較晚，因此，較難從機理上準確預(yù)測呼吸道傳染病的感染概率．目前，呼吸道傳染病的預(yù)測模型多基于統(tǒng)計學(xué)預(yù)測疾病的感染風(fēng)險和傳播概率，如SI、SIS、SIR、SIRS及SEIR模型等[14-15]．張毅等[16]通過研究傳染病學(xué)統(tǒng)計預(yù)測模型，提出交通出行易感度概念，并分別計算了不同交通工具的易感度．

本研究考慮新冠病毒的傳播特點，運用系統(tǒng)動力學(xué)理論，建立一種地鐵站客流組織模型，并利用該模型分析疫情影響下采用不同客流調(diào)控方案對地鐵站出行易感度的影響，以期為地鐵站運營管理方采取科學(xué)防疫措施和評價提供參考．

1 理論概述

1.1 研究框架

運用系統(tǒng)動力學(xué)模型進行客流調(diào)控仿真和評價的研究框架如圖1．研究利用系統(tǒng)動力學(xué)，客流組織分析以及考慮疫情的調(diào)控措施等手段搭建地鐵站客流組織系統(tǒng)動力學(xué)模型，依據(jù)基礎(chǔ)數(shù)據(jù)仿真多種調(diào)控措施，利用仿真結(jié)果分析其對地鐵站客流動態(tài)變化及易感度評價參數(shù)的影響．

圖1 研究框架Fig.1 Research framework

1.2 考慮疫情的客流調(diào)控措施

考慮COVID-19疫情對軌道交通的影響，為了降低站內(nèi)傳染風(fēng)險，保證乘客及工作人員的安全，以及站內(nèi)的服務(wù)水平和質(zhì)量，需采取合理的客流調(diào)控措施．制定疫情下調(diào)控措施可以從降低站內(nèi)人員密度，增加人員間距以及減少站內(nèi)駐留時間等方面考慮；而傳統(tǒng)的調(diào)控措施主要考慮通行效率，以及當(dāng)站內(nèi)承載能力超過最大負荷時，避免由于擁堵而引發(fā)安全隱患，兩者可能會存在矛盾，因此，調(diào)控措施需綜合考慮制定．

地鐵站客流組織可大致分為進站、出站及換乘過程，具體流程如圖2．本研究仿真選擇4種常用調(diào)控措施：限制進站客流量、控制服務(wù)設(shè)施數(shù)量、延長站廳走行流線以及增加地鐵發(fā)車頻次．

圖2 地鐵站客流組織Fig.2 Passenger flow organization of metro station

限制進站客流量包括設(shè)定站外導(dǎo)流欄桿與限制入站客流量等．疫情期間，北京地鐵曾采用預(yù)約進站策略，即限制高峰時段進站人數(shù)的預(yù)約名額，乘客可以通過手機預(yù)約進站時段，預(yù)約成功后，由站內(nèi)專門的預(yù)約通道快速進站乘車，從而減少無效的站外排隊時間，降低站外人員聚集風(fēng)險，同時也降低了地鐵客流密度，控制地鐵車廂的滿載率．

控制服務(wù)設(shè)施數(shù)量包括調(diào)整服務(wù)設(shè)施(如閘機、 安檢設(shè)備及樓扶梯等)的布局、數(shù)量和服務(wù)速率．

延長站廳走行流線包括設(shè)置導(dǎo)流欄桿調(diào)整站內(nèi)客流線等．疫情期間，通過在排隊地面粘貼1 m排隊間隔線等方式控制人員間距．

增加地鐵發(fā)車頻次包括限制客流上車人數(shù)，增加地鐵列車頻次等．限制上車人數(shù)是為了降低列車載客率，增加地鐵列車可以有效減少站臺滯留乘客，減少對乘客出行效率的影響．

1.3 考慮疫情的調(diào)控措施評價參數(shù)

依據(jù)文獻[10-12]，在保障運營管理高效和乘客出行安全的前提下，制定客流調(diào)控方案需考慮平均等待時間、平均停留時間、站廳承載客流、站臺承載客流及上車人數(shù)等參數(shù)．但考慮到疫情對地鐵運營的影響，在制定合理運營措施時，還應(yīng)分析不同措施對傳染控制的影響．

WELLS[17]提出quanta概念，從個人角度確定空氣傳染病的感染概率，1個quanta即1個人達到致病量的最少病原體數(shù)量，具有統(tǒng)計意義概念．若假設(shè)飛沫核均勻散布于整個空間，可計得一個人在空氣中呼吸所得的quanta值，通過計算有效接觸率，從而計算感染概率．

