Optimization of subway platform's passenger flow guidance methodbased on AnyLogic
-
摘要: 为避免地铁车厢客流过度集中，引导站台乘客分散乘车，文章以地铁各车厢客流均衡为目标，以均衡度标准差为指标，综合考虑车厢现有人数、候车人数及预计下车人数，优化地铁站台客流引导方式。通过AnyLogic仿真软件，模拟广州地铁珠江新城5号线站台条件，对比了客流量范围在12万人/日~60万人/日条件下，不同引导方式对车厢乘客分布不均衡度的影响。结果表明，地铁站客流量达到24万人/日时，考虑预计下车人数的站台客流引导方式下的车厢客流均衡度标准差明显提升；与不考虑该站下车人数的引导方式相比，客流均衡度标准差提升幅度最大达到25.6%，相比人工引导方式的提升幅度达53.6%，有效提升了地铁精细化服务能力。
-
关键词:
- 城市轨道交通 /
- 地铁站台 /
- 客流引导 /
- AnyLogic仿真 /
- 均衡度标准差
Abstract: In order to avoid excessive concentration of passenger flow in subway carriages and guide passengers on the platform to disperse and board trains, this paper aimed to balance the passenger flow in each carriage of the subway, used the standard deviation of balance degree as an indicator, comprehensively considered the existing number of passengers in the carriage, the number of waiting passengers, and the expected number of alighting passengers, to optimize the subway platform passenger flow guidance method. Through AnyLogic simulation software, the paper simulated the platform conditions of the Pearl River New Town Line 5 of Guangzhou Metro, and compared the influence of different guidance modes on the uneven distribution of passengers in the carriage under the conditions of passenger flow ranging from 120 000 people/day to 600 000 people/day. The results show that when the passenger flow of the subway station reaches 240 000 people/day, the standard deviation of the passenger flow balance of the carriages under the platform passenger flow guidance method considering the expected number of passengers getting off significantly improves. Compared with the guidance method that does not consider the number of passengers getting off at the station, the standard deviation of passenger flow balance has increased by a maximum of 25.6%, and compared to the manual guidance method, the improvement has reached 53.6%. The optimized guidance method effectively improves the refined service capacity of the subway. -
