城轨路网非均衡随机动态客流分配方法及其在运营中断下的适应性与应用研究

城轨路网非均衡随机动态客流分配方法及其在运营中断下的适应性与应用研究一、引言1.1研究背景随着城市化进程的加速，城市规模不断扩张，人口持续增长，城市交通拥堵问题日益严重。城市轨道交通作为一种大运量、高效率、节能环保的公共交通方式，在缓解城市交通压力、优化城市空间布局、促进城市经济发展等方面发挥着至关重要的作用。据统计，截至2023年底，我国内地累计有55个城市建成投运城轨交通线路302条，运营里程9652.6公里，车站5961座。城市轨道交通已成为城市交通体系的核心组成部分，承载着大量的城市客运需求。在城市轨道交通系统中，客流分配是一个关键问题。客流分配的合理性直接影响着轨道交通系统的运营效率、服务质量和经济效益。合理的客流分配能够使列车运力得到充分利用，减少乘客的候车时间和换乘次数，提高乘客的出行满意度；反之，不合理的客流分配则可能导致部分线路和车站客流拥挤，而部分线路和车站运力闲置，降低整个轨道交通系统的运营效率和服务质量。目前，城市轨道交通客流分配模型主要分为确定性客流分配模型和随机性客流分配模型。确定性客流分配模型假设乘客具有完全理性，总是选择最短路径或最小费用路径出行；随机性客流分配模型则考虑了乘客出行决策的随机性，认为乘客在选择出行路径时会受到多种因素的影响，如出行时间、出行费用、换乘次数等。然而，传统的客流分配模型大多基于静态网络假设，忽略了客流在时间和空间上的动态变化特性，以及乘客出行决策的不确定性和随机性。在实际运营中，城市轨道交通客流具有明显的动态变化特征，如早晚高峰、节假日等不同时段的客流量差异较大，不同站点和线路的客流量也存在显著差异。此外，乘客的出行决策受到多种因素的综合影响，包括个人偏好、出行目的、交通信息获取等，具有很强的不确定性和随机性。因此，传统的客流分配模型难以准确描述和预测实际客流分布情况，需要研究更加符合实际情况的客流分配方法。另一方面，城市轨道交通运营过程中不可避免地会面临各种突发事件，如设备故障、自然灾害、人为事故等，这些突发事件可能导致线路中断、车站关闭等运营中断情况的发生。运营中断不仅会直接影响受影响线路和车站的正常运营，还会通过客流的转移和传播对整个轨道交通网络产生连锁反应，导致网络中其他线路和车站的客流分布发生变化，进而影响整个网络的运营效率和服务质量。例如，2021年7月，河南郑州遭遇特大暴雨灾害，导致郑州地铁多条线路停运，大量乘客滞留车站，给城市交通和市民生活带来了极大的影响。据统计，此次事件造成郑州地铁直接经济损失达5.8亿元，同时也对城市的社会经济发展产生了负面影响。因此，研究运营中断情况下的客流分配问题，对于提高城市轨道交通系统的应急管理能力和应对突发事件的能力具有重要意义。通过准确预测运营中断后的客流转移和分布情况，能够为制定合理的应急疏散方案和运营调整策略提供科学依据，最大限度地减少运营中断对乘客出行和城市交通的影响。1.2研究目的与意义本研究旨在深入剖析城轨路网客流的非均衡特性与随机动态变化规律，构建精准有效的客流分配方法，并将其应用于运营中断场景，为城市轨道交通系统的高效运营和应急管理提供科学依据和决策支持。具体而言，本研究的目的和意义主要体现在以下几个方面：提升运营效率：通过建立考虑客流非均衡性和动态变化的随机动态分配模型，能够更加准确地预测不同时段、不同区域的客流分布情况。运营部门可依据这些预测结果，优化列车开行方案、调整发车频率、合理配置运力资源，避免部分线路和车站过度拥挤，同时减少运力闲置，从而显著提高城市轨道交通系统的运营效率，降低运营成本。提高服务质量：准确的客流分配模型有助于运营方更好地了解乘客的出行需求和行为特征，进而为乘客提供更加优质的服务。例如，根据客流预测结果，提前做好车站的客流组织工作，合理安排引导标识和工作人员，减少乘客的候车时间和换乘时间，提高乘客的出行舒适度和满意度。增强应急管理能力：针对运营中断等突发事件，研究客流的转移和传播规律，构建相应的客流分配模型，能够快速、准确地预测运营中断对整个轨道交通网络的影响范围和程度。基于这些预测结果，运营部门可以制定科学合理的应急疏散方案和运营调整策略，如启动备用线路、增加应急公交接驳、实施客流控制等，有效缓解客流压力，保障乘客的安全疏散，最大限度地减少运营中断对乘客出行和城市交通的影响。优化城市交通规划：本研究成果可为城市轨道交通网络的规划和扩展提供重要参考。通过分析客流的时空分布特征和变化趋势，能够为新线路的规划、车站的选址和布局提供科学依据，使城市轨道交通网络更加合理、完善，更好地满足城市发展和居民出行的需求。同时，也有助于加强城市轨道交通与其他交通方式的衔接和整合，促进城市综合交通体系的协调发展。丰富理论体系：在学术理论方面，本研究综合考虑客流的非均衡性、随机性和动态变化特性，拓展和完善了城市轨道交通客流分配理论，为该领域的进一步研究提供了新的思路和方法。通过对运营中断情况下客流分配问题的研究，填补了相关领域在这方面的研究空白，丰富了城市轨道交通应急管理的理论体系，具有一定的理论创新价值。1.3国内外研究现状城市轨道交通客流分配问题一直是交通领域的研究热点，国内外学者在该领域开展了大量研究工作，取得了丰硕的成果。在国外，早期的研究主要集中在确定性客流分配模型方面。如Allsop在1972年提出了全有全无分配模型，该模型假设乘客只会选择最短路径出行，虽然模型简单易懂，但无法考虑客流的随机性和路径选择的多样性。随后，Dial在1971年提出了增量分配法，将OD需求分成若干增量依次加载到网络上，在一定程度上考虑了路径选择的多样性，但仍未充分考虑客流的随机性和动态变化特性。随着研究的深入，学者们逐渐认识到乘客出行决策的随机性，开始研究随机客流分配模型。Logit模型是应用较为广泛的一种随机客流分配模型，该模型基于效用最大化理论，通过引入随机效用项来描述乘客出行决策的不确定性。如Sheffi和Powell在1982年将Logit模型应用于交通网络的客流分配问题，考虑了乘客对出行时间、费用等因素的随机感知。在动态客流分配方面，国外学者也进行了大量研究。如Merchant和Nemhauser在1978年提出了动态网络加载方法，将时间离散化，通过迭代计算将OD需求分配到不同时段的网络上，实现了动态客流分配。但该方法计算复杂度较高，且对大规模网络的适应性较差。后来，一些学者提出了基于变分不等式的动态客流分配模型，如Friesz等人在1989年提出的动态用户最优模型，通过求解变分不等式来确定动态客流分配方案，能够较好地描述客流在时间和空间上的动态变化特性。对于运营中断情况下的客流分配问题，国外学者也有相关研究。如Li和Shimamoto在2004年研究了地铁突发事件下的客流疏散问题，通过建立疏散模型分析了不同疏散策略对客流疏散效果的影响。Bovy和Jourquin在1983年提出了一种在交通网络发生变化时的客流重新分配方法，考虑了乘客对网络变化的适应性和路径选择行为。国内学者在城市轨道交通客流分配领域也取得了诸多成果。在静态客流分配方面，借鉴国外研究成果，结合国内城市轨道交通的实际情况，对各种分配模型进行了改进和应用。如周溪召和张戎在2001年对Logit模型进行了改进，考虑了换乘次数对乘客路径选择的影响，使模型更加符合实际情况。在动态客流分配方面，国内学者提出了多种方法。如徐瑞华和陶小马在2004年提出了一种基于时段划分的动态客流分配模型，将一天的运营时间划分为多个时段，分别计算各时段的客流分配，提高了动态客流分配的精度。林柏梁等人在2007年提出了基于客流路径选择概率的动态分配模型，通过分析乘客在不同时段的路径选择概率，实现了动态客流分配。针对运营中断情况下的客流分配问题，国内学者也进行了深入研究。如刘澜和王爽在2010年研究了城市轨道交通突发事件下的客流组织优化问题，提出了基于乘客路径选择行为的客流组织优化策略。