摘要：如何根据客流的动态分布状况来为过饱和车站提供实时进站客流控制方案，已成为中国城市轨道交通路网安全高效运营管理迫切需要解决的问题。文章在收集国内外相关研究文献的基础上，从轨道交通网络客流OD动态估计、轨道交通车站客流控制等方面对国内外研究现状进行了综述和分析，并针对后续可进一步工作研究的内容进行了展望。

关键词：轨道交通车站；过饱和；客流；协调控制

Abstract: How to provide real-time inbound passenger flow control solutions for over-saturated stations based on the dynamic distribution of passenger flows has become an urgent issue for the safe and efficient operation and management of urban rail transit networks in China. Based on the collection of related research literature at home and abroad, this paper reviews and analyzes the research status from OD dynamic estimation of passenger flow in rail transit network and passenger flow control in rail transit station. Some further study in the future are put forward.

Key words: Urban rail station; Oversaturation; Passenger flow; Coordinated control

1　引言

城市轨道交通客流快速、安全输送是城市轨道交通运营组织工作的重中之重。随着城市轨道交通建设的快速发展和成网运营，轨道交通路网客运量持续攀升。目前，上海工作日高峰时段，部分断面客流饱和度达130%，人民广场、世纪大道等大型换乘站，客流密度超过每平方米2.5人，上海轨道交通日均最高客流量已经突破1200万人次。北京地铁调价后，曾一度地铁日均客流减少80万，但很多线路的高峰小时满载率 依旧超过100%，个别线路满载率竟然达到138%，北京全市线路单日客流总量现已超过1300万人次，单日客流反超调价前。如此庞大的客流量以及在路网上复杂的时空分布为中国城市轨道交通客流组织和车站客流控制带来了巨大的挑战，如何根据客流的动态分布状况来为过饱和车站提供实时进站客流控制方案，已成为中国城市轨道交通路网安全高效运营管理迫切需要解决的问题。

轨道交通车站是其客流的起点和终点，短时间内巨大的客流量进出对车站的承载能力是一种巨大的考验。一些车站早晚高峰时段站外、站厅、通道、站台到处都是挤得密密麻麻的人群，高密度的客流对行人安全带来了巨大的安全隐患，同时也容易由于人多拥挤引起设备故障，如2011年北京地铁5号线因人多车门被挤出现故障，导致多处站台列车晚点、车站被封，严重影响整个线路乃至路网的运行效率。车站客流的有序、适量进入是轨道交通车站、线路、路网正常运营的必要条件。

图1 5号线天通苑北站站外早高峰排队客流

图2 10号线国贸站早高峰站台客流

图3 13号线西二旗站通道及站台早高峰客流

图4 1号线建国门站早高峰上车客流

各个车站不同的客流需求导致运力不均衡，有的车站人满为患，进站等候时间长，长途跋涉到达站台仍需等待几辆列车通过后才能挤上拥挤的列车；而同一线路上有的车站则相对冷清，乘客能顺畅进站，列车上相对宽松很多。如北京地铁5号线天通苑北站、天通苑站早高峰需要排队15-20分钟才能进站安检，而仅三站之隔的5号线立水桥站却相对容易得多。客流的分布不均衡导致同一线路上的运力资源分配不均衡，使高峰期内本就捉襟见肘的运力资源没有得到充分的利用。

客流需求与运输能力不协调不匹配，早晚高峰客流需求的短期剧增促使运输需求与供给间结构性不均衡矛盾突出，客流拥挤严重，乘客安全风险加大，以限流为手段的客流需求管理措施成为当前有效措施之一。然而，当前运营管理过程中关于限流措施的制定尚缺乏科学的理论依据和计算方法，更多地依靠经验，管控措施粗放，效率低下。因此，亟需建立一套系统的科学理论与方法，以准确估计客流的动态分布，实时了解轨道交通车站的客流状态，为建立高效的车站尤其是过饱和车站客流控制策略提供科学依据和理论基础。