故障管理是动车组运用维修中的重要环节，是确保动车组安全稳定运行的重要保障。随着动车组修程修制的改革、数字化精准维修的推进和现场动车组运维业务的深入，故障数据的采集途径越来越多，除了传统的人工录入方式，还有来自各种自动化设备的检测和不同信息化系统的诊断。多种多样的故障数据采集来源，导致故障数据体量大增，且不同来源的故障数据在数据结构、处理流程、存储位置等方面各不相同，这给动车组故障统一管理和多源故障关联分析带来了不少困难。
为了使动车组故障分析水平得到显著提升，打破故障分析仅停留在单一系统内的割裂局面成为关键。本文针对动车组多源故障数据特点，构建动车组多源故障管理平台，设计提出多源故障数据标准化处理流程，实现对多源故障的统一、闭环管理，为运用维修单位管理人员能够及时掌握动车组所有故障、合理安排检修生产活动提供便利。
1 动车组多源故障管理现状分析
动车组故障来源主要包括检修故障、乘务故障、运行设备故障、自动化设备检测和一些监测系统，多来源故障为故障的统一分析带来了许多困难，主要原因在以下几个方面。
1.1 故障数据体量巨大
动车组故障数据来源涵盖了人工检查、各类检测监测设备、建模分析等各个方面，数据来源广泛，而且随着信息化、智能化技术的不断进步，诸如动车组车载无线传输系统（WTDS）、动车组故障预测与健康管理系统（PHM）、动车组运行故障动态图像检测系统（TEDS）等一大批信息化系统接连上线，数据体量不断攀升。
1.2 故障数据结构各异
动车组多源故障结构各不相同。（1）行车设备故障强调故障影响，数据包含是否造成停车、停车时间、是否形成事故、责任划分、是否启用救援等信息；（2）WTDS和PHM系统故障包含大量动车组传感器参数及外部环境数据；（3）地面安全监测系统故障包含图像、声音、探测站等数据。
1.3 故障确认流程不同
动车组多源故障的确认流程也不尽相同。（1）检修故障、乘务日志故障、行车设备故障都是由人工直接确认的故障，不需要复核；（2）自动化设备故障、WTDS故障、PHM故障、地面安全监测故障都需要人工复核后才能真正形成一条故障。
1.4 数据存储位置不统一
动车组多源故障数据分布于全路范围内的众多信息系统中。（1）检修故障、乘务日志故障、行车设备故障都由相关人员录入至动车组管理信息系统中；（2）自动化设备故障存储在检修设备信息系统中；（3）WTDS故障、PHM故障、地面安全监测故障分别存储在各自的管理信息系统中。
2 动车组故障来源分析
2.1 动车组检修故障
检修故障指动车组检修过程中的故障，主要包括运用检修故障、高级检修故障和委外检修故障3类。其中，运用检修故障和高级检修故障主要指各修程检修作业时由人工检查发现的故障。委外检修指检修车间将动车组拆解后的零部件交与第三方单位进行承修，委外检修故障即为该第三方单位发现的故障。委外检修故障不含动车组的车组、车厢信息，只含有动车组配件信息。
2.2 乘务故障
乘务故障指动车组乘务巡检过程中的故障，也称乘务日志故障，是随车机械师在动车组在出库−运行−入库过程中，按照规定进行巡检填报的“随车机械师乘务日志”和“动车组故障交接记录单”中的故障[1]。该部分故障主要包括动车组服务设施发现的异常，如动车组车门、座椅、卫生间等设施的脏污、破损、零件缺失及其他车组结构的异常，如转向架异音、异响。
2.3 行车设备故障
当动车组因故障或其它行车设备原因造成列车运行途中停车或晚点时，还将形成行车设备故障。行车设备故障发生后，由故障发生地所在铁路局集团公司上报至中国国家铁路集团有限公司（简称：国铁集团），并需要担当局集团公司和国铁集团对故障进行分析。
2.4 自动化设备检测的故障
自动化设备检测的故障指动车运用所和检修车间的各类检修检测设备发现的故障，包括动车组轮对故障动态检测设备、受电弓检测系统、车底检测机器人、空心车轴探伤设备、轮辋轮辐探伤设备等。该部分故障主要是动车组的特定部位的检测超限、缺陷记录，如动车组轮对故障动态检测设备主要检测轮对各类尺寸、擦伤、探伤缺陷[2]，车底检测机器人主要对动车组车底部位部件进行图像检查[3]。随着修程修制改革和一级修机检人检相结合的开展，该来源故障将占有越来越大的比重。
2.5 动车组WTDS诊断的故障
系统通过采集动车组牵引、制动、轴温等关键子系统，以及车门、空调、卫生间等客服设施工作状态及监控故障报警信息，结合动车组运行过程中产生的运行参数和工作环境参数，为司机、随车机械师对列车及相关设备工作状态监控、操作提供服务[4]。随着PHM系统的建设与实施，WTDS数据将越来越多通过模型完成故障诊断。
2.6 动车组PHM诊断的故障