郭孜政等人在2013年建立了地铁运营中断下的客流分配模型，考虑了乘客的换乘行为和应急疏散需求，分析了运营中断对客流分布的影响。尽管国内外学者在城市轨道交通客流分配领域取得了众多成果，但仍存在一些不足之处。现有研究对客流的非均衡特性考虑不够充分，未能全面反映城市轨道交通客流在空间和时间上的非均衡分布规律。在动态客流分配模型中，虽然考虑了时间因素，但对客流动态变化的细节刻画还不够精确，难以准确描述客流在短时间内的快速变化。此外，在运营中断情况下的客流分配研究中，对乘客的心理和行为因素考虑相对较少，如乘客在突发事件下的恐慌心理、信息获取和决策过程等，这些因素对客流分配结果有着重要影响，但尚未得到充分的研究和体现。综上所述，为了更准确地描述和预测城市轨道交通客流分布情况，提高客流分配模型的精度和实用性，有必要进一步深入研究城轨路网客流的非均衡随机动态分配方法，并加强对运营中断情况下客流分配问题的研究，充分考虑乘客的心理和行为因素，为城市轨道交通的运营管理和应急决策提供更加科学、可靠的依据。1.4研究内容与方法1.4.1研究内容城轨路网客流非均衡特性分析：收集和整理城市轨道交通历史客流数据，运用统计分析方法，从时间和空间两个维度深入剖析客流的非均衡特性。在时间维度上，研究工作日、周末、节假日等不同时间尺度下客流量的变化规律，分析早晚高峰、平峰等时段的客流特征；在空间维度上，分析不同线路、站点的客流量分布差异，研究换乘站、枢纽站点等关键节点的客流集聚和扩散现象，明确客流非均衡分布的主要影响因素，如城市功能布局、人口分布、土地利用性质等。城轨路网客流随机动态分配模型构建：综合考虑客流的非均衡性、随机性和动态变化特性，以Logit模型为基础，引入随机效用项来描述乘客出行决策的不确定性。同时，将时间离散化，建立基于时段划分的动态客流分配模型，考虑不同时段的客流变化和乘客路径选择行为。模型中充分考虑轨道交通网络结构、车站布局与换乘、运行图与时刻表、票价等因素对客流分配的影响，通过数学表达式准确描述各因素与客流分配之间的关系，构建出能够准确反映城轨路网客流实际分布情况的随机动态分配模型。模型参数估计与求解算法研究：利用实际客流数据，采用最大似然估计法等方法对模型中的参数进行估计，确定模型中各因素的权重和系数，提高模型的准确性和可靠性。针对构建的复杂模型，研究高效的求解算法，如基于启发式算法的求解方法，结合遗传算法、蚁群算法等智能算法的特点，对模型进行求解，提高求解效率和精度，确保模型能够在合理的时间内得到准确的解。运营中断情况下的客流分配研究：分析运营中断对城轨路网客流分配的影响机制，研究运营中断后客流的转移和传播规律。考虑乘客在突发事件下的心理和行为因素，如恐慌心理、信息获取和决策过程等，建立运营中断情况下的客流分配模型。该模型能够准确预测运营中断后不同线路、站点的客流变化情况，为制定合理的应急疏散方案和运营调整策略提供科学依据。案例分析与应用验证：选取实际的城市轨道交通网络作为案例，收集相关的客流数据、线路数据、车站数据等，运用构建的客流分配模型和算法进行模拟分析。将模型预测结果与实际客流数据进行对比验证，评估模型的准确性和有效性。根据案例分析结果，为城市轨道交通运营部门提供具体的运营管理建议和应急决策支持，如优化列车开行方案、调整发车频率、制定应急疏散方案等，通过实际应用进一步验证研究成果的可行性和实用性。1.4.2研究方法文献研究法：广泛查阅国内外关于城市轨道交通客流分配、非均衡特性分析、动态模型构建以及运营中断应急管理等方面的文献资料，了解相关领域的研究现状和发展趋势，梳理已有的研究成果和方法，为本文的研究提供理论基础和参考依据。通过对文献的综合分析，找出当前研究的不足之处和有待进一步研究的问题，明确本文的研究方向和重点。数据分析法：收集城市轨道交通的历史客流数据、线路数据、车站数据、运行图数据等，运用统计分析方法对这些数据进行处理和分析。通过数据分析，揭示城轨路网客流的时空分布规律和非均衡特性，获取客流变化的相关参数和指标，为模型构建和参数估计提供数据支持。同时，利用数据分析验证模型的准确性和有效性，通过对比模型预测结果与实际数据，评估模型的性能和可靠性。模型构建法：根据城轨路网客流的特点和研究目标，构建基于Logit模型的非均衡随机动态客流分配模型。在模型构建过程中，充分考虑各种影响因素，运用数学方法对模型进行严谨的定义和描述，明确模型的假设条件、约束条件和目标函数。通过模型构建，将复杂的城轨路网客流分配问题转化为数学问题，以便进行定量分析和求解。算法设计与优化法：针对构建的客流分配模型，设计合适的求解算法。结合遗传算法、蚁群算法等智能算法的原理和特点，对算法进行优化和改进，提高算法的求解效率和精度。在算法设计过程中，充分考虑模型的复杂性和实际应用需求，通过参数调整和算法结构优化，使算法能够快速、准确地求解模型，为实际运营决策提供及时的支持。案例分析法：选取具有代表性的城市轨道交通网络作为案例，将构建的模型和算法应用于实际案例中进行分析和验证。通过案例分析，深入研究城轨路网客流在正常运营和运营中断情况下的分配情况，评估模型和算法的实际应用效果。同时，根据案例分析结果，提出针对性的运营管理建议和应急决策方案，为城市轨道交通运营部门提供实际的决策参考。二、城轨路网客流特性及非均衡随机动态分配方法理论基础2.1城轨路网客流特性分析2.1.1时空分布特性城轨路网客流在时间和空间上呈现出显著的分布特性。在时间维度，城轨客流具有明显的周期性变化规律。以工作日为例，早晚高峰时段客流量大幅攀升，形成客流高峰。早高峰通常出现在7:00-9:00，这一时间段内，大量通勤、通学乘客集中出行，使得各线路和车站的客流量急剧增加。例如，北京地铁1号线在早高峰期间，部分站点的进站客流量可达每小时数千人次，车厢内拥挤程度较高。晚高峰则集中在17:00-19:00，此时上班族下班、学生放学，形成出行的又一高峰。而在平峰时段，客流量相对平稳，各线路和车站的客流压力明显减小。周末和节假日的客流分布与工作日有所不同，出行目的更多样化，除了购物、休闲娱乐等活动导致部分商业中心、旅游景点周边线路和车站的客流量增加外，早晚高峰的特征相对不明显，客流分布更为分散。如上海地铁在周末时，前往南京路步行街、迪士尼乐园等热门景点的线路客流量显著上升。从空间维度来看，不同区域站点的客流差异显著。城市核心区域、商业中心、交通枢纽等站点的客流量远高于其他区域站点。以上海的人民广场站为例，作为多条地铁线路的换乘枢纽，且位于城市核心商业区内，日均客流量可达数十万人次。这里不仅汇聚了大量的通勤乘客，还有众多前来购物、娱乐的人群，以及换乘其他交通方式的旅客。而一些位于城市边缘或偏远区域的站点，客流量则相对较少。此外，线路的不同区间断面客流也存在差异，某些线路的部分区间由于连接了重要的功能区，如工业园区与居住区之间的线路区间，在特定时段的断面客流量会明显高于其他区间，呈现出空间上的不均衡性。2.1.2非均衡性表现及成因城轨路网客流的非均衡性表现形式多样。在时间上，除了上述的早晚高峰和平峰、节假日与工作日的客流差异外，还存在季节性变化。例如，在旅游旺季，一些旅游城市的城轨客流量会显著增加，如杭州在西湖旅游旺季时，通往西湖周边景点的地铁线路客流量大幅上升。在空间上，不仅不同区域站点的客流量差异明显，同一线路不同站点的上下车客流比例也存在差异，导致各站点的客流压力和换乘需求各不相同。如广州地铁3号线，在体育西路站，由于是商业中心和换乘枢纽，下车客流和换乘客流都非常大，而一些中间站点的上下车客流相对较为均衡。客流非均衡性的成因是多方面的。从出行需求角度来看，城市居民的出行目的复杂多样，包括工作、学习、购物、休闲娱乐等。不同的出行目的导致出行时间和出行地点的集中性不同。例如，通勤出行主要集中在早晚高峰时段，且出行起点和终点多为居住区和工作区；而休闲娱乐出行则更多分布在周末和节假日，地点多为商业中心、公园、电影院等场所。