由于Wells理論沒有考慮平均感染概率的差異，當(dāng)quanta值很高時，計算出的感染概率可能超過1，因此，RILEY等[18]提出基于Wells假設(shè)的Wells-Riley模型，為

(1)

其中，P為感染概率；I為感染人數(shù)；p為呼吸通風(fēng)量(單位：m3/h)；q為一個感染者的quanta產(chǎn)生率(單位：quanta/h)；t為暴露時間(單位：h)；Q為房間通風(fēng)量(單位：m3/h)．

FENNELLY等[19]考慮口罩等的作用后，提出改進的Wells-Riley模型，為

(2)

其中，θ為口罩的滲透系數(shù)， 0≤θ≤1．

張毅等[16]依據(jù)傳染病學(xué)提出交通出行易感度概念，即乘客通過乘坐交通載運工具接觸到陌生個體中的感染者且被傳染的概率，并利用改進Wells-Riley模型對不同交通工具的易感度進行定量計算，綜合考慮風(fēng)險程度的決定因素及進行參數(shù)化后，得到交通出行易感度Pi為

(3)

其中，Nai為第i種交通運輸工具的實際載客人數(shù)；Nbi為第i種交通運輸工具的標(biāo)準額定載客人數(shù)；Vi為第i種交通運輸工具的體積(單位：m3)；ni為第i種交通運輸工具每小時的通風(fēng)次數(shù)(單位：次/h)；αi為交通運輸工具消毒措施帶來的保護系數(shù)， 0≤αi≤1． 本研究借鑒該交通出行易感度概念分析不同調(diào)控措施下站臺層和站廳層各區(qū)域的客流易感度變化．

2 模型構(gòu)建

本研究利用AnyLogic仿真平臺構(gòu)建系統(tǒng)動力學(xué)(system dynamic, SD)模型．其中，系統(tǒng)動力學(xué)模塊建模構(gòu)成要素包括存量、流量、輔助變量及常量．通過分析地鐵客流組織系統(tǒng)的因果關(guān)系，利用構(gòu)成要素建立系統(tǒng)的存量和流量圖來反映系統(tǒng)中的輔助變量和狀態(tài)變量關(guān)系，并通過量化存量和流量圖的各因素關(guān)系完成客流組織仿真模擬．

2.1 基本SD模型

地鐵站客流SD模型的仿真區(qū)域分為站廳非付費區(qū)、站廳付費區(qū)及站臺層．通過分析影響車站上述3個區(qū)域客流量的相關(guān)變量，構(gòu)建地鐵車站各處的因果關(guān)系圖，結(jié)果請掃描論文末頁右下角二維碼見圖S1．

地鐵內(nèi)部客流按照乘坐目的可以分為進站客流、出站客流及換乘客流，換乘方式包括同站臺換乘、站廳換乘、通道換乘及出站換乘等，不同換乘方式對各個區(qū)域客流的影響程度不同．依據(jù)因果關(guān)系及地鐵客流組織分析，并對影響因素與換乘客流進行合理簡化后，建立客流系統(tǒng)動力學(xué)模型，請掃描論文末頁右下角二維碼見圖S2．模型各變量參數(shù)定義請掃描論文末頁右下角二維碼見表S1．

依據(jù)車站內(nèi)客流動態(tài)變化的邏輯關(guān)系與數(shù)學(xué)關(guān)系，建立系統(tǒng)動力學(xué)方程．

1)各存量的計算方式為累計流入量減去累計流出量，為

(4)

其中，Qi為地鐵站內(nèi)i處t時刻總流量；qiin(t)為i處t時刻的流入流率；qiout(t)為i處t時刻的流出流率．

2)各服務(wù)設(shè)施，如購票、安檢或閘機處客流流出速率為

qi(t)=min (Ci×ni，F(xiàn)i(t-1) )×vi/Li

(i=2,3,4,5,6,9,11,13)

(5)

其中，qi(t)為i處t時刻的流出速率；ni為i處服務(wù)設(shè)備數(shù)量；Ci為該服務(wù)設(shè)備單個服務(wù)能力；vi為i通道內(nèi)客流平均速度；Li為i通道長度．

3)輔助存量的客流流出速率為

Fi(t)=min(Ci×ni，F(xiàn)i(t-1))

(i=1,2)

(6)

