曾 璐，劉 軍，秦 勇，汪 波，許心越

(1.江西理工大學(xué) 永磁磁浮技術(shù)與軌道交通研究院，江西 贛州 341000；2.江西理工大學(xué) 電氣工程與自動(dòng)化學(xué)院，江西 贛州 341000；3.北京交通大學(xué) 交通運(yùn)輸學(xué)院，北京 100044；4.北京交通大學(xué) 軌道交通控制與安全國(guó)家重點(diǎn)實(shí)驗(yàn)室，北京 100044；5.北京市交通信息中心，北京 100073)

針對(duì)突發(fā)事件條件下客流時(shí)空規(guī)律難以捕捉的特點(diǎn)，需要對(duì)乘客在突發(fā)條件下的路徑選擇行為進(jìn)行更為準(zhǔn)確的刻畫(huà)?；谧詣?dòng)售票系統(tǒng)AFC(Automatic Fare Collection)數(shù)據(jù)，構(gòu)建更為貼近突發(fā)事件下乘客路徑選擇行為模型，對(duì)于城市軌道交通客流組織和突發(fā)應(yīng)急處置措施的優(yōu)化執(zhí)行具有重要意義。

AFC記錄了乘客從進(jìn)站到出站的時(shí)間和地點(diǎn)信息。但是在城軌系統(tǒng)內(nèi)的走行過(guò)程未知，尤其是突發(fā)條件下存在很大的隨機(jī)擾動(dòng)不確定性。文獻(xiàn)[1]基于AFC刷卡數(shù)據(jù)構(gòu)建了線網(wǎng)區(qū)間中斷和車站運(yùn)營(yíng)中斷下乘客行為影響分析的統(tǒng)計(jì)學(xué)方法，用來(lái)估計(jì)車站或線路區(qū)間中斷給出站客流量帶來(lái)的影響。文獻(xiàn)[2]提出基于大量智能交通卡刷卡數(shù)據(jù)的兩階段方法來(lái)研究大規(guī)模運(yùn)營(yíng)中斷的影響，該方法假設(shè)運(yùn)營(yíng)中斷情況下乘客只會(huì)改變他們的出行路徑，而不會(huì)放棄軌道交通改乘其他交通方式。文獻(xiàn)[3]基于智能卡刷卡數(shù)據(jù)構(gòu)建了一種數(shù)據(jù)模糊的方法來(lái)估計(jì)出行行為屬性。文獻(xiàn)[4]基于AFC數(shù)據(jù)的乘客出行路徑選擇比例估計(jì)方法。通過(guò)計(jì)算出單路徑旅行時(shí)間的概率分布參數(shù)，估計(jì)多路徑OD對(duì)間的路徑時(shí)間概率分布參數(shù)。文獻(xiàn)[5]基于刷卡數(shù)據(jù)研究地鐵乘客的路徑選擇行為，通過(guò)調(diào)查獲取進(jìn)出站的步行時(shí)間。文獻(xiàn)[6]基于AFC數(shù)據(jù)提出計(jì)算復(fù)雜地鐵網(wǎng)絡(luò)客流分配的兩階段框架，并未考慮擁擠度影響因素。文獻(xiàn)[7]在城市軌道交通列車運(yùn)營(yíng)延誤事件下，建立基于正態(tài)分布概率模型的出行路徑選擇模型。文獻(xiàn)[8]基于AFC數(shù)據(jù)的基礎(chǔ)上，采用貝葉斯推理和M-H 抽樣的MCMC算法求解所述評(píng)定模型的未知參數(shù)，得到乘客路徑選擇的概率分布公式。文獻(xiàn)[9]考慮列車運(yùn)行時(shí)間和換乘走行時(shí)間，基于AFC數(shù)據(jù)構(gòu)建城市公共交通路徑選擇模型。文獻(xiàn)[10]提出突發(fā)事件下界定受影響客流算法，構(gòu)建城軌乘客出行選擇模型。通過(guò)分析受影響乘客的出行選擇行為偏好，建立多方式備選出行方案集合。文獻(xiàn)[11]基于貝葉斯理論構(gòu)建半補(bǔ)償路徑選擇模型，將選擇偏好系數(shù)和閾值以隨機(jī)變量表達(dá)，體現(xiàn)了乘客選擇的異質(zhì)性。文獻(xiàn)[12]基于出行智能卡建立乘客出行屬性預(yù)測(cè)模型，在歷史出行研究的基礎(chǔ)上可預(yù)測(cè)下一次出行的概率分布。