此外，城市功能布局和人口分布也是重要影响因素。城市的商业区、办公区、居住区等功能区的分布决定了客流的产生和吸引源。如北京的中关村地区，作为重要的科技办公区，汇聚了大量的企业和从业人员，周边的地铁站在工作日早高峰时迎来大量进站客流，晚高峰则是出站客流居多。人口密度大的区域，如大型居住区，对城轨交通的需求也更大，导致周边站点客流集中。线路布局和站点设置也会影响客流分布。线路是否连接了重要的功能区，站点的位置是否便利，以及换乘站点的设置是否合理等，都会影响乘客的出行选择和客流的分配。例如，一些新建的地铁线路，如果未能有效连接主要的就业中心和居住区，可能会导致客流不均衡，部分线路和站点客流稀少，而其他线路和站点则不堪重负。2.2交通流分配理论基础2.2.1经典交通流分配方法全有全无分配法（All-or-NothingAssignmentMethod）是一种较为基础且简单直观的交通流分配方法，其原理基于最短路径假设。该方法假定所有出行者都具有完全理性，在出行时会毫无例外地选择从出发点到目的地的最短路径。在实际应用中，通常先通过特定的最短路径算法，如Dijkstra算法，来确定网络中每对起讫点（OD对）之间的最短路径。然后，将OD对间的全部交通量一次性地分配到这条最短路径上。例如，在一个简单的城市轨道交通网络中，若乘客从A站到B站，通过计算得出经过C站的路径为最短路径，那么全有全无分配法就会将从A站到B站的所有客流都分配到这条经过C站的路径上。这种方法的优点是计算过程简单，易于理解和实现，在早期的交通规划和分析中得到了广泛应用。然而，它的局限性也很明显，由于其假设过于理想化，忽略了实际交通中客流的随机性和路径选择的多样性，没有考虑到道路或线路的通行能力限制以及乘客对不同路径的偏好差异等因素。在实际的城轨系统中，乘客的出行决策受到多种因素影响，并非总是选择最短路径，因此全有全无分配法往往无法准确反映实际的客流分布情况。增量分配法（IncrementalAssignmentMethod）是在全有全无分配法的基础上发展而来的。其原理是将OD交通量分成若干个相等的增量，然后依次将这些增量按照全有全无分配法加载到交通网络上。每次加载一个增量后，会根据网络上的交通状况更新各条路径的阻抗，例如考虑路段的拥堵情况对行程时间的影响，再进行下一个增量的分配。具体来说，首先将OD需求的第一个增量按照全有全无分配法分配到网络中，此时网络中的部分路径会因为新增的流量而导致阻抗增加，如行程时间变长。接着，在分配第二个增量时，基于更新后的阻抗重新计算最短路径，并将该增量分配到新的最短路径上。如此反复，直到所有的OD需求增量都被分配到网络中。这种方法在一定程度上考虑了路径选择的多样性，因为随着分配过程的进行，不同增量可能会分配到不同的路径上，从而更接近实际的客流分配情况。它适用于交通网络相对复杂，需要考虑一定的路径选择多样性和网络拥堵效应的场景，如大城市的轨道交通网络规划初期，对客流分布进行初步估算时可以采用。但增量分配法也存在不足，它对OD需求增量的划分较为敏感，不同的增量划分可能会导致不同的分配结果；而且它仍然没有充分考虑到客流的随机性，在描述实际客流分配的准确性上还有一定的提升空间。2.2.2随机动态分配理论发展随机动态分配理论是在经典交通流分配理论的基础上逐渐发展起来的，其演进历程反映了对实际交通系统复杂性认识的不断深化。早期的交通流分配理论主要关注静态交通网络，即假设交通网络的结构和参数在一定时间内保持不变，忽略了交通流随时间的动态变化以及出行者决策的不确定性。随着交通系统的日益复杂和研究的深入，学者们开始认识到这些局限性，并逐步提出了随机动态分配理论。随机动态分配理论的核心思想是考虑了出行者在路径选择过程中的随机性以及交通流随时间的动态变化特性。在实际出行中，乘客的路径选择并非完全基于最短路径或最小费用路径，而是受到多种因素的综合影响，如出行时间、费用、舒适度、信息获取等，这些因素导致了乘客出行决策的不确定性和随机性。随机动态分配理论通过引入随机效用函数来描述这种不确定性，假设乘客在选择路径时会根据各条路径的随机效用大小进行决策，而随机效用是由多个影响因素组成的函数，其中包含一个随机项来反映乘客的个体差异和不确定性。在动态变化特性方面，随机动态分配理论将时间维度纳入考虑，将交通流的分配过程视为一个随时间变化的动态过程。交通网络中的流量、阻抗等参数会随着时间不断变化，例如在早晚高峰时段，随着客流量的增加，线路的拥堵程度加剧，行程时间变长，这些变化会影响乘客的路径选择，进而导致客流在网络中的动态分配。在城轨客流分配中，随机动态分配理论具有显著的优势。它能够更准确地描述乘客的出行行为和客流的实际分布情况，考虑了乘客的个体差异和出行决策的随机性，使得模型结果更符合实际。通过考虑时间因素，能够捕捉到城轨客流在不同时段的动态变化，为运营部门制定合理的运营计划提供更精确的依据。例如，在制定列车开行方案时，可以根据随机动态分配模型预测的不同时段客流分布，合理安排列车的发车频率和编组，提高运营效率和服务质量。此外，该理论对于分析城轨网络在突发事件下的客流响应也具有重要意义，能够更好地预测运营中断等情况下客流的转移和传播，为应急管理提供有力的支持。三、城轨路网非均衡随机动态客流分配模型构建3.1网络拓扑模型构建3.1.1节点与边的定义在构建城轨路网的网络拓扑模型时，精准定义节点与边是基础且关键的环节。节点在城轨网络中主要代表车站，每个车站都具备独特的属性。车站的地理位置属性，它决定了车站在城市空间中的方位，通过经纬度等坐标信息来明确，这对于分析客流在城市不同区域间的流动具有重要意义。如北京地铁国贸站，其地处东三环与建国门外大街交汇处，优越的地理位置使其成为重要的交通枢纽。车站的类型属性也十分关键，可分为换乘站、终点站、中间站等。换乘站作为多条线路的交汇点，承担着大量的换乘客流，如上海地铁人民广场站，是1号线、2号线和8号线的换乘站，日均换乘客流量巨大，其客流组织和运营管理的复杂性远高于普通中间站；终点站则是线路的起止点，具有列车折返、车辆停放等功能；中间站主要负责乘客的上下车服务。此外，车站的规模属性，包括站台长度、候车区域面积等，会影响其容纳客流量的能力，大型车站能够承受更大的客流压力。边在网络拓扑模型中表示线路，连接着不同的车站节点。线路同样具有多种属性，线路的长度是其重要属性之一，它直接影响列车的运行时间和能耗，不同长度的线路在客流运输能力和效率上存在差异。线路的运行速度也至关重要，不同线路由于车辆类型、轨道条件等因素的不同，运行速度有所区别，如一些城市的快线运行速度高于普通线路，这会影响乘客的出行时间和路径选择。线路的发车频率也会对客流分配产生显著影响，较高的发车频率能够吸引更多乘客选择该线路出行，因为乘客等待时间更短，出行的便捷性更高。例如，在早晚高峰时段，一些繁忙线路会增加发车频率，以满足大量乘客的出行需求，从而改变该线路在网络中的客流分配比例。3.1.2考虑因素在构建城轨路网非均衡随机动态客流分配模型的网络拓扑模型时，除了明确节点与边的定义及属性外，还需充分考虑诸多因素，以确保模型能够更准确地反映实际客流分配情况。线路容量是一个关键因素。每条城轨线路都有其固定的运输能力限制，这取决于列车的编组数量、车辆的载客量以及发车频率等。例如，某条线路采用6节编组的列车，每节车厢的额定载客量为230人，若该线路的最小发车间隔为2分钟，那么在理想情况下，该线路每小时的最大运输能力可通过以下计算得出：每列车的载客量为6\times230=1380人，每小时可发车60\div2=30列，所以该线路每小时的最大运输能力为1380\times30=41400人。当实际客流量超过线路容量时，会出现拥挤现象，影响乘客的出行体验，进而导致乘客可能改变出行路径，选择其他相对宽松的线路，这对客流分配产生直接影响。换乘时间也是不可忽视的因素。