其中，F(xiàn)i(t)為i處t時刻的流出速率．

此外，q1數(shù)值上等于乘客的到達率．?dāng)?shù)值的單位按照人/s設(shè)置．

2.2 考慮疫情的調(diào)控模型

疫情發(fā)生后，全國多個地鐵公司均采取相應(yīng)措施以應(yīng)對地鐵高峰及疫情防控，如深圳地鐵于2020-03-05發(fā)布采用“一站一方案”模式的倡議，對出入口、站廳及站臺3級進行客流管控措施；北京地鐵于2020-03-06起試行推出 “預(yù)約進站”，即通過預(yù)約進站減少站外排隊時間，降低地鐵客流密度，從而控制地鐵車廂的滿載率，保障乘客出行安全，并于2020-03-31對4條地鐵線路使用超常列車運行(即增加車輛投放)圖來提高運力．評價不同調(diào)控措施效果往往需要進行實地評估或仿真計算，考慮到實地調(diào)查具有一定局限性和難度，本研究通過調(diào)整系統(tǒng)動力學(xué)模型的參數(shù)，仿真限制進站客流量、控制服務(wù)設(shè)施數(shù)量、延長站廳走行流線以及增加地鐵發(fā)車頻次4種客流調(diào)控措施，得到實時站點區(qū)域的人流數(shù)據(jù)，并計算感染概率，以期驗證使用模型分析地鐵站客流控制策略對易感度影響的可行性．在系統(tǒng)動力學(xué)模型中增加進站閘機數(shù)、出站閘機數(shù)、延長距離及修改上下車觸發(fā)等參數(shù)，仿真模擬4種調(diào)控措施．建立模型如圖3．

2.3 考慮疫情的感染概率模型

2.3.1 易感度計算模型

考慮到地鐵站廳和站臺公共區(qū)域的室內(nèi)通風(fēng)來源復(fù)雜，站廳出入口和站臺層屏蔽門開關(guān)帶來的隧道風(fēng)均會影響公共區(qū)域的新風(fēng)量．公共區(qū)域的人員流動與交通工具固定的額定載客人數(shù)定義亦不同．因此，改進交通出行易感度計算公式為

(7)

其中，Pi為健康者被感染的概率；Fai為第i區(qū)域的實際客流人數(shù)；Fbi為第i區(qū)域承載的最大客流人數(shù)；Ii為感染者人數(shù)；p為單一乘客的呼吸量(單位：m3/h)；Qi為第i區(qū)域單一乘客的通風(fēng)量(單位：m3/h)；ti為第i區(qū)域的暴露接觸時間(單位：h)；αi為第i區(qū)域消毒措施帶來的保護系數(shù)， 0≤αi≤1；θi為第i區(qū)域乘客佩戴口罩的滲透系數(shù), 0≤θi≤1．

圖3 仿真調(diào)控措施的系統(tǒng)流圖Fig.3 System flow diagram of modeling control measures

2.3.2 參數(shù)設(shè)置

1)人均通風(fēng)量Qi． 《地鐵設(shè)計規(guī)范》GB 50157—2013[20]規(guī)定，閉式運行時的地鐵站內(nèi)新鮮空氣量不應(yīng)少于12.6 m3/(h·人)，且系統(tǒng)新風(fēng)量不應(yīng)少于總送風(fēng)量的10%．文獻[21-22]指出對于車站公共區(qū)域的空調(diào)最小新風(fēng)量標(biāo)準一般取以下3者中的最大值：高峰期人員所需新風(fēng)量(12.6 m3/(h·人))、系統(tǒng)總送風(fēng)量的10%、以及屏蔽門漏風(fēng)量和滲透風(fēng)量之和．因此，本研究參考選擇Qi=12.6 m3/(h·人)．

2)quanta產(chǎn)生率q． 由于不同病因、不同感染者所產(chǎn)生的quanta值均不同，目前暫無COVID-19疫情的quanta準確取值．張毅等[16]綜合肺結(jié)核、麻疹、甲型H1N1流感及重癥急性呼吸綜合癥(severe acute respiratory syndrome, SARS)的quanta產(chǎn)生率，估算COVID-19的q為100～122 quanta/h，考慮到公共區(qū)域人員流動性較大，本研究取q=122 quanta/h．

3)承載的最大客流人數(shù)Fbi． 常用的承載最大客流人數(shù)定義為能穩(wěn)定運行的車站所能承載的最大乘客數(shù)．而站臺承載能力可由設(shè)計有效面積(有效長度和寬度)和旅客最大安全密度決定[23]．文獻[24]指出在實際運營過程中，通常采取經(jīng)驗估計，即當(dāng)站內(nèi)關(guān)鍵節(jié)點行人密度達到6人/m2時，需要采取相應(yīng)措施．由于本研究主要計算滿足區(qū)域最大乘客的新風(fēng)量，所以Fbi按照站廳和站臺層有效面積及人流密度0.5 m2/人計算．