2　国内外研究现状及发展动态分析

目前，国内外对城市轨道交通客流控制的研究主要集中在两个方面，即轨道交通网络客流OD动态估计和车站客流控制。

2.1　轨道交通网络客流OD动态估计

客流OD动态估计是轨道交通系统实施动态运营管理与控制的基础，它为动态运营管理和控制提供重要的基础输入。在交通网络客流OD估计领域，国际上最早由nguyen等人首次提出了基于最大熵模型的客流需求OD估计模型，并采用Bregman方法进行求解^[1~2]；Wong等人随后针对其分配矩阵的稀疏化特性，提出了改进的优化算法^[3]；Lam则提出了基于服务频率的公共交通网络OD估计模型及其算法^[4]；我国学者对于轨道或公共交通网络的OD估计工作大部分也以最大熵优化模型为基础，采用启发式或Markov过程进行Bayes估计等方法进行求解，如徐瑢采用Markov过程针对不确定信息下的公共交通网络OD分布进行估计^[5]，本项目申请者提出了基于偏最小二乘支持向量回归模型的轨道交通客流预测方法^[6]。

OD矩阵估计研究经历了由静态OD矩阵估计到动态OD矩阵估计的两个阶段，静态OD矩阵估计一般假设估计时段内交通状况均匀，无需考虑诸如拥塞的产生和消散、交通流的分散特征、路网传播性等交通流特征。然而，随着交通拥挤问题的日益严重，研究交通需求与运输供给间动态平衡关系，挖掘交通流拥挤的产生、消散、传播等特征成为关注的热点，为此，考虑交通流动态传播特性的动态OD矩阵估计理论和方法得以建立和发展。

从20世纪80年代中期开始，Cascetta^[7~9]、 Bell^[10~11]、Cremer^[12~14]等著名学者较早地将静态OD估计方法拓展到动态OD估计领域，系统性地构建了一批具有重要价值的估计模型。Cremer较早提出了四种动态OD矩阵估计模型，包括最小二乘模型、约束优化模型、迭代估计模型和卡尔曼滤波模型，主要针对道路交叉口、城市快速路、高速公路以及城市道路网络展。可以看出，前期相关研究多针对城市道路交通网络展开，对于轨道交通网络的客流需求动态估计问题的研究相对缺乏。

在公路交通网络则以卡尔曼滤波器模型为主，其估计及预测依赖于从仿真器（动态模型）以及实际局部实际数据共同获取观测输入。麻省理工学院的Ashok及Ben-Akiva等人将卡尔曼滤波器模型应用到对交通网络的时变的出行OD分布估计预测上^[15~17]，Bielaire等进一步发展了基于最小二乘的简化算法^[18]。Mahmassani及Zhou等则应用卡尔曼滤波器与DynaSMART结合进行交通网络状态的估计^[19~22]。卡尔曼滤波器本质上在线性空间的最小均方误差估计器，然而由动态模型得到的观测量则是非线性的，因此Tavana及Antoniou及等进一步将非线性卡尔曼滤波器应用到对实时的OD分布进行估计^[23~25]。值得注意的是，当预测动态系统结构发生结构性变化时，Chinniah及Denis等人通过设计层次的状态结构空间以及高阶预测因子来动态跟踪突变，并取得了良好的应用效果^[26~27]。而轨道交通网络的动态OD实时估计研究成果相对很少，仅姚向明^[28]在标准卡尔曼滤波算法基础上增加了增益放大系数并进行归一化处理，建立轨道交通在线O-D矩阵估算模型，该处理过程是为满足残差修正过程中无法满足模型的约束条件而添加，忽略了轨道交通客流分布数据的特殊性，同时存在精度不高方面的不足，使用于较长时间粒度下的估计。

2.2 轨道交通车站客流控制

轨道交通客流控制问题引起国内较多学者的关注和兴趣，同时也引起运营管理者的极大关注。然而，针对客流控制措施的制定尚缺乏科学的理论依据和计算方法，实际中指导控流措施的标准和规范较少，地方标准《城市轨道交通运营安全管理规范》^[29]中指出当本站达到或超过客流警戒线（承载能力的70%时），适时采取限流、封站等措施，确保客运组织安全。客流警戒线（Warning Line of Passenger FlowVolume）是指为车站客运组织工作需采取安全措施而设定的客流量临界值。该标准是目前唯一较为明确的限流措施执行参考标准，但缺乏较好的实践指导意义。