换乘时间包括乘客在换乘站从一条线路的站台走到另一条线路站台的步行时间、等待换乘列车的时间等。不同换乘站的换乘设施布局和引导标识的完善程度会导致换乘时间存在差异。一些换乘站通过合理的设计，如设置便捷的换乘通道、清晰的引导标识等，能够有效缩短乘客的换乘时间；而一些换乘站由于布局不合理，可能会使乘客在换乘过程中花费较长时间。例如，上海地铁世纪大道站，作为2号线、4号线、6号线和9号线的换乘站，通过优化换乘通道和标识，大大提高了换乘效率，减少了乘客的换乘时间。换乘时间的长短会影响乘客对出行路径的选择，乘客通常会倾向于选择换乘时间较短的路径，这会改变客流在不同换乘路径上的分配。此外，车站的进出站能力也会对客流分配产生影响。车站的进出站能力取决于出入口的数量、宽度以及自动售检票设备的数量和运行效率等。在客流高峰期，如果车站的进出站能力不足，会导致乘客在出入口和站厅处拥堵，影响乘客的进站和出站速度。如北京地铁西直门站，在早高峰时，由于进出站乘客众多，若出入口和售检票设备的通行能力有限，就会造成大量乘客在站外排队等候进站，这不仅影响乘客的出行效率，还可能导致部分乘客改变出行计划，选择其他交通方式或调整出行时间，从而对城轨路网的客流分配产生间接影响。3.2出行路径阻抗建模3.2.1阻抗因素分析旅行时间是影响路径阻抗的关键因素之一。乘客在选择出行路径时，往往会优先考虑旅行时间的长短。旅行时间包括列车在区间的运行时间、停站时间以及在车站的候车时间等。在实际运营中，不同线路的运行速度、发车间隔以及站点间距等因素都会导致旅行时间的差异。例如，在一些城市的轨道交通系统中，快线的运行速度较快，停站较少，其旅行时间相对较短，对于追求高效出行的乘客来说，具有较低的路径阻抗；而慢线由于停站较多，运行速度相对较慢，旅行时间较长，路径阻抗相对较高。此外，在早晚高峰时段，由于客流量较大，列车的满载率增加，可能会导致停站时间延长，进一步增加旅行时间，从而提高路径阻抗。换乘次数对路径阻抗也有着重要影响。换乘过程需要乘客付出额外的时间和精力，包括在换乘站从一条线路的站台走到另一条线路站台的步行时间、等待换乘列车的时间等。换乘次数越多，乘客所花费的总时间和精力就越多，路径阻抗也就越高。而且，换乘过程中的不确定性因素也会增加乘客的心理负担，如换乘通道的拥堵、换乘指示标识不清晰等，都可能导致乘客在换乘时花费更多的时间，进一步加大路径阻抗。例如，在北京地铁的一些换乘站，如西直门站、东直门站等，由于换乘线路较多，客流量大，换乘通道较为复杂，乘客在换乘时往往需要花费较长时间，使得包含这些换乘站的出行路径阻抗明显增加。拥挤程度是影响乘客出行体验的重要因素，也会对路径阻抗产生显著影响。当车厢内或站台拥挤时，乘客的舒适度会大大降低，站立空间受限，甚至可能无法正常站立，这会使乘客感到不适和烦躁。对于对舒适度要求较高的乘客来说，拥挤程度高的路径具有较高的路径阻抗。在实际运营中，不同线路和时段的拥挤程度存在差异。例如，在早晚高峰时段，一些连接居住区和工作区的线路，如上海地铁2号线的部分区间，车厢内拥挤程度较高，乘客的站立空间狭小，此时该线路的路径阻抗相对较大；而在平峰时段，车厢内相对宽松，乘客的舒适度提高，路径阻抗也相应降低。此外，拥挤程度还可能影响乘客的出行安全，增加乘客在车厢内受伤的风险，这也是乘客在选择路径时会考虑的因素之一。3.2.2阻抗函数构建为了准确描述出行路径的阻抗，综合考虑旅行时间、换乘次数、拥挤程度等因素，构建如下路径阻抗函数：Z_{ij}^k=\alpha\cdotT_{ij}^k+\beta\cdotN_{ij}^k+\gamma\cdotC_{ij}^k其中，Z_{ij}^k表示从起点i到终点j的第k条路径的阻抗；T_{ij}^k为第k条路径的旅行时间，包括列车运行时间、停站时间和候车时间等，可通过对线路运行图和历史客流数据的分析计算得出；N_{ij}^k是第k条路径的换乘次数，可根据路径所经过的换乘站数量确定；C_{ij}^k代表第k条路径的拥挤程度，可采用车厢满载率或站台客流量密度等指标来衡量，通过实时客流监测数据获取；\alpha、\beta、\gamma分别为旅行时间、换乘次数、拥挤程度的权重系数，反映了不同因素对乘客路径选择的影响程度，可通过问卷调查、实际运营数据统计分析以及基于机器学习的参数估计方法等确定。在确定权重系数时，考虑到不同乘客对各因素的敏感程度不同，可采用分层抽样的方法，对不同年龄、性别、职业、出行目的的乘客进行问卷调查。问卷内容包括乘客在不同出行场景下对旅行时间、换乘次数、拥挤程度等因素的偏好程度，以及在实际出行中对不同路径的选择情况。通过对问卷数据的统计分析，利用层次分析法（AHP）等方法计算出不同类型乘客对各因素的权重系数。例如，对于通勤乘客来说，由于出行时间较为固定，对旅行时间的敏感度较高，\alpha的值相对较大；而对于休闲出行的乘客，可能更注重出行的舒适度，\gamma的值会相对较高。通过这种方式确定的权重系数，能够更准确地反映不同乘客群体的出行决策行为，使构建的路径阻抗函数更符合实际情况。3.3有效路径搜索算法3.3.1算法原理有效路径搜索算法是城轨路网非均衡随机动态客流分配模型中的关键组成部分，其原理基于广度优先搜索（BFS）等经典算法，并结合城轨网络的特点进行了优化和改进。广度优先搜索算法是一种用于遍历或搜索图形或树的算法，它从起始节点开始，以广度优先的方式逐层扩展搜索。在城轨网络中，起始节点即为乘客的出发站点，目标节点为乘客的到达站点。算法开始时，创建一个队列，并将起始节点加入队列中，同时标记起始节点为已访问。这一步骤相当于在城轨网络中确定了乘客的出发位置，并记录下该位置已被探索过。然后，从队列中取出第一个节点，检查该节点是否为目标节点。如果是目标节点，则说明找到了一条从起始站点到目标站点的路径，搜索结束。例如，当乘客从A站出发前往B站，在搜索过程中，若当前取出的节点恰好是B站，那么就找到了一条可行路径。如果不是目标节点，则将该节点的所有未访问的邻居节点（即与该节点直接相连的其他站点）入队，并标记为已访问。这意味着在当前站点的基础上，继续探索与其相连的其他站点，扩展搜索范围。在这个过程中，为了确保搜索的有效性和准确性，会对路径进行筛选。例如，会排除那些换乘次数过多、旅行时间过长或拥挤程度过高的路径。因为在实际出行中，乘客往往会倾向于选择相对便捷、舒适的路径，所以在搜索过程中就需要考虑这些因素，避免搜索到不符合实际需求的路径。通过不断重复从队列中取出节点、检查是否为目标节点、将邻居节点入队并标记的步骤，直到队列为空或找到目标节点。这种逐层扩展的搜索方式，能够确保在搜索过程中不会遗漏任何可能的路径，并且能够找到从起始节点到目标节点的最短路径（在不考虑路径阻抗因素时），或者在考虑路径阻抗因素时，找到相对最优的路径。例如，在一个简单的城轨网络中，从站点1出发到站点5，通过广度优先搜索算法，会依次探索与站点1相连的站点2和站点3，然后再探索站点2和站点3的邻居节点，直到找到站点5，从而确定从站点1到站点5的有效路径。3.3.2算法实现与优化在实现有效路径搜索算法时，需要对城轨网络进行数据结构的设计和存储。通常采用邻接表来存储城轨网络的拓扑结构，邻接表能够清晰地表示节点（车站）之间的连接关系以及边（线路）的属性，如线路长度、运行速度、发车频率等。对于每个车站节点，在邻接表中记录其所有相邻的车站节点以及连接它们的线路信息。例如，在一个包含多个车站的城轨网络中，车站A与车站B、车站C相邻，通过邻接表可以方便地存储这些信息，包括从车站A到车站B和车站C的线路相关属性，如线路的运行时间、换乘信息等。算法实现的具体步骤如下：首先，初始化队列和已访问节点集合，将起始节点加入队列，并标记为已访问。这一步骤为搜索过程做好准备，确定了搜索的起点。然后，进入循环，从队列中取出当前节点。在取出节点时，需要注意队列的操作，确保按照先进先出的原则进行。检查当前节点是否为目标节点，如果是，则记录路径并结束搜索。