常態(tài)條件下乘客路徑選擇行為的研究可遵循歷史數(shù)據(jù)既有研究成果，但是突發(fā)事件條件下乘客選擇行為有較大的突變性，難以用傳統(tǒng)的模型和方法進(jìn)行刻畫(huà)并形成統(tǒng)一的規(guī)律。

本文在突發(fā)AFC數(shù)據(jù)的基礎(chǔ)上，結(jié)合問(wèn)卷調(diào)查，構(gòu)建突發(fā)事件下乘客等待時(shí)間階梯函數(shù)，提出一種基于AFC數(shù)據(jù)的乘客感知路徑?jīng)Q策分析方法，豐富了突發(fā)事件下乘客出行選擇行為理論研究，為城市軌道交通突發(fā)事件應(yīng)急處置提供決策支持。

1 城市軌道交通網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

圖1 城市軌道交通運(yùn)營(yíng)網(wǎng)絡(luò)拓?fù)涫疽鈭D

2 突發(fā)事件下乘客等待時(shí)間階梯函數(shù)

2.1 問(wèn)卷內(nèi)容

由于突發(fā)事件下乘客路徑選擇信息沒(méi)有辦法實(shí)時(shí)獲取，為了更好地刻畫(huà)突發(fā)事件下乘客路徑選擇行為特點(diǎn)，以及較為清晰地描述乘客對(duì)于不同類型突發(fā)事件的忍耐等待時(shí)間，本文采用問(wèn)卷調(diào)查的形式采集相關(guān)信息數(shù)據(jù)。

問(wèn)卷內(nèi)容主要包括四部分：個(gè)人基本信息、出行信息、突發(fā)事件下出行選擇信息、突發(fā)事件等待時(shí)間信息。調(diào)研問(wèn)卷500份，收到有效問(wèn)卷437份，有效問(wèn)卷率為87.4%。其中男性206份，女性231份。54.23%的出行群體對(duì)所在城市地鐵線路熟悉程度一般；當(dāng)突發(fā)事件造成30 min以上晚點(diǎn)，平峰和早高峰時(shí)段分別有63.93%和60.73%的乘客會(huì)選擇改變其他線路到達(dá)目的地；早高峰時(shí)段，突發(fā)事件導(dǎo)致列車減速緩行時(shí)，55.71%的乘客選擇繼續(xù)乘坐本次列車；當(dāng)突發(fā)事件導(dǎo)致某些車站封站(不包括出行者的目的站)，51.37%的乘客選擇換乘站換乘。各出行影響因素(時(shí)間、換乘、走行距離和擁擠度)中，50.57%的乘客認(rèn)為時(shí)間是最為重要的。

2.2 問(wèn)卷信效度檢驗(yàn)

本文采用克朗巴哈(Crobach’s)系數(shù)α來(lái)檢驗(yàn)問(wèn)卷的信度。運(yùn)用SPSS軟件進(jìn)行分析，使用Alpha模型得到各因素?cái)?shù)據(jù)的Crobach’s Alpha值見(jiàn)表1。

表1 問(wèn)卷信度分析檢驗(yàn)

從表1可知，α系數(shù)值為0.861，大于0.8，說(shuō)明研究數(shù)據(jù)信度水平高?！绊?xiàng)已刪除的α系數(shù)”，指分析項(xiàng)被刪除后的信度系數(shù)值并沒(méi)有明顯的提升，說(shuō)明題項(xiàng)全部均應(yīng)該保留，進(jìn)一步說(shuō)明研究數(shù)據(jù)的信度質(zhì)量高。綜上，測(cè)量數(shù)據(jù)結(jié)構(gòu)穩(wěn)定可靠。

效度能夠真正反映乘客在突發(fā)事件條件下對(duì)時(shí)間的忍受程度。本文使用因子分析方法進(jìn)行研究，通過(guò)KMO值、共同度、方差解釋率值、因子載荷系數(shù)值等指標(biāo)進(jìn)行綜合分析，以驗(yàn)證出數(shù)據(jù)的效度水平。計(jì)算結(jié)果KMO檢驗(yàn)值為0.824，大于0.8，說(shuō)明數(shù)據(jù)具有較好的效度。此外，2個(gè)因子的方差解釋率分別為48.742%和30.533%，旋轉(zhuǎn)后累積方差解釋率為79.275%，大于50%，說(shuō)明研究項(xiàng)的信息量可以有效提取，適合做因素分析。

2.3 突發(fā)事件乘客等待時(shí)間階梯函數(shù)