刘莲花等^[30]对缓解轨道交通车站-线路-网络运输能力不匹配采取的客流控制措施及计算方法进行了简要介绍，指出客流控制应从车站级、线路级、网络级三层控制模式予以实施，但对于控制措施的制定及方法尚不完善。该研究是国内首次提出车站客流控制应从车站协调层面予以进行，前期相关研究多从车站客流承载能力角度进行单个车站的客流控制研究。李建琳^[31]以上海市轨道交通6号线和8号线为背景，对早高峰时段需求与运力的矛盾进行分析，对限流措施提出改进建议，并分析了不同控流措施的运营效果。该研究中客流控制措施的制定主要依靠经验确定，缺乏一定的科学性。谢讳^[32]对轨道交通换乘站进行了分类，以结点换乘站作为研究对象，分析了其空间布局结构以及在该结构下的高峰期客流控制规则，为确定客流控制开始时间及客流控制方案搜索的结束条件，进一步确定了客流控制触发指标，并提出了指标的计算方法。虽然换乘节点在轨道交通网络起到非常重要的作用，但是换乘客流作为网内客流，其所处环境相对封闭，对其进行控制难度较大，一般意义上的限流是指限制客流进入轨道交通系统内部，一旦客流进入系统后，对其控制将十分困难。张正^[33]等分析限流的作用和影响因素，提出车站间限流安全控制实施方式，根据流量平衡原理，分析客流在车站单点、线路和路网上的协同限流方法并研究限流参数的计算方法。最后以北京地铁13号线为例进行了车站协同限流安全控制实例分析与计算。该研究依据流量平衡原理提出了相对完善的客流控制措施计算方法，但其计算过程中包含较强的假设条件，如各站乘客下车率已知且恒定，未能很好地结合客流OD信息，另外，该方法为启发式算法，不包含优化目标，车站间的协同性控流体现并不明显，方法应用上存在一定的局限性。

客流控制问题属于运输系统流入控制的研究范围，与城市快速路及高速公路阻道控制具有较强的相似性。19世纪60年代由Wattleworth和佐佐木.明神最早提出了对交通系统的流入控制理论^[34]。当初的理论仅考虑流入交通的OD特征及其对下游各区间交通的影响，构筑了以城市高速公路主线上各区间的流入交通量不超过其通行能力为约束，高速公路流入交通量最大为目标函数的优化方法，由于采用了线性规划（LinearProgramming）方法，所以常称其为LP控制手法^[35]。LP控制方法具有理论的严密性和结构的清晰性，但由于路网规模限制及求解困难，难以适应突发状况及客流波动较大的情况，更多的用于客流平稳状态下的客流控制。姚向明^[28]就采用了此种LP方法分别从线路层和网络层两个层面构建了客流流入协同控制模型。

综上所述，轨道交通客流分布及车站客流控制模型与方法已得到研究人员的广泛关注，并已取得了大量的研究成果。然而对于轨道交通系统而言，乘客出行行为较为复杂、可实时采集客流信息有限（一般仅包括进出站客流)，给客流OD的动态估计过程带来极大困难。目前，尚缺乏有效的估计方法来解决大规模轨道交通网络客流需求的在线估计问题。因此，有必要利用轨道交通网络结构特点、结合运输过程以及客流波动变化规律，从最基本的车站和线路层面出发，研究适用于轨道交通的动态客流需求估计理论与方法，为客流为动态运营管理系统的构建提供准确的基础输入数据，进而为制定科学合理的车站限流策略提供理论基础和技术支撑。

3　过饱和轨道交通车站客流动态协调控制研究展望

综合上述国内外研究现状分析，可进行以下几方面的研究。

（1）基于AFC数据的客流需求分布（OD）估计模型构建

通过统计AFC数据，分析轨道交通线路客流分布结构的波动性与相关性特征，对车站客流分离率进行先验估计，研究进站客流与出站客流流量关系。在此基础上基于无味变换卡尔曼滤波器构建以客流分离率为状态变量的客流需求分布（OD）估计模型，为后续研究奠定数据基础。

（2）车站过饱和客流状态判别方法和车站群划分方法研究

车站群划分的好坏很大程度上将影响客流协调控制结果，基于此，在深入分析OD统计数据、建立车站关键设施触发指标的基础上，结合视频检测技术，首先建立车站饱和客流状态判别方法，在此基础上确定关键车站和非关键车站，通过分析车站进出站客流量、定义O/D比概念、借鉴道路交通控制子区划分的距离适当原则和流量相关原则，结合轨道交通特性建立车站群划分依据，构建车站群划分方法。