若不是目标节点，则遍历当前节点的所有邻居节点。对于每个邻居节点，判断其是否已被访问过，如果未被访问，则将其加入队列，并标记为已访问，同时记录该邻居节点的前驱节点为当前节点，以便后续回溯路径。例如，当从当前节点A遍历到邻居节点B时，若B未被访问，就将B加入队列，标记B为已访问，并记录A为B的前驱节点。通过这样的方式，在找到目标节点后，可以通过前驱节点回溯，确定从起始节点到目标节点的完整路径。针对城轨网络的特点，对算法进行了一系列优化措施。考虑到城轨网络中换乘站的重要性，在搜索过程中对换乘站进行特殊处理。当搜索到换乘站时，优先选择换乘时间较短的线路进行扩展。例如，在一个换乘站有两条线路可供换乘，线路1的换乘时间为3分钟，线路2的换乘时间为5分钟，那么算法会优先选择线路1进行后续的搜索，以减少总的换乘时间，提高路径的合理性。为了减少无效搜索，采用了启发式函数对搜索方向进行引导。启发式函数可以根据目标站点的位置、线路的繁忙程度等因素，估算从当前节点到目标节点的大致距离或代价，从而优先选择代价较小的节点进行扩展。例如，根据目标站点的位置和线路的走向，估算出从当前节点沿着某条线路前进到达目标站点的距离，优先选择距离较近的线路方向进行搜索，避免在无关的线路和站点上浪费搜索时间，提高搜索效率。此外，还可以利用历史客流数据对算法进行优化。根据以往的客流数据，分析不同时间段、不同线路的客流分布情况，对于客流拥挤的线路和站点，适当降低其在搜索过程中的优先级，引导乘客选择相对宽松的路径，以实现客流的均衡分配。例如，在早高峰时段，某条线路经常出现拥挤情况，通过历史客流数据得知这一信息后，在搜索路径时，对于经过该线路的路径给予较低的优先级，鼓励乘客选择其他相对不拥挤的线路，从而缓解该线路的客流压力。3.4多路径客流随机动态分配模型3.4.1效用函数建立基于出行者的行为特性建立路径效用函数，能够更准确地描述乘客在选择出行路径时的决策过程。出行者在选择路径时，会综合考虑多种因素，这些因素对路径效用的影响程度各不相同。在城轨交通中，旅行时间是出行者最为关注的因素之一，它直接影响出行者的出行效率。以一位通勤上班族为例，他每天早上需要在规定时间内到达工作地点，旅行时间的长短直接关系到他是否会迟到，因此他会更倾向于选择旅行时间较短的路径。换乘次数也是影响出行决策的重要因素，换乘过程需要乘客付出额外的时间和精力，包括步行到换乘站台、等待换乘列车等，换乘次数越多，出行的不便性就越高。例如，对于携带行李较多的乘客来说，多次换乘会增加他们的负担，所以他们会尽量选择换乘次数少的路径。拥挤程度则影响出行的舒适度，在高峰时段，车厢内拥挤不堪，乘客站立空间狭小，这会让乘客感到不适，因此对舒适度要求较高的乘客会避免选择拥挤程度高的路径。为了量化这些因素对路径效用的影响，构建如下路径效用函数：U_{ij}^k=-\theta\cdotZ_{ij}^k+\varepsilon_{ij}^k其中，U_{ij}^k表示从起点i到终点j的第k条路径的效用；\theta为尺度参数，用于调节路径阻抗对效用的影响程度，其值越大，表示出行者对路径阻抗的变化越敏感。当\theta较大时，出行者会更加关注路径的旅行时间、换乘次数和拥挤程度等因素，对路径的选择更加谨慎；而当\theta较小时，出行者对路径阻抗的敏感度较低，可能会更随意地选择路径。Z_{ij}^k为第k条路径的阻抗，由前文所述的阻抗函数确定；\varepsilon_{ij}^k是随机项，用于描述出行者个体差异以及其他未考虑因素对路径选择的影响，通常假设其服从Gumbel分布。不同出行者由于个人偏好、出行习惯、时间价值等因素的不同，对同一条路径的评价也会不同，随机项能够体现这种个体差异。例如，有些出行者可能更愿意为了节省几分钟的旅行时间而选择换乘次数较多的路径，而有些出行者则更看重换乘的便捷性，即使旅行时间稍长也会选择换乘次数少的路径，随机项可以反映这些个体之间的差异。3.4.2基于改进Logit模型的分配模型构建基于改进Logit模型的多路径客流随机动态分配模型，以实现对城轨路网客流的准确分配。在传统Logit模型的基础上，结合城轨交通的特点和客流的动态变化特性进行改进，使其更符合实际运营情况。改进的Logit模型表达式如下：P_{ij}^k=\frac{e^{\theta\cdotU_{ij}^k}}{\sum_{l\inK_{ij}}e^{\theta\cdotU_{ij}^l}}其中，P_{ij}^k表示从起点i到终点j的第k条路径被选择的概率；U_{ij}^k为第k条路径的效用，由前文建立的效用函数确定；K_{ij}是从起点i到终点j的所有可行路径集合；\theta为尺度参数，其作用与效用函数中的\theta一致，调节路径效用对路径选择概率的影响程度。尺度参数\theta与出行者的决策行为密切相关。当\theta趋近于0时，所有路径被选择的概率趋于相等，这意味着出行者在选择路径时几乎不考虑路径的效用差异，可能是因为他们对各条路径的信息了解不足，或者对出行的效率、舒适度等因素不太在意，只是随机地选择路径。当\theta趋于无穷大时，出行者会绝对选择效用最大的路径，此时模型趋近于确定性的最短路径分配模型，这表示出行者具有完全的理性和准确的信息，能够精确地判断出哪条路径是最优的，并始终选择该路径。在实际应用中，\theta的值通常需要根据实际数据进行校准，以更好地反映出行者的真实决策行为。通过对大量出行者的路径选择数据进行分析，利用最大似然估计等方法，可以确定出最合适的\theta值，使模型能够更准确地预测客流在不同路径上的分配情况。在该分配模型中，路径选择概率P_{ij}^k反映了出行者在面对多条可行路径时选择第k条路径的可能性。当某条路径的效用U_{ij}^k较高时，即该路径的旅行时间短、换乘次数少、拥挤程度低等，其被选择的概率P_{ij}^k也会相应增大。例如，在早高峰期间，某条线路的运行时间较短，且换乘站的换乘效率较高，那么这条线路上的路径效用就会相对较高，更多的乘客会选择该路径出行，从而导致该路径上的客流量增加。而当某条路径的效用较低时，选择该路径的乘客就会较少，客流量也就相应减少。通过这种方式，改进的Logit模型能够根据路径效用的变化动态地分配客流，更准确地模拟城轨路网中客流的实际分布情况。四、城轨运营中断场景分析及对客流分配的影响4.1运营中断场景分类与原因分析4.1.1场景分类在城市轨道交通运营过程中，运营中断场景类型多样，根据其产生的原因和特点，主要可分为设备故障、自然灾害、突发事件等类型。设备故障是导致运营中断的常见原因之一，涵盖了多种关键设备系统的故障情况。信号系统故障在设备故障中较为突出，信号系统犹如城轨运营的“神经中枢”，一旦出现故障，列车的运行秩序将受到严重干扰。例如，信号设备的硬件故障、软件漏洞、通信中断等，都可能导致信号显示错误、列车定位不准确、自动闭塞功能失效等问题。当信号系统出现故障时，列车无法按照正常的信号指示运行，可能会被迫减速、停车，甚至引发列车追尾等严重事故，从而导致线路运营中断。供电系统故障也不容忽视，它是保障列车动力和各类设备正常运行的关键。供电设备的损坏、电力供应中断、接触网故障等，都可能使列车失去动力，无法正常行驶。如2022年，某城市地铁因供电系统的变压器故障，导致该线路部分区间停电，多趟列车被迫停在区间内，造成了长达数小时的运营中断，大量乘客滞留，给市民的出行带来极大不便。此外，列车自身的故障，如车辆制动系统故障、牵引系统故障、车门故障等，也可能导致列车无法正常运行，引发运营中断。自然灾害具有不可预测性和强大的破坏力，对城轨运营构成严重威胁。地震可能导致轨道变形、桥梁坍塌、车站结构受损等，使列车无法安全行驶。例如，在2011年日本发生的东日本大地震中，东京的部分地铁线路受到严重破坏，轨道扭曲，车站设施损坏，多条线路停运，给城市交通和居民生活带来了巨大冲击。