PHM汇集了动车组新造、检修运用、检测、监测、环境等多元异构数据，通过大数据手段建立模型，实现动车组运行状态实时监控、故障预警预测、层次化的健康评估、视情维修，修程修制优化等功能[5]。PHM实时计算的运行参数主要来自WTDS系统，通过模型预测或规则诊断出动车组的运行异常。
2.7 地面安全监测系统发现的故障
地面安全监测系统主要指动车组运行故障动态图像检测系统（TEDS）、动车组滚动轴承故障轨边声学诊断系统（TADS）等轨边设备[6-8]。该类设备通过图像、声音等方式对高速运行的动车组运行状态进行监控，发现的故障多集中在动车组的车底部位。
3 动车组多源故障管理平台设计
3.1 动车组多源故障管理平台架构
为了提高动车组故障分析效率，统一分析多源故障，结合动车组多源故障数据来源分析，搭建动车组多源故障管理平台，如图1所示。
（1）基础设施层
平台建设的基础保障，在各动车段和国铁集团建立运行环境，为整个平台提供基础服务。
（2）数据资源层
完成平台数据资源的规划设计和分类管理，对动车组多源故障数据按照标准化结构体系进行有效的采集、组织和存储，采用大数据手段对故障数据进行有效的计算分析。
（3）应用服务层
实现基于动车组多源故障数据的软件和应用服务。
3.2 数据资源层关键技术
在动车组多源故障管理平台的数据资源层，只有通过规范形式对故障数据进行标准化结构体系构建，才能实现故障的统一管理及应用服务层的各项功能。
3.2.1 多源故障数据标准化结构体系设计
本文按照故障处理流程角度将故障相关要素信息进行分层归类，构建的多源故障数据标准化结构体系，如图2所示，分为故障发现层、故障主体层、解决方案层、故障处理层、故障分析层5个维度。
（1）故障发现层
故障发生时的所有外部信息，是进行故障分析及预测时的重要参考信息。
（2）故障主体层
描述故障发生时的主体对象信息。包括车组级信息、配件级信息和故障现象信息。
（3）解决方案层
故障的建议解决方案，是故障知识库的累积，也是维修能力的体现。
（4）故障处理层
故障发生后相关人员的应对措施，该层是故障闭环的关键。包括故障途中处置与库内处理信息。
（5）故障分析层
从故障发现到处理结束后对整个故障闭环流程的分析评价以及对故障影响后果的分析。
故障数据标准化结构体系的建立有利于统一动车组多源故障数据，提高数据利用价值，且该标准化结构体系中的各层级信息相对独立，能更方便地运用各类数学方法与大数据模型对故障数据提取分析，以辅助研究动车组部件的全生命周期管理。
3.2.2 多源故障数据标准化处理关键技术
（1）故障合并
由于动车组多源故障的存在，很可能出现同一条故障多次发现的情况，为保证故障分析的有效性，降低故障分析时冗余数据的影响，定义故障主体信息为一条故障数据的唯一判断依据，即故障主体一致的多条故障才可以被合并为一条故障。故障合并可能发生在故障发现时，也可能发生在故障分析中。
（2）统一故障字典
不同来源的动车组故障数据采用不同的标准对故障现象进行描述，包括各系统、各主机厂乃至各铁路局集团公司之间的故障字典都不相同，为故障统一分析带来难度。因此采用标准化结构体系对故障进行管理的前提是建立一套完整并适用于全路和各个主机厂的故障字典。
3.3 应用服务层主要功能
3.3.1 故障闭环管理
故障闭环管理是动车组故障最基本需求，指一条故障从发现到该故障状态变为“已处理”的整个流程。故障闭环管理包括故障采集、故障下发分配和故障处理回填3部分：（1）故障采集实现多源故障数据通过各种方式进入故障管理系统；（2）各检修单位将故障分配至具体检修人员进行处理；（3）故障处理回填实现检修人员对故障处理情况填写。结果为已处理，该故障闭环；未处理完毕，进入遗留故障等待下一次入库检修下发分配后再次处理。
3.3.2 故障统计分析
多源故障查询和统计分析对动车组检修故障进行汇总，提供故障详细信息的查询、故障多维度统计功能。使管理人员充分了解动车组多源故障的分布情况及变化趋势，为故障趋势分析及改进检修工作提供依据。
3.3.3 故障知识库管理
建立故障知识库，对动车组历史故障实现规范化、专业化管理，提高故障信息的准确度和利用价值，便于通过数据分析掌握动车组故障规律。
3.3.4 重点故障管理
将动车组经常发生的故障或重点部件的故障通过自动和人工筛选成为重点故障，记录重点故障的模式、原因、处置过程等，以便积累维修知识和总结经验，指导故障处理和日常检修。
3.3.5 故障预测与维修决策管理
结合交路、环境等外部因素，通过大数据分析动车组高故障率部件故障发生规律和性能演化趋势，寻找故障隐患，生成预防性维修方案，排除潜在故障。
4 结束语