4)防控措施的定量化參數(shù)． 防控措施主要體現(xiàn)在乘客是否佩戴好口罩以及站內(nèi)的消毒效果，口罩滲透系數(shù)θi參考文獻[16]取統(tǒng)計值0.2%．消毒指標(biāo)保護系數(shù)αi取0.7．

3 案例分析

3.1 SD模型數(shù)據(jù)輸入

因地鐵站各區(qū)域客流組織狀態(tài)特性不一，不同站廳的建筑與客流存在較大差別，本研究選擇深圳地鐵12號線在建的南山站為例，應(yīng)用模型仿真分析無換乘客流影響情況下的客流調(diào)控．模型的乘客參數(shù)(如客流量及走行速率)、設(shè)備參數(shù)(如安檢服務(wù)能力、 閘機服務(wù)能力及樓扶梯通行能力)取值參考初步設(shè)計圖紙說明文件、其他站點相關(guān)文獻及《地鐵設(shè)計規(guī)范》GB 50157—2013[20]．

南山站12號線站廳層被桂廟路下穿隧道分割成左右兩個端廳，站臺為側(cè)式車站，因此，車站模型分別取站廳西側(cè)端廳和站臺層的右線站臺公共區(qū)數(shù)據(jù)進行仿真．依據(jù)實地調(diào)研，行人的步行速度為1.3～1.5 m/s．模型具體參數(shù)及其取值如表1.

表1 系統(tǒng)動力學(xué)模型參數(shù)設(shè)置

3.2 易感度模型數(shù)據(jù)輸入

模型的具體各參數(shù)設(shè)置如表2．代入式(7)得

(8)

暴露接觸時間按照乘客在車站對應(yīng)區(qū)域的停留時間估算，文獻[21-22]指出，乘客從進入車站到乘車全過程大致需要3～5 min，從下車到出站的時間約為3 min，因此，模型以乘客在站廳(上車和下車)及站臺各停留2 min計算．

表2 易感度參數(shù)設(shè)置

3.3 客流調(diào)控仿真分析

3.3.1 基礎(chǔ)方案

未施加防疫客流控制方案時，運行模型后可得3個區(qū)域承載人數(shù)隨時間變化關(guān)系，如圖4．承載人數(shù)曲線變化原因分析如下．

圖4 基礎(chǔ)方案的承載人數(shù)Fig.4 The number of passengers under basic scheme

1)站廳．由于各服務(wù)節(jié)點(如安檢機)的服務(wù)效率有限，隨著乘客(進站及出站乘客)到達區(qū)域的變化量大于設(shè)施的服務(wù)能力時，站廳非付費及付費區(qū)域會呈現(xiàn)擁擠排隊，滯留乘客數(shù)隨之增加，到達區(qū)域承載上限后，進站乘客會受到相應(yīng)限制．

2)站臺層．該區(qū)域的承載客流隨車輛到達乘客上下車的交替呈現(xiàn)周期性增加和消散過程．

在3 600 s的統(tǒng)計區(qū)間內(nèi)，每2 min輸出1次區(qū)間承載人數(shù)數(shù)據(jù)，并將人數(shù)取整可得：站廳非付費區(qū)的平均承載人數(shù)為763人，最大承載人數(shù)為 1 197 人；付費區(qū)的最大承載人數(shù)為83人，平均承載人數(shù)為26人；站臺層的最大承載人數(shù)為98人，平均區(qū)域承載人數(shù)為22人．代入式(8)可得站廳非付費區(qū)易感度平均值為0.284 662 2%，付費區(qū)易感度平均值為0.012 709 0%，站臺易感度平均值為0.005 437 5%．

3.3.2 限制進站客流量

將進站客流限制比例作為關(guān)鍵變量，在模型中設(shè)置參數(shù)限流率進行仿真．在當(dāng)前設(shè)置下，考慮乘客限流比例過大對乘客出行的影響．考慮到防控疫情要求，人與人之間距離至少為1 m，則應(yīng)滿足客流密度≤1人/m2．經(jīng)試驗，設(shè)置限流比例為0.5時，高峰時間內(nèi)區(qū)域最大承載人數(shù)約為600人，基本滿足要求，所以選擇限流率為0.5，仿真得到3個區(qū)域的承載人數(shù)如圖5．

圖5 限制進站客流量的承載人數(shù)Fig.5 The number of passengers under flow control

將圖5與基礎(chǔ)方案對比可見，對進站乘車客流限制的主要影響區(qū)域為站廳非付費區(qū)域，當(dāng)設(shè)置進站客流限流比為0.5時，站廳非付費區(qū)的承載人數(shù)下降至516人．經(jīng)計算，非付費區(qū)的易感度降至0.192 543 4%，付費區(qū)易感度降至0.012 418 8%．

