论文题目：Optimizing the release of passenger flow guidance information in urban rail transit network via agent-based simulation

（基于智能体仿真的城市轨道交通网络客流诱导信息发布优化）

论文作者：Haodong Yin, Jianjun Wu, Zhiyuan Liu, Xin Yang, Yunchao Qu, Huijun Sun

论文期刊：Applied Mathematical Modelling

论文网址：https://www.sciencedirect.com/science/article/pii/S0307904X19300800

摘要：

客流诱导是一种有效的需求管理策略，可以缓解城市轨道交通网络的过度拥堵。为了确定城轨客流诱导信息发布的范围和时间，本研究提出了一个基于仿真的优化模型。在优化模型中，本研究主要关注三个方面，即：应该在哪里、在何时向乘客发布何种类型的诱导信息。在仿真模型中，通过基于智能体的仿真方法来捕捉乘客行为，乘客可以对拥堵和诱导信息做出响应，并在此基础上得出动态客流分布。此外，模型中还考虑了诱导信息接受率及其对乘客出行行为的影响。结合乘客仿真和遗传算法，本研究提出了一种混合启发式算法来求解上述模型。最后，利用大规模刷卡数据对北京地铁进行了案例研究，研究结果表明，客流需求对诱导效果有显著影响，当客流需求足够高时诱导效果最好，且诱导率也会影响诱导效果，且本研究所提出的模型可以在选定的时间间隔内为每个车站提供详细的引导方案。结果显示，动态信息发布方案在单个诱导时段内可节省乘客出行时间共计46319分钟。

关键词：轨道交通网络，客流诱导，智能体仿真，遗传算法

1 研究背景

出行时间的节约、出行便利性和安全性的提高使得轨道交通成为城市居民出行的首选，但其日益增加的吸引力也导致了城轨网络的严重拥堵。因此，制定措施来缓解拥堵已成为一项挑战。与其他控制措施不同，如通过增加列车和优化路线增加运力，通过采取限流措施来控制乘客需求等，客流诱导是一种更加灵活的需求管理策略。基于提供给乘客的信息类型，诱导信息可以分为描述性信息和出行建议信息。前者指的是一般性的交通状况信息，而后者则是直接的出行建议，如起点与目的地之间的路线建议。同样，客流诱导可以分为两个方面:（1）诱导信息发布，指的是应该向乘客发布什么样的描述性信息以及何时何地发布出行建议信息；（2）路线建议，涉及到向乘客推荐哪条路线的具体问题。关于（1），向乘客发布城轨网络各个区段的当前交通状况或预测交通状况，从而为影响乘客的路线选择 。而对于（2）,可以为乘客提供更详细和个性化的出行路线建议。本研究主要研究第一个问题，即诱导信息发布问题,这是一个在轨道交通背景下亟待解决的难题。本研究的贡献主要可以归纳为以下三方面：

（1）据我们所知，本研究是第一个专门针对轨道交通客流诱导信息发布优化问题的数学模型；

（2）与当前实践和研究中在全网级别上发布相同的诱导信息不同，本研究的关键思想在于，只有处于一些选定的车站和时间段中的乘客可以接收到个性化的诱导信息，这样做的目的是缓解全系统的拥挤；

（3）基于智能体的仿真优化方法考虑了乘客对拥挤和诱导信息的动态选择行为响应。

2 客流诱导信息发布

2.1 问题描述

    本研究需要解决的问题如下图所示：

2.2 建模框架

如上图所示，客流诱导信息发布优化模型的目标是最小化乘客总出行成本和信息发布成本，同时缓解城轨网络内部拥挤。该模型分为乘客模拟和信息发布优化两部分，乘客模拟部分用于描述乘客对诱导信息和交通状况的反馈，然后向优化部分输出动态交通流；信息发布优化部分则根据乘客的反应，调整诱导信息发布的时空范围。

2.3 基于仿真的优化模型

本研究在建模过程中使用的符号如下：

为简化问题，研究中做了以下假设：

（1）乘客可以通过乘客信息系统（Passenger Information Systems，PIS）了解交通状况信息，并且只能在始发站或换乘站的入口或站台以一定的概率接受；

（2）即使从诱导信息中获知关于拥堵的信息，乘客也更倾向于选择拥堵较少的路线。

以最小化乘客的广义出行成本及信息发布成本为目标，构建优化模型如下：

同时，为描述乘客对诱导信息的行为反应，并获得城轨网络中客流的实时分布情况，为上层模型动态提供客流输入，本研究构建了基于智能体的客流仿真模型，模型框架如下图所示：

3 混合求解算法

乘客仿真算法如下图所示：

结合乘客仿真算法与遗传算法的混合求解算法框架如下图所示：

在该混合求解算法中，遗传算法根据各区段的客流和阻抗来评估可行的诱导信息发布方案，并在下一次迭代中生成一组可行的诱导信息发布方案。基于智能体的仿真用于捕捉乘客对诱导信息的反应，并动态输出每个区段的客流和阻抗，以供遗传算法使用。算法描述如下:

4 案例分析

4.1 数据准备

    本研究提出的模型算法主要基于网络拓扑数据、乘客分时OD数据、车站时间参数和列车时刻表数据。部分数据展示如下：

4.2 案例分析结果

（1）总体优化结果

在乘客接受率为0.2的情况下计算最佳诱导方案。结果表明，在北京地铁单个诱导时段（15 min）内，本研究提出的诱导优化模型可以节约共计46319 分钟的出行时间。此外，如下图所示，早高峰时段应选择大约50个车站发布诱导信息。

（2）车站信息发布优化结果

本研究提出的模型可以为每个车站提供一个详细的信息发布方案，以实现“一站一方案”的目标，即每个车站都与不同的乘客诱导方案相关联。在车站发布各区段拥堵信息的实际意义在于，在给定时间间隔离开车站的乘客如果到达指定区段，可能会遇到拥堵。以天通苑站为例，下图显示了在该站应发布的诱导信息：

（3）乘客路线诱导信息优化结果

本研究提出的方法可以同时为乘客提供个性化的路径引导。以OD对“天通苑站-朝阳门站”为例，乘客在接收路线诱导前后选择的路线如下所示：

5 结果与结论

基于仿真的优化模型解决了客流诱导信息发布问题。优化模型的目标是确定诱导信息发布的范围和时间，而仿真模型则用于捕捉乘客对拥挤和诱导信息的反馈并动态获取客流分布状况。此外，本研究还考虑了信息接受率对乘客出行行为的影响。结合乘客仿真与遗传算法，本研究提出了一种混合启发式算法来求解所提出的模型。本研究的结果可以帮助解决轨道交通运营管理中客流诱导的实际问题。该模型不仅可以用于确定何时何地发布诱导信息，还可以通过差异化的信息服务帮助乘客做出最优的出行决策。

但是，案例分析结果表明，本研究的算法较费时，更适合用于提前制定信息发布方案以缓解城轨网络中的常规拥堵，但在需要实时发布诱导信息的场景中，应该开发一种更加高效的算法。未来的研究中，可以尝试将客流诱导时间扩展到多个时段，诱导信息的内容也可以进一步优化，例如只发布附近区段的描述性信息，同时诱导率也可以根据站点的不同而变化。