本文通过对动车组故障数据来源进行分析，提出了动车组多源故障管理平台的总体架构设计，通过构建动车组故障数据标准化结构体系，实现动车组多源故障统一管理，以及故障闭环管理、统计分析、故障知识库管理、重点故障管理、故障预测与维修决策管理等功能。动车组多源故障管理平台目前还在设计阶段，尤其是多源故障数据的汇集，仍需要与各个系统建立完备的接口协议。而且故障预测与维修决策模型建立，仍需要对动车组不同部位的故障数据反复验证分析，开展更深的研究。
-
表 1 AnyLogic模型的相关参数设置
模块 参数名称 参数值 TrainSouce 新车厢 carindex==0?new RailCar():carindex%2==0?new PassengerCar2():new PassengerCar1() 车厢长度 carindex==0?21:19 巡航速度 150/35（m/s） Delay 开门等候时间 42.02 s TrainMoveTo 巡航速度 200/45.53（km/h） Dropoff 下车比例 triangular（0, 1, 0.7） Pedsource（S） 到达速率 All*0.132 Pedsource（M） 到达速率 All*0.369 Pedsource（All） 舒适速度 uniform（0.5, 1） 初始速度 uniform（0.3, 0.7） 直径 uniform（0.2, 0.3） PedEnter 舒适速度 uniform（0.7, 1.2） 初始速度 uniform（0.5, 0.9） 直径 uniform（0.1, 0.2） secSelectUnfollow 动态值1 self.TYPE_PROBABILITIES（0.1, 0.1, 0.1, 0.1, 0.3,0.3） 动态值2 self.TYPE_PROBABILITIES（0.1, 0.1, 0.3, 0.3, 0.1,0.1） 动态值3 self.TYPE_PROBABILITIES（0.3, 0.3, 0.1, 0.1, 0.1,0.1） SelectOutput 乘客选择由站台中部通道离开概率（M） 0.47 乘客选择由站台两侧通道离开概率（S） 0.265 
下载: 导出CSV
表 2 采用引导方式1时乘客分布不均衡状况
客流量/
（万人/日）计数/次 均衡度标准差 偏差 均值置信 总客流量/
人次12 147674 24.574 8.143 0.042 3628992.526 24 199761 48.433 15.824 0.069 9674977.691 36 210348 72.225 23.866 0.100 15192431.946 48 - - - - - 60 - - - - -
下载: 导出CSV
表 3 采用引导方式2时乘客分布不均衡状况
客流量/
（万人/日）计数/次 均衡度标准差 偏差 均值置信 总客流量/
人次12 40491 15.442 4.813 0.047 625260.697 24 134002 30.223 9.240 0.049 4049875.470 36 73084 42.361 12.963 0.094 3095923.827 48 111060 50.647 16.528 0.097 5624844.113 60 182196 64.214 21.855 0.100 11699623.509
下载: 导出CSV
表 4 采用引导方式3时乘客分布不均衡状况
客流量/
（万人/日）计数/次 均衡度标准差 偏差 均值置信 总客流量/
人次12 35141 11.519 4.409 0.046 404773.036 24 113375 22.488 8.567 0.050 2549572.184 36 68578 33.950 12.802 0.096 2328243.152 48 97391 43.842 15.812 0.099 4269783.179 60 180316 61.658 20.711 0.099 11117996.994
下载: 导出CSV
表 5 相对已有引导方式提升幅度
客流量/
（万人/日）引导方式1
均衡度标准差引导方式2
均衡度标准差引导方式3
均衡度标准差方式3相对方式1的提升幅度 方式3相对方式2的提升幅度 12 24.574 15.442 11.519 53.1% 25.4% 24 48.433 30.223 22.488 53.6% 25.6% 36 71.023 42.361 33.950 52.2% 19.9% 48 - 50.502 43.672 - 13.5% 60 - 64.135 62.323 - 2.8%
下载: 导出CSV
-
[1] 广州地铁. 2017,2018,2019,2020,2021,2022年年报[EB/OL] 2023-06-28]. https://www.gzmtr.com/ygwm/gsgk/qynb/.