3.3.3 控制服務(wù)設(shè)施數(shù)量

考慮到疫情防控需要減少接觸人數(shù)以降低感染概率，研究調(diào)整閘機數(shù)量(即減少進站閘機數(shù)和增加出站閘機數(shù))對承載人數(shù)的影響．結(jié)果如圖6．

圖6 控制閘機數(shù)量的承載人數(shù)Fig.6 The number of passengers under controlling auto fare collection (AFC)

將圖6與基礎(chǔ)方案對比可見，當(dāng)進站閘機數(shù)減少至5個，出站閘機數(shù)增至6個時，站廳付費區(qū)的最大承載人數(shù)減少為68人．計算得到站廳付費區(qū)易感度降至0.010 714 0%．

3.3.4 延長站廳走行流線

疫情期間可以通過設(shè)置鐵欄或地面分隔標(biāo)記來增加繞行距離．但非付費區(qū)域繞行距離的增加，會降低進站乘客速率及流量．繞行距離過長，會擠占站廳區(qū)域其他設(shè)施空間，影響乘客安全和行動效率．研究分析延長非付費區(qū)安檢至進站閘機走行距離，結(jié)果如圖7． 可見，當(dāng)通道延長10 m時，非付費區(qū)的承載人數(shù)增加．計算得到站廳非付費區(qū)易感度增加至0.352 943 0%，付費區(qū)易感度下降至0.011 490 5%，站臺易感度減少至0.004 609 8%．結(jié)果表明，延長繞行距離可以有效減少上車人數(shù)，但同時也存在站廳易感度上升的風(fēng)險，需要考慮排隊乘客間距影響．

圖7 延長走行流線的承載人數(shù)Fig.7 The number of passengers under extending the streamline length

3.3.5 增加地鐵發(fā)車頻次

增加地鐵發(fā)車頻次是為了控制站臺區(qū)域的等候流量和減少車內(nèi)載客率，模型在保持總下車人數(shù)不變的情況下，將發(fā)車間隔周期從110 s變?yōu)?00 s進行仿真，結(jié)果如圖8．由圖8可見，當(dāng)保持總下車乘客數(shù)基本不變時，增加發(fā)車頻次主要影響的是站臺乘客出站以及付費區(qū)乘客排隊人數(shù)，這是由于縮短發(fā)車間隔后，下車乘客尚未及時出站．計算得到站廳付費區(qū)易感度下降至0.009 413 5%，站臺易感度下降至0.005 432 2%．因此，在下車總?cè)藬?shù)基本不變的情況下，采用增加發(fā)車頻次措施時還需綜合考慮其他因素．

圖8 增加地鐵發(fā)車頻次的承載人數(shù)Fig.8 The number of passengers under increasing train frequency

根據(jù)以上研究結(jié)果，將4種控制方案在地鐵站3個區(qū)域的防疫控制結(jié)果進行匯總，如表3及圖9．結(jié)果表明，防控措施對不同區(qū)域感染概率的影響各有針對性．限制進站客流量對于降低非付費區(qū)易感度較為有效，增加地鐵發(fā)車頻次對降低付費區(qū)易感度較為有效，對于降低站臺層易感度較為有效的是延長站廳走行流線．但采用不同策略時還需要考慮對地鐵站其他區(qū)域的影響，如延長走行流線時需控制排隊乘客間距，增加地鐵發(fā)車頻次需要綜合考慮下車客流的影響．

表3 不同方案運行結(jié)果的比較

圖9 4種措施下的易感度優(yōu)化對比圖Fig.9 Comparison chart of susceptibility optimization under four measures

4 結(jié) 論

考慮新冠疫情對地鐵站客流調(diào)控的影響，建立地鐵客流防疫調(diào)控的系統(tǒng)動力學(xué)模型，① 利用該模型輸出結(jié)果分析4種不同調(diào)控措施對站內(nèi)承載人數(shù)控制的效果．結(jié)果表明，基于“流”的系統(tǒng)動力學(xué)建模在分析客流組織策略問題方面可行有效；② 仿真結(jié)果表明，限制進站客流量對降低非付費區(qū)易感度較為有效，增加地鐵發(fā)車頻次對降低付費區(qū)易感度較為有效，延長站廳走行流線對站臺層易感度降低較為有效．當(dāng)采用不同的策略時也需要綜合考慮其對其他區(qū)域的影響，必要時需額外增加輔助手段，如延長走行流線時需控制排隊乘客間距．下一步研究可利用實時客流及相關(guān)換乘數(shù)據(jù)對模型的實用性和精度進行優(yōu)化.