在調(diào)查問(wèn)卷中，將突發(fā)事件可能延誤的時(shí)間分成6個(gè)階段，分別為0～10 min、10～15 min、15～20 min、20～25 min、25～30 min和30 min以上。突發(fā)事件導(dǎo)致延誤時(shí)間為0～10 min的乘客等待時(shí)間統(tǒng)計(jì)分布及擬合結(jié)果如圖2所示。

圖2 延誤0～10 min乘客等待時(shí)間分布

將統(tǒng)計(jì)分布擬合后，其分布函數(shù)可表示為

(1)

式中：參數(shù)a取值為160；b為0.064 82；c為-4.326 97。

其余各階段乘客等待時(shí)間統(tǒng)計(jì)及擬合方法雷同。由于延誤時(shí)間的不同程度，乘客路徑?jīng)Q策行為也會(huì)隨之變化，分布和擬合結(jié)果也不同。依據(jù)調(diào)查數(shù)據(jù)統(tǒng)計(jì)分布及擬合結(jié)果，定義在[0，30)的數(shù)值函數(shù)f(x)是階梯函數(shù)，根據(jù)擬合結(jié)果其表達(dá)式為

f(x)=

(2)

3 突發(fā)事件下乘客路徑?jīng)Q策模型

3.1 突發(fā)事件下路徑效用函數(shù)

城市軌道交通影響乘客路徑選擇行為因素眾多，將影響因素抽象為阻抗函數(shù)，用于描述乘客路徑選擇行為特點(diǎn)。阻抗可分為固定參數(shù)取值的靜態(tài)阻抗和與動(dòng)態(tài)客流狀況相關(guān)的指標(biāo)的動(dòng)態(tài)阻抗。

(1)乘客理論出行旅行時(shí)間

乘客理論出行旅行時(shí)間t指乘客在地鐵一次出行總時(shí)間，等于進(jìn)站時(shí)間與出站時(shí)間之差，可表示為

t=te-to

(3)

式中：te為進(jìn)站時(shí)間；to為出站時(shí)間。

乘客進(jìn)站到出站理論旅行時(shí)間t′可表示為

t′=eto，d+tw，o，d+tt，o，d+ts，o，d+tts，o，d+oto，d

(4)

式中：eto，d表示進(jìn)站走行時(shí)間；tw，o，d表示整個(gè)出行的候車時(shí)間；tt，o，d表示整個(gè)出行的列車運(yùn)行時(shí)間；ts，o，d表示列車停站時(shí)間；tts，o，d表示換乘時(shí)間；oto，d表示出站走行時(shí)間。

(2)候車時(shí)間

乘客到達(dá)站臺(tái)，由于站臺(tái)人數(shù)密集，無(wú)法搭乘期望時(shí)間的列車而產(chǎn)生的候車費(fèi)用。當(dāng)列車發(fā)車間隔小，即發(fā)車頻率高時(shí)，相對(duì)來(lái)說(shuō)候車時(shí)間短；反之則長(zhǎng)。

常態(tài)情況下，乘客的平均候車時(shí)間通常為列車發(fā)車時(shí)間間隔的一半。依據(jù)本文突發(fā)事件場(chǎng)景，行車改為降級(jí)模式運(yùn)行。假設(shè)候車時(shí)間為不超過(guò)4個(gè)時(shí)間間隔，表示為

(5)

式中：tw，o，d表示起始路段的平均候車時(shí)間；Iline表示車站所屬線路的發(fā)車間隔。

突發(fā)條件下任何OD路徑上，乘客從出發(fā)車站進(jìn)站后在該站臺(tái)候車到離開(kāi)該車站的等待時(shí)間不超過(guò)4輛車的開(kāi)行時(shí)間間隔，同時(shí)換乘站乘客到達(dá)換乘站站臺(tái)候車到離開(kāi)該車站的等待時(shí)間也是不超過(guò)4輛車的開(kāi)行時(shí)間間隔。

(3)擁擠程度

車廂的擁擠程度也會(huì)影響到乘客的路徑選擇行為。文獻(xiàn)[13]指出車廂的擁擠程度與當(dāng)前車廂的乘客數(shù)量、列車的額定座位數(shù)和列車所能容納的最大乘客數(shù)量有關(guān)。

擁擠程度阻抗函數(shù)可表示為

Yc(xi(t))=

(6)

式中：xi(t)、si、pi分別為t時(shí)段區(qū)間i的斷面客流量、列車的座位數(shù)和列車所能容納的最大乘客數(shù)量；?和β為矯正系數(shù)。

(4)乘客換乘時(shí)間

理論上城市軌道交通乘客換乘時(shí)間可表示為

(7)