图5 客流状态判别方法

图6 车站群划分方法

（3）过饱和车站客流协调控制方法与建模

以OD数据为基础，结合视频检测技术和现场观察测量，分析车站内站台、通道、楼梯、扶梯等关键设施客流分布情况，得到车站进站客流、出站客流、站内客流三者关系。确定采样周期长度，以车站群为控制单位，运用控制理论建立车站群客流动态协调控制模型。

图7 车站群客流动态协调控制模型

（4）线路过饱和等级评估模型

线路过饱和等级评估模型用来评估轨道交通线路过饱和客流状态。分别从表征客流特征的宏观层面、微观层面、行人服务水平以及枢纽舒适性方面提取关键指标，采用与关键指标属性相匹配的评估方法，根据过饱和客流状态严重程度不同划分不同等级，建立线路过饱和等级评估模型，对采取客流动态控制方案的轨道交通线路进行评估。

图8 线路过饱和等级评估模型建模方法

4　总结

综上所述，过饱和轨道交通车站客流动态协调控制及其相关问题已得到了研究人员的广泛关注，并已取得了一定的研究成果，但仍有一些核心问题需要进一步解决。基于此，面对轨道交通常规大客流需求，后续工作可针对以下内容展开研究：采用无味变换卡尔曼滤波器算法对轨道交通的实时OD数据进行分析，提出过饱和车站的概念，对车站过饱和客流状态判别方法、车站群划分方法、过饱和车站客流协调控制方法等关键技术问题展开研究，在上述研究的基础上，构筑基于动态OD客流分布数据的车站客流控制理论与方法体系。上述内容的研究成果可为解决轨道交通大客流车站限流控制难题提供新的方法和途径，在轨道交通客流管理与控制实践中具有重要的应用前景，同时对城市轨道交通客流控制理论与方法的进一步发展能够起到一定的推动作用。

参考文献：

[1] Nguyen, S., Pallottino, S. (1986). Estimating origin destination flows for transit networks. AIRO, RicercaOperativa, 38, 9- 27.

[2] Nguyen, S., Pallottino, S. and Malucelli, F. (1988) Discrete time dynamic estimation model for passenger origin/ destination matrices on transit networks, Transportation Research Part B, 24 (2), 251 - 160,

[3] Wong, S.C. and Tong, C.O. (2002) Estimation of time-dependent origin-destination matrices and transit networks. Transportation Research, 32B, 35 - 48.

[4] Lam, W.H.K, Chan K.S. and Wu Z.X. (2003) Estimation of Transit Origin-Destination Matrices from Passenger Counts Using a Frequency-based Approach". Journal of Mathematical Modelling and Algorithms, 2 (4), 329 - 348.

[5] 徐榕. 不完全信息下公共交通客流OD推算方法[D]. 北京交通大学学位论文, 2011.

[6] HuijuanZHOU,Yong QIN, Yinghong LI. A Partial Least Square Based Support Vector Regression Rail Transit Passenger Flow Prediction Method. International Journal of u- and e- Service, Science and Technology, vol. 7, No.2, 2014, pp.101 -112.

[7] Cascetta, E.. Estimation of Trip Matrices from Traffic Counts and Survey Data: A GeneralizedLeast Squares Estimator[J]. Transportation Research Part 8,1984,18 (4-5) : 289 - 299.

[8] Cascetta, E., Inaudi, D.,Maiguis, G. Dynamic Estimators of Origin-Destination Matrices UsingTraffic Counts[J]. Transportation Science, 1993,27 ( 4 ) : 363 - 373.

[9] Cascetta E., Postorino M. N.. Fixed point approaches to the estimation of OD matrices usingtraffic counts on congested networks[J]. Transportation Science,2001, 35 : 134 - 147.

[10] Bell, M.GH.. The Estimation of Origin-Destination Matrices by Constrained Genmlized LeastSquares[Jl. Transportation Research Part 8,1991,25 (1) : 13 - 22.

[11] Bell, M.GH.. The Real-Time Estimation of Origin-Destination Flows in the Presence of

[12] Platoon Dispersion[J]. Transportation Research Part 8,1991, 25 (2-3) : 115 - 125.

[13] Cremer, M.,Keller, H.. A Systems Dynamics Approach to the Estimation of Entry and Exit O-DFlows[J]. Proceeding of the Ninth International Symposium on Transportation and Traffic Theory, 1984 : 431 - 450.