[2] 田洪金,殷 玲. 一种地铁站台门乘客引导系统的设计与实现[J]. 物联网技术,2022,12(5):75-76,79. [3] 王世轶,祁 勇,潘永剑,等. 一种地铁车厢拥挤度智能监测系统的研究[J]. 电子设计工程,2022,30(17):55-59. [4] 庞梦圆,杜彦君,厉超吉,等. 基于图像采集技术的地铁站台客流引导系统研究[J]. 都市快轨交通,2017,30(2):37-41. [5] Çapalar J, Nemec A, Zahradnik C, et al. Optimization of passenger distribution at metro stations through a guidance system[C]//Proceedings of the 16th International Conference on Computer Aided Systems Theory, 19-24 February, 2017, Las Palmas de Gran Canaria, Spain. Cham: Springer, 2018. 397-404.
[6] Ding H, Di Y R, Zheng X Y, et al. Passenger arrival distribution model and riding guidance on an urban rail transit platform[J]. Physica A:Statistical Mechanics and its Applications, 2021, 571(2): 125847. DOI: 10.1016/j.physa.2021.125847
[7] Zheng Z X, Wang H, Liu W M, et al. Toward real-time congestion measurement of passenger flow on platform screen doors based on surveillance videos analysis[J]. Physica A: Statistical Mechanics and its Applications, 2023, 612(4): 128474. DOI: 10.1016/j.physa.2023.128474
[8] 深圳地铁试点推出车厢拥挤度智能显示系统[J]. 都市快轨交通,2019,32(3):18. [9] 沙永杰,纪 雁,陈婉婷. 新加坡公共交通规划与管理[J]. 国际城市规划,2021,36(1):142-147. [10] 方晨晨,周继彪,董 升,等. 基于BP神经网络的地铁车厢拥挤度预测方法[J]. 交通信息与安全,2018,36(6):47-53. [11] 徐玉萍,江睿智. 交通运输效率、交通结构与经济发展[J]. 企业经济,2021,40(5):142-150. [12] 刘光通,孔德文,姚丽亚,等. 基于Wi-Fi嗅探技术的站台引导员效用及布置研究[J]. 交通信息与安全,2020,38(1):84-91. [13] 广州地铁官方网站. 广州地铁-列车介绍[EB/OL]. (2022-12-31)[2023-06-28]. https://cs.gzmtr.com/ckfw/lcjs_2020/. [14] 莫俊泓,石红国. 基于仿真的珠江新城站改造前后客流组织分析[J]. 综合运输,2021,43(12):119-126. -
期刊类型引用(4)
1. 扈海军. 基于分布式技术的动车组车载大数据存储与检索技术研究. 铁道机车车辆. 2024(01): 100-107 . 
百度学术
2. 方江南. 基于动车组管理信息系统的动车组故障管理优化研究. 内燃机与配件. 2024(15): 79-81 . 百度学术
3. 韩子威，朱建生，王辉，李燕. 动车组多源故障管理信息系统设计及应用研究. 铁道运输与经济. 2023(06): 62-69 . 百度学术
4. 韩子威，朱建生. 动车组故障知识图谱构建方法研究. 铁道机车车辆. 2023(04): 17-22 . 百度学术
其他类型引用(1)
计量
- 文章访问数: 61
- HTML全文浏览量: 15
- PDF下载量: 12
- 被引次数: 5