洪水会淹没车站和轨道，损坏设备，影响供电和通信系统。如2021年河南郑州遭遇特大暴雨，城市内涝严重，郑州地铁多条线路被淹，大量乘客被困在车厢和车站内，造成了极其惨痛的后果，不仅导致长时间的运营中断，还引发了社会各界对城市轨道交通应对自然灾害能力的高度关注。台风可能会吹倒沿线的广告牌、树木等物体，侵入轨道，影响列车运行安全，同时也可能损坏车站的建筑结构和设备设施，导致运营中断。突发事件涵盖人为因素引发的各种紧急情况，如火灾、爆炸、恐怖袭击等。这些事件往往具有突发性和严重性，会对城轨运营和乘客安全造成巨大威胁。车站或列车上发生火灾，可能是由于电气设备故障、乘客携带易燃易爆物品、人为纵火等原因引起。火灾发生后，不仅会直接损坏设备和设施，还会产生大量烟雾，危及乘客生命安全，导致车站疏散和线路停运。例如，2003年韩国大邱地铁火灾事件，由于人为纵火，造成了198人死亡，147人受伤，多座车站和大量列车被烧毁，大邱地铁系统陷入瘫痪，运营中断长达数月之久。爆炸和恐怖袭击更是严重威胁公共安全的突发事件，一旦发生，会造成重大人员伤亡和财产损失，同时也会导致城轨运营的长时间中断，引发社会恐慌。此外，大型活动引发的大客流也可能导致运营中断。当举办大型体育赛事、演唱会、展会等活动时，大量人员集中出行，可能会超出城轨系统的承载能力，导致车站拥挤、列车满载率过高，甚至出现乘客无法正常上下车的情况，为了确保安全，运营部门可能会采取限流、停运等措施，从而造成运营中断。4.1.2常见原因剖析信号系统故障是引发运营中断的重要原因之一，其产生的原因较为复杂。信号系统中的硬件设备，如信号机、轨道电路、转辙机等，长期运行后可能会出现磨损、老化、故障等问题。例如，信号机的灯泡可能会因长时间使用而烧毁，导致信号显示异常；轨道电路可能会受到外界干扰，如电磁干扰、轨道生锈等，影响其对列车位置的检测精度；转辙机的机械部件可能会出现磨损、卡死等情况，导致道岔无法正常转换，影响列车的行驶路径。信号系统的软件也可能存在漏洞或故障，如程序错误、数据传输错误等。软件漏洞可能会导致信号系统在处理列车运行信息时出现错误，如错误地分配进路、发出错误的信号指令等。在系统升级或维护过程中，如果操作不当，也可能引发软件故障，影响信号系统的正常运行。通信故障也是信号系统故障的常见原因之一，信号系统需要通过通信网络实现各设备之间的数据传输和信息交互，如果通信线路中断、通信设备故障或通信协议不兼容等，都可能导致信号系统无法正常工作，进而引发运营中断。供电故障同样对城轨运营有着重大影响。供电系统中的关键设备，如变电站的变压器、开关柜、整流器等，可能会因为过载、短路、绝缘老化等原因发生故障。当变压器过载运行时，会导致其温度升高，绝缘性能下降，最终可能引发故障，影响电力的正常供应。短路故障则会瞬间产生巨大的电流，损坏供电设备，甚至引发火灾。供电线路也可能出现故障，如电缆老化、破损、被盗等，导致电力传输中断。在恶劣天气条件下，如雷击、暴雨等，供电线路更容易受到损坏。雷击可能会击穿供电设备的绝缘层，导致设备故障；暴雨可能会使供电线路的接头受潮，引发短路故障。此外，供电系统的继电保护装置如果误动作或拒动作，也会影响供电的稳定性，当出现故障时，继电保护装置不能及时切断故障电路，会导致故障范围扩大，影响更多区域的供电，从而引发运营中断。除了上述原因，列车故障也是导致运营中断的常见因素。列车的制动系统是保障列车安全运行的关键部件之一，如果制动系统出现故障，如制动片磨损严重、制动缸泄漏、制动控制单元故障等，会导致列车制动失灵或制动力不足。在列车运行过程中，制动失灵将无法保证列车在规定的距离内停车，可能会引发列车追尾、出轨等严重事故，从而导致运营中断。牵引系统故障会影响列车的动力输出，如牵引电机故障、逆变器故障、受流器故障等，使列车无法正常启动、加速或维持运行速度。车门故障则会影响乘客的正常上下车，如车门无法正常开启或关闭、车门夹人夹物等，不仅会影响列车的正点运行，还可能对乘客的安全造成威胁。列车的其他设备，如空调系统、照明系统、通信系统等出现故障，虽然不一定会直接导致列车无法运行，但会影响乘客的舒适度和列车的正常运营秩序，在严重情况下也可能引发运营中断。4.2运营中断对客流分配的影响机制4.2.1客流重新分布规律当城轨运营中断发生时，受影响线路和站点的客流会迅速向其他线路和站点转移，导致客流在整个城轨路网中的重新分布。这种重新分布具有一定的规律，且受到多种因素的综合影响。在空间上，与中断线路相邻且有换乘连接的线路和站点往往会首先承接大量转移客流。例如，若某城市地铁1号线的某区间发生运营中断，与之相邻且在多个站点有换乘的2号线，其靠近中断区间的站点会迎来大量从1号线换乘过来的乘客。这些站点的客流量可能在短时间内急剧增加，远远超过其正常承载能力，从而导致站台拥挤、换乘效率降低等问题。从线路层面看，平行线路也会分担部分客流。假设1号线是一条南北走向的线路，其运营中断后，与之平行的4号线可能会吸引原本计划乘坐1号线的乘客，这些乘客会选择乘坐4号线到达相近的目的地，从而使4号线的客流量显著上升。不同区域的客流转移情况也有所差异。在城市核心区域，由于就业岗位集中、商业活动频繁，客流量本身就较大，运营中断时，该区域的客流转移对周边线路和站点的影响更为明显。例如，北京的国贸地区，多条地铁线路交汇，若其中一条线路中断，周边线路的客流压力会迅速增大，不仅会影响本线路的正常运营，还可能导致周边区域的交通拥堵加剧。而在城市边缘区域，客流转移相对较少，但对于该区域内有限的线路和站点来说，也可能造成较大的运营压力。在时间上，客流重新分布具有即时性和持续性的特点。运营中断发生后，客流会立即开始转移，在短时间内（如几分钟到半小时内），受影响站点的乘客会迅速寻找替代路径，导致周边线路和站点的客流量瞬间增加。这种即时性的客流转移对运营部门的应急响应能力提出了很高的要求，需要迅速采取措施来应对突然增加的客流。随着时间的推移，客流重新分布会呈现出持续性的变化。在中断初期，乘客可能会选择较为熟悉的线路和站点进行转移，但随着对中断情况的进一步了解和信息的获取，他们可能会根据实际情况调整出行路径，导致客流在不同线路和站点之间的再次分配。例如，在运营中断持续一段时间后，一些乘客可能会发现原本选择的替代线路也出现了拥挤情况，于是他们会重新规划路径，选择其他相对宽松的线路，从而使客流分布再次发生变化。这种持续性的客流变化要求运营部门持续关注客流动态，及时调整运营策略，以保障整个城轨路网的正常运行。4.2.2乘客出行行为改变运营中断会对乘客的出行行为产生显著影响，涉及出行路径、出行时间、出行方式等多个方面。在出行路径选择上，乘客会放弃原计划的出行路径，转而寻找其他可行路径。当所乘线路发生运营中断时，乘客会根据自己对城轨网络的了解、获取的实时信息以及自身的出行需求来选择新的路径。若中断区间较短且预计恢复时间较快，部分乘客可能会选择等待原线路恢复运营，维持原出行路径。但当预计中断时间较长时，大多数乘客会选择换乘其他线路。例如，在早高峰时段，一位乘客原本计划乘坐地铁A线从家到公司，途中A线某区间发生运营中断，且预计恢复时间需要1小时。此时，该乘客可能会通过手机上的地铁官方APP或车站的公告信息，了解到可以通过换乘B线和C线到达公司，虽然换乘次数增加且行程时间可能变长，但为了尽快到达目的地，他会选择这条新的路径。在选择新路径时，乘客会综合考虑多个因素，如换乘次数、旅行时间、拥挤程度等。通常情况下，乘客会优先选择换乘次数少、旅行时间短的路径，但在实际情况中，这些因素往往相互制约。例如，一条路径虽然换乘次数少，但可能因为线路拥挤或需要绕行而导致旅行时间过长；而另一条路径虽然旅行时间相对较短，但可能需要多次换乘。因此，乘客会在这些因素之间进行权衡，根据自己的偏好和实际情况做出决策。运营中断还会导致乘客出行时间的改变。一方面，由于需要寻找替代路径和换乘，乘客的整体出行时间会增加。