式中：ftts，o，d為乘客換乘平均走行時(shí)間；wtts，o，d為乘客換乘等待時(shí)間。

在換乘時(shí)間上加上換乘懲法系數(shù)，用于描述乘客對(duì)換乘感知心理程度，隨著換乘次數(shù)的增加而增大。實(shí)際換乘時(shí)間可表示為

(8)

(5)突發(fā)事件下乘客等待時(shí)間

乘客在突發(fā)和常態(tài)條件下出行的主要區(qū)別在于等待時(shí)間費(fèi)用的增加，乘客理論走行過(guò)程中總的等待時(shí)間受所能忍受時(shí)間的約束。乘客等待時(shí)間可表示為

tww，o，d=∑(tw，o，d+twi，o，d+two，o，d)≤f(x)

(9)

式中：twi，o，d為站廳的等待時(shí)間；two，o，d為站外的等待時(shí)間；f(x)為2.3節(jié)構(gòu)建的突發(fā)事件下乘客所能忍受的等待時(shí)間階梯函數(shù)。

突發(fā)條件下，有些車站可能會(huì)實(shí)施相應(yīng)的客流控制措施，實(shí)施地點(diǎn)包括站內(nèi)和站外。由于客流控制措施的影響，會(huì)不同程度地增加乘客的等待時(shí)間。如果該車站未實(shí)行限流，且未形成排隊(duì)導(dǎo)致乘客步行速度為0，twl，o，d和two，o，d取值為0。

由于乘客類型的不同、突發(fā)事件的影響，乘客在車站走行時(shí)間也會(huì)有所差別。假設(shè)路網(wǎng)車站乘客所有走行時(shí)間(包括進(jìn)出站走行時(shí)間、換乘站走行時(shí)間)均為固定值，且這部分?jǐn)?shù)據(jù)均為調(diào)研獲取。

3.2 有效路徑重構(gòu)

根據(jù)有效路徑的定義，依據(jù)城市軌道交通乘客選擇行為特點(diǎn)，判斷城市軌道交通任意OD對(duì)(r，s)間的有效路徑，通常依據(jù)相對(duì)原則和絕對(duì)原則。

本文采用廣度優(yōu)先的有效路徑搜索算法，生成路徑集合。集合包括非換乘車站之間的區(qū)間弧、非換乘站到換乘站的接入弧、換乘站到非換乘站的接出弧以及換乘內(nèi)部的虛擬弧。將網(wǎng)絡(luò)任意OD間的路徑重構(gòu)為

(10)

3.3 突發(fā)事件下乘客出行路徑?jīng)Q策模型

乘客在出行過(guò)程中往往不能準(zhǔn)確把握各路徑的阻抗值，尤其是突發(fā)情況下，有很多不確定因素和干擾因素，因此綜合效用函數(shù)包含了一定的隨機(jī)性。綜合效用函數(shù)包括兩部分，分別是期望效用函數(shù)和隨機(jī)誤差項(xiàng)，綜合效用函數(shù)可表示為

(11)

期望效用函數(shù)可表示為

(12)

在各路徑選擇概率分配中，乘客選擇rs間第w條有效路徑的概率分布為

(13)

突發(fā)事件下，受影響區(qū)域乘客的等待時(shí)間明顯增加，從而乘客整個(gè)出行時(shí)間增加。當(dāng)乘客預(yù)計(jì)整個(gè)出行時(shí)間大于自己的期望出行時(shí)間時(shí)，乘客會(huì)選擇變更路徑，從而傳統(tǒng)的基本Logit模型不能很好地描述乘客感知的有效路徑。突發(fā)事件下，乘客對(duì)時(shí)間期望值是一個(gè)突變的過(guò)程，在任一個(gè)等待階段因?yàn)閷?duì)路況和時(shí)間感知的差異性決定乘客改變走行方案。為了更好地描述乘客對(duì)路徑的感知不同而生成的路徑?jīng)Q策行為，本文采用文獻(xiàn)[14]提出的路徑感知Logit(Route Perception Logit，RPL)模型來(lái)描述額外等待時(shí)間對(duì)乘客路徑?jīng)Q策的影響。

(14)

(15)

4 算例

突發(fā)事件場(chǎng)景：2017年11月28日8：38地鐵10號(hào)線角門(mén)東站因屏蔽門(mén)故障，影響內(nèi)/外環(huán)雙方向部分列車晚點(diǎn)。8：39互鎖解除失效，8：40各次列車在大紅門(mén)站至角門(mén)西站上下行間改按進(jìn)路閉塞法行車，故障期間上述區(qū)段列車運(yùn)行間隔調(diào)整為3 min。10號(hào)線列車運(yùn)行緩慢，地鐵站內(nèi)外均出現(xiàn)擁堵?tīng)顩r。