[14] Cremer, M.,Keller, H.. A New Class of Dynamic Methods for the Identification ofOrigin-Destination Flows[J]. Transportation Research Part 8,1987,21 (2) : 117 - 132.

[15] Ashok, K., (1996). Estimation and prediction of time-dependent origin -destination Flows. Ph.D. Dissertation, MIT, USA.

[16] Ashok, K., Ben-Akiva, M., (1999). Dynamic origin -destination matrix estimation and prediction for real-time traffic management systems.In: Daganzo, C. (Ed.), Proceedings of the 12th International Symposium on Transportation. Elsevier.

[17] Ashok, K., Ben-Akiva, M., (2002). Alternative approaches for real-time estimation and prediction of time-dependent origin - destination flows. Transportation Science 34 (1), 21 - 36.

[18] Chen, C., Petty, K., Skabardonis, A., Varaiya, P., Jia, Z., (2001). Freeway performance measurement system: mining loop detector data. Transportation Research Record 1748, 96 - 102.

[19] Mahmassani, H.S., (2001). Dynamic network traffic assignment and simulation methodology for advanced system management applications. Networks and Spatial Economics 1 (2), 267 - 292.

[20] Peeta, S., Ziliaskopoulos, A., (2001). Foundations of dynamic traffic assignment: the past, the present and the future. Networks and Spatial Economics 1 (2), 233 - 266.

[21] Zhou, X., Mahmassani, H.S., (2005). Recursive approaches for online consistency checking and O -D demand updating for real-time dynamic traffic assignment operation. Journal of the Transportation Research Board 1923, 218 -226.

[22] Zhou, X., Qin, X., Mahmassani, H.S., (2007). Dynamic origin -destination demand estimation using multi-day link traffic counts for planning applications. Transportation Research Record 1831, 30 - 38

[23] Tavana, H., (2001). Internally-consistent estimation of dynamic network origin -destination flows from intelligent transportation systems data using bi-level optimization. Ph.D. Dissertation, University of Texas at Austin, USA.

[24] Tavana, H., Mahmassani, H.S., (2005). Estimation of dynamic origin destination flows from sensor data using bi-level optimization method. Transportation Research Board CD-ROM Paper Preprints (TRB Paper No. 01-3241), National Research Council, Washington, DC.

[25] Antoniou, C., Ben-Akiva, M., Koutsopoulos, H.N. (2007) Nonlinear Kalman filtering algorithm for on-line calibration of dynamic traffic assignment model. IEEE Transaction on ITS, 8 (4), 661-670

[26] Chinniah, C., Burton, R., (2006), Failure monitoring in a high performance hydrostatic actuation system using the extended Kalman filter, Mechatronics, 16 (10), 2006

[27] Xu., X. (2011). Hard failure diagnosis using self-tuning Kalman filter, 134, 326 - 334

[28] 姚向明. 城市轨道交通网络动态客流分布及协同流入控制理论与方法[D]. 北京交通大学博士论文, 2014.

[29] 北京市交通委员委员会. DB11/T 647-2009城市轨道交通运营安全管理规范[S]. 北京: 北京市质量技术监督局, 2009.

[30] 刘莲花, 蒋亮. 城市轨道交通网络客流控制方法研究[J]. 铁道运输与经济, 2011, 33 (5) : 51 - 55.

[31] 李建琳. 上海轨道交通限流客运调整实践研究[J]. 现代城市轨道交通, 2011, (4) : 81 - 83.

[32] 谢玮. 城市轨道交通换乘站客流控制方法研究[D]. 北京: 北京交通大学, 2012.

[33] 张正, 蒋熙, 贺英松. 城市轨道交通高峰时段车站协同限流安全控制研究[J]. 中国安全生产科学技术, 2013, 9 (10) : 5 - 9.

[34] Wattleworth J.A, Berry D.S. Peak Period Control of a Freeway System: Some TheoreticalInvestigations[R]. Washington: Texas Transportation Institute, 1965,89 : 1 - 25.

作者简介：

周慧娟（1975-），女，湖南隆回人，副教授，硕士生导师，现任教于北方工业大学，研究方向是轨道交通客流组织与控制。

刘小明（1974-），男，河北唐山人，教授，博士生导师，现任教于北方工业大学，研究方向是智能交通控制理论与技术、城市交通系统工程。

摘自《自动化博览》2019年12月刊