如上述例子中，原本乘坐A线直达公司的乘客，在换乘B线和C线后，行程时间可能会比原计划增加30分钟甚至更多。这种出行时间的增加可能会影响乘客的日常安排，导致他们上班迟到、错过重要会议等。另一方面，乘客的出发时间和到达时间也可能发生变化。一些乘客可能会因为担心运营中断导致出行时间延长，而提前出发，以确保能够按时到达目的地。例如，一位平时在早上8点出门上班的乘客，在得知所乘线路可能会出现运营中断后，会提前到7点半出门，以预留足够的时间应对可能出现的延误。而对于一些对时间要求不是特别严格的乘客，可能会选择推迟出行，等待运营中断情况有所缓解后再出发，以避免在车站长时间等待和拥挤的情况。在出行方式上，部分乘客可能会放弃城轨交通，选择其他交通方式出行。当城轨运营中断且预计恢复时间较长时，一些乘客会认为选择其他交通方式更为便捷和高效。例如，一些原本乘坐地铁上下班的乘客，在遇到运营中断时，可能会选择打车或使用网约车服务，虽然费用较高，但可以节省时间，避免在城轨系统中长时间等待和换乘。一些短途出行的乘客可能会选择骑自行车或电动车，这种出行方式不仅灵活，还能避免交通拥堵。对于一些距离较近且出行时间较为充裕的乘客，步行也是一种选择。此外，一些乘客可能会选择乘坐公交车，虽然公交车的速度相对较慢，但线路覆盖范围广，在城轨运营中断时，通过合理规划公交线路，也能到达目的地。这些出行方式的改变会对城市交通系统产生连锁反应，增加道路交通的压力，导致道路拥堵加剧。因此，在城轨运营中断时，运营部门需要与其他交通部门协同合作，做好交通疏导和协调工作，以保障城市交通的整体运行效率。五、非均衡随机动态客流分配方法在运营中断时的应用策略5.1中断场景下的模型调整与优化5.1.1参数修正在运营中断场景下，对非均衡随机动态客流分配模型的参数进行修正，是确保模型能够准确反映客流变化的关键步骤。路径阻抗参数需要根据运营中断的具体情况进行重新评估和调整。由于运营中断，受影响线路的旅行时间会显著增加，甚至变为无穷大（当线路完全中断无法通行时）。例如，若某条城轨线路因设备故障导致部分区间停运，原本通过该区间的路径旅行时间将大幅延长，可能需要通过绕行其他线路来完成出行，这使得该路径的实际旅行时间远远超出正常运营时的水平。因此，在模型中，需要相应地增大受影响路径的旅行时间参数，以准确反映这种变化。换乘次数参数也可能发生改变。当运营中断发生时，乘客为了到达目的地，可能需要进行更多的换乘。原本可以直达或只需一次换乘的出行，可能需要多次换乘不同线路才能完成。如在某城市地铁运营中断事件中，部分乘客原本从A站到B站只需在C站换乘一次，由于运营中断，他们需要先从A站换乘到D站，再从D站换乘到E站，最后从E站到达B站，换乘次数从一次增加到三次。在模型中，需要根据实际情况更新换乘次数参数，以体现这种变化对路径阻抗的影响。乘客选择概率参数同样需要修正。运营中断会改变乘客对不同路径的选择偏好。在正常运营情况下，乘客可能更倾向于选择旅行时间短、换乘次数少的路径。但在运营中断时，由于部分路径无法通行或通行条件恶化，乘客的选择行为会发生变化。一些原本不太受欢迎的路径，可能因为是唯一可行的选择而被更多乘客选择。例如，在某条繁忙线路运营中断后，一些平时客流量较小的支线线路，由于成为了部分乘客的替代出行路径，客流量大幅增加。这表明乘客在运营中断时，对路径的选择概率发生了改变。在模型中，需要根据实际调查和数据分析，重新估计乘客在运营中断情况下对不同路径的选择概率参数，以更准确地模拟客流分配情况。5.1.2考虑因素补充为了使非均衡随机动态客流分配模型在运营中断场景下更加完善和准确，需要补充考虑多个关键因素。中断恢复时间是一个重要因素，它对乘客的出行决策和客流分配有着显著影响。当运营中断发生时，乘客会根据中断恢复时间来决定是等待线路恢复还是选择其他替代路径。如果预计中断恢复时间较短，如在30分钟以内，部分乘客可能会选择在车站等待，他们认为等待线路恢复后继续乘坐原线路出行，总出行时间可能比选择其他复杂的替代路径更短。但如果预计中断恢复时间较长，如超过1小时，大多数乘客会选择寻找其他可行路径。在模型中考虑中断恢复时间，可以通过设置不同的情景来模拟乘客的决策行为。例如，设定中断恢复时间为30分钟、60分钟、90分钟等不同情景，分析在不同情景下乘客的路径选择和客流分配变化。通过对实际运营数据和乘客调查数据的分析，确定在不同中断恢复时间情景下，乘客选择等待和选择替代路径的比例，从而更准确地预测客流在不同路径上的分配情况。应急公交接驳也是需要重点考虑的因素。在城轨运营中断时，应急公交接驳是疏散乘客的重要手段之一。应急公交的线路设置、发车频率、运行时间等因素都会影响乘客的选择。合理设置应急公交接驳线路，使其能够覆盖城轨线路的主要站点，方便乘客转乘，是提高应急公交接驳效率的关键。在某城市地铁运营中断时，应急公交接驳线路覆盖了受影响线路的多个主要站点，且发车频率较高，吸引了大量乘客选择应急公交出行。在模型中，需要考虑应急公交的这些因素，将应急公交作为一种新的出行路径纳入模型中。通过建立应急公交路径的阻抗函数，综合考虑应急公交的旅行时间、换乘时间（如果需要换乘其他公交或交通方式）、拥挤程度等因素，确定应急公交路径的阻抗。同时，根据实际调查数据，确定乘客在运营中断时选择应急公交路径的概率，从而实现对包含应急公交路径的客流分配模拟，为应急公交的调度和运营提供决策支持。5.2基于分配结果的运营应对策略制定5.2.1行车组织调整基于客流分配结果，对行车组织进行科学合理的调整，是有效应对运营中断的关键举措。在运营中断发生后，通过客流分配模型能够准确获取各线路和站点的客流变化情况，为行车组织调整提供精准依据。当部分线路客流量大幅增加时，合理调整列车运行计划至关重要。可以通过缩短列车运行间隔来增加线路的运输能力。例如，在正常运营情况下，某条线路的列车运行间隔为5分钟，在运营中断导致该线路客流量激增后，将运行间隔缩短至3分钟，这样每小时的发车数量就从12列增加到20列，能够有效提高线路的客运能力，满足更多乘客的出行需求。优化列车的停站策略也是一种有效的方法。对于一些客流量较小的站点，可以采取跳站停车的方式，减少列车的停站时间，提高列车的运行速度，从而在相同时间内运送更多乘客。但在实施跳站停车策略时，需要充分考虑乘客的出行需求和换乘情况，提前做好信息发布和引导工作，避免给乘客带来不便。加开列车是应对客流高峰的重要手段之一。根据客流分配结果，确定需要加开列车的线路和时段。在早高峰期间，若某条连接居住区和工作区的线路因运营中断导致客流量远超正常水平，可从车辆段调配备用列车，在该线路上增加列车开行数量。加开列车时，需要合理安排列车的开行顺序和停靠站点，确保列车运行的安全和有序。同时，要做好与现有列车运行计划的衔接，避免出现列车冲突和晚点等情况。此外，还可以根据客流的实时变化，灵活调整加开列车的数量和运行区间，以适应不同时段的客流需求。例如，在客流高峰初期，可先加开部分列车，随着客流量的进一步增加，再适时增加加开列车的数量；当客流高峰逐渐缓解时，减少加开列车的数量，恢复正常的列车运行计划，以提高运营效率和降低运营成本。5.2.2应急公交接驳规划依据客流分配结果规划应急公交接驳线路和站点，是提高应急疏散效率、保障乘客顺利出行的重要环节。在城轨运营中断时，应急公交接驳能够及时疏散滞留乘客，缓解城轨系统的客流压力，确保城市交通的基本运行。在规划应急公交接驳线路时，充分参考客流分配结果，明确乘客的主要流向和聚集区域。如果运营中断导致某条城轨线路的部分站点客流量大幅增加，且这些站点周边的公交线路无法满足乘客的疏散需求，就需要规划新的应急公交接驳线路。根据客流分配结果显示，受运营中断影响，A站、B站和C站的客流量激增，且这三个站点周边的常规公交线路无法有效疏散乘客。此时，可以规划一条应急公交接驳线路，从A站出发，途经B站和C站，最终到达附近的交通枢纽或主要换乘点，方便乘客转乘其他交通方式。在确定线路走向时，要尽量避开交通拥堵路段，选择路况较好、通行能力较强的道路，以提高应急公交的运行速度和效率。同时，要考虑与其他公交线路和交通方式的衔接，实现多种交通方式的协同配合，为乘客提供更加便捷的出行选择。例如，将应急公交接驳线路与附近的地铁站、公交枢纽、出租车停靠点等进行有效衔接，使乘客能够在不同交通方式之间快速转换，减少出行时间和换乘成本。合理设置应急公交接驳站点也是至关重要的。站点的设置要便于乘客上下车，且能够覆盖受影响的主要区域。在城轨站点附近设置应急公交接驳站点时，要确保站点与城轨站点之间的步行距离较短，方便乘客快速换乘。可以在城轨站点的出入口附近设置专门的应急公交停靠区域，设置明显的标识和引导牌，引导乘客前往乘坐。同时，要根据客流分布情况，在乘客聚集较多的区域增设应急公交接驳站点。在大型商业区、办公区等周边，由于运营中断导致大量乘客滞留，可在这些区域的主要路口或广场设置应急公交接驳站点，方便乘客就近乘坐应急公交。此外，还要考虑站点的承载能力和安全性，确保站点能够容纳足够数量的乘客候车，并且不会对周边交通秩序造成影响。在设置站点时，要合理规划候车区域，设置排队栏杆和安全警示标志，防止乘客拥挤和发生意外事故。六、案例分析6.1案例选取与数据收集6.1.1城轨路网选取本研究选取了具有典型性和代表性的某城市城轨路网作为案例研究对象。该城市作为区域经济、文化和交通中心，人口密集，城市化进程快速发展，城轨交通在城市交通体系中占据核心地位。其城轨路网规模较大，截至2023年底，已开通运营线路10条，线路总长度达350公里，车站总数250座，广泛覆盖了城市的主要功能区，包括中心城区的商业中心、金融区、行政区，以及城市周边的大型居住区、产业园区等。线路布局呈现出放射性与网格状相结合的特点，其中放射性线路连接城市中心与外围区域，方便居民的跨区域出行；网格状线路则在中心城区加密，提高了线路的覆盖密度和可达性。该城轨路网的客流特征复杂多样，具有显著的非均衡性和动态变化特性。在时间维度上，工作日的早晚高峰时段客流量巨大，早高峰时段（7:00-9:00）和晚高峰时段（17:00-19:00）的客流量分别占全天客流量的30%和25%左右，且不同线路和站点在高峰时段的客流增长幅度存在差异。周末和节假日的客流分布也各有特点，周末时商业中心和旅游景点周边线路的客流量明显增加，而节假日则呈现出更为分散的客流分布，探亲访友、休闲旅游等出行目的的客流占比较大。在空间维度上，不同区域的站点客流量差异显著，中心城区的核心站点，如位于商业中心的A站和交通枢纽的B站，日均客流量分别可达30万人次和40万人次以上，远远高于城市边缘区域站点的客流量。同时，换乘站作为客流的汇聚和分散节点，承担着大量的换乘客流，其客流组织和运营管理的难度较大。例如，某换乘站连接了三条线路，日均换乘客流量可达15万人次，在高峰时段，换乘通道内人流密集，对运营安全和服务质量提出了很高的要求。6.1.2数据收集与整理为了深入研究该城轨路网的客流分配情况，全面收集了多源数据，并进行了系统的整理和分析。收集的数据包括线路数据、客流数据、运营中断记录等，这些数据涵盖了城轨路网的基础设施、客流动态以及运营异常情况等多个方面，为后续的研究提供了坚实的数据基础。线路数据主要来源于城轨运营公司的线路规划和设计文档，包括线路的走向、站点分布、线路长度、车站间距、线路类型（如地下线、地面线、高架线）等详细信息。通过对这些数据的整理和分析，构建了准确的城轨路网拓扑结构，明确了各线路和站点之间的连接关系。例如，通过线路走向和站点分布数据，绘制了城轨路网的线路图，直观地展示了线路的布局和站点的位置；利用线路长度和车站间距数据，计算了列车在各区间的运行时间，为后续的客流分配模型提供了重要的参数。客流数据的收集采用了多种方法，包括自动售检票系统（AFC）数据、乘客刷卡数据、车站客流监测设备数据等。AFC系统记录了乘客的进站时间、出站时间、进站站点、出站站点等信息，通过对这些数据的分析，可以获取乘客的出行OD矩阵，即不同站点之间的客流量分布情况。乘客刷卡数据则提供了更详细的乘客出行轨迹信息，包括换乘站点、换乘时间等，有助于深入分析乘客的换乘行为和路径选择偏好。车站客流监测设备，如红外传感器、视频监控等，实时采集了车站内的客流量、客流密度、乘客流动方向等数据，这些数据反映了车站在不同时段的客流动态变化情况。为了确保数据的准确性和完整性，对收集到的客流数据进行了清洗和预处理，去除了异常数据和重复数据，并对缺失数据进行了合理的填补。例如，对于AFC系统中出现的异常刷卡记录，如短时间内多次进出站、进站未出站等情况，通过与其他数据进行比对和分析，进行了修正和处理；对于部分车站客流监测设备因故障导致的缺失数据，采用时间序列分析和插值法等方法进行了填补，以保证数据的连续性和可靠性。运营中断记录数据来自城轨运营公司的事故报告和应急处置记录，详细记录了运营中断的发生时间、持续时间、中断原因、受影响的线路和站点等信息。对这些数据进行整理和分类，分析了不同类型运营中断事件的发生频率和影响范围。例如，在过去一年中，共发生运营中断事件20起，其中设备故障导致的运营中断事件12起，占比60%；自然灾害导致的运营中断事件3起，占比15%；突发事件导致的运营中断事件5起，占比25%。通过对运营中断记录数据的分析，明确了运营中断事件的主要原因和规律，为后续研究运营中断对客流分配的影响提供了实际案例支持。6.2正常运营下客流分配验证6.2.1分配结果展示运用构建的非均衡随机动态客流分配模型，对该城轨路网在正常运营情况下的客流进行分配计算。通过模拟分析，得到了各线路、站点在不同时段的客流量分配结果。以工作日早高峰时段（7:00-9:00）为例，图6.1展示了部分主要线路的断面客流量分布情况。从图中可以清晰地看出，连接城市核心商务区与大型居住区的线路A，其断面客流量在早高峰时段呈现出明显的增长趋势，在经过几个关键站点后，断面客流量达到峰值，如在站点3和站点4之间的区间，断面客流量高达每小时8000人次，这主要是因为这两个站点分别位于大型居住区和商务区附近，大量通勤乘客在此上下车。而线路B由于主要服务于城市的次中心区域，其断面客流量相对较低，在早高峰时段的峰值仅为每小时4000人次左右。[此处插入早高峰部分主要线路断面客流量分布柱状图，横坐标为线路区间，纵坐标为断面客流量（人次/小时），不同线路用不同颜色柱子表示]对于各站点的客流量分配结果，表6.1详细列出了早高峰时段部分站点的进站客流量、出站客流量和换乘客流量。可以发现，位于城市交通枢纽的站点5，其进站客流量、出站客流量和换乘客流量都非常大，进站客流量达到每小时3500人次，出站客流量为每小时3000人次，换乘客流量更是高达每小时4000人次。这是因为站点5不仅是多条地铁线路的换乘站，还与火车站、长途汽车站等交通枢纽相连，汇聚了来自不同区域的乘客。相比之下，位于城市边缘区域的站点6，其进站客流量和出站客流量相对较小，分别为每小时500人次和每小时600人次，且几乎没有换乘客流量。[此处插入早高峰部分站点客流量统计表，包括站点名称、进站客流量（人次/小时）、出站客流量（人次/小时）、换乘客流量（人次/小时）]6.2.2与实际客流对比分析为了验证非均衡随机动态客流分配模型的准确性，将模型计算得到的客流分配结果与该城轨路网的实际客流数据进行对比分析。实际客流数据来源于城轨运营公司的自动售检票系统（AFC）和车站客流监测设备，这些数据真实记录了乘客的出行信息和车站的客流量变化情况。选取了一周内的工作日数据进行对比，分别计算了模型预测客流量与实际客流量在各线路断面和站点的相对误差。以线路A为例，图6.2展示了模型预测的早高峰时段断面客流量与实际断面客流量的对比曲线。从图中可以看出，模型预测的断面客流量与实际断面客流量的变化趋势基本一致，在一些关键区间，如站点3-站点4区间，模型预