4.1 路網(wǎng)基礎(chǔ)數(shù)據(jù)

截至2017年11月，北京地鐵路網(wǎng)規(guī)模包括22條線路，分別為1號(hào)線、2號(hào)線、4號(hào)線、5號(hào)線、6號(hào)線、7號(hào)線、8號(hào)線、9號(hào)線、10號(hào)線、13號(hào)線、14號(hào)線、15號(hào)線、16號(hào)線、S1號(hào)線、八通線、昌平線、大興線、房山線、機(jī)場(chǎng)線、西郊線、燕房線和亦莊線，車站共計(jì)377座(包括換乘站重復(fù)計(jì)算)。由于機(jī)場(chǎng)線計(jì)票方式特殊，因此機(jī)場(chǎng)線不在計(jì)算范圍內(nèi)。AFC刷卡數(shù)據(jù)中，對(duì)路網(wǎng)所有車站給定唯一編碼即車站編號(hào)(Station Trans Acc Code)，AFC數(shù)據(jù)樣表見(jiàn)表2。

表2 AFC數(shù)據(jù)樣表

從時(shí)刻表截取部分列車區(qū)間運(yùn)行時(shí)間見(jiàn)表3，換乘走行時(shí)間經(jīng)過(guò)實(shí)地調(diào)研獲得，見(jiàn)表4。

表3 列車區(qū)間運(yùn)行時(shí)間

表4 換乘站走行時(shí)間

4.2 結(jié)果與分析

選取2017年5月至2018年1月間的7天類似突發(fā)事件樣本數(shù)據(jù)，通過(guò)文獻(xiàn)和多次試驗(yàn)擬合，確定各參數(shù)取值。算例中各車站乘客等待時(shí)間突發(fā)事件延誤時(shí)間的處理是將突發(fā)和常態(tài)時(shí)刻表進(jìn)行比對(duì)計(jì)算給定。乘客對(duì)換乘的感知參數(shù)為θ1的數(shù)值為-1.73，參數(shù)θ2的值為-2.12，θ2/θ1>1；設(shè)定列車的座位數(shù)za為276，列車能容納的最大乘客數(shù)ca為1 452。式(15)中參數(shù)取值γ=0.89，ψ=0.78。通過(guò)計(jì)算可得到8：00—9：00時(shí)段內(nèi)各路徑的選擇比例，部分結(jié)果見(jiàn)表5。

(1)模型算法有效性比對(duì)

以突發(fā)事件發(fā)生站為中心將路網(wǎng)的53個(gè)換乘車站114個(gè)換乘方向中選取了10號(hào)線8個(gè)車站(16個(gè)換乘方向)，根據(jù)計(jì)算輸出結(jié)果將這16個(gè)換乘方向上在早高峰8：00—9：00時(shí)間段內(nèi)的累積換乘客流量與突發(fā)當(dāng)日真實(shí)換乘客流量進(jìn)行比較，對(duì)比結(jié)果如圖3所示。

表5 部分路徑選擇比例

圖3 模型計(jì)算結(jié)果對(duì)比分析

從圖3可知，模型計(jì)算結(jié)果與實(shí)際結(jié)果較為一致。從圖4發(fā)現(xiàn)，國(guó)貿(mào)(1→10)、角門(mén)西(4→10)、知春路(13→10)、知春路(10→13)和芍藥居(10→13)的相對(duì)誤差值在15%左右，其余基本在10%以內(nèi)。

圖4 相對(duì)誤差結(jié)果分析

由于樣本調(diào)查數(shù)據(jù)的對(duì)象無(wú)法完全與當(dāng)天突發(fā)事件經(jīng)歷的乘客相匹配，個(gè)體在選擇行為上也會(huì)受到諸多客觀和主觀因素的影響在不同時(shí)期有所改變。加上本線及鄰線客流的變化使得換乘站客流復(fù)雜性更加突出，因此模型計(jì)算結(jié)果和真實(shí)實(shí)測(cè)數(shù)據(jù)對(duì)比有一定的差異性。

(2)突發(fā)和常態(tài)數(shù)據(jù)比對(duì)

①正常情況下和突發(fā)情況下進(jìn)出站量對(duì)比分析

由于2017年11月28日突發(fā)事件的發(fā)生時(shí)間為早高峰8：38，將8：00—9：00時(shí)段10號(hào)線當(dāng)日突發(fā)情況下的累積進(jìn)出站量與正常情況下進(jìn)行對(duì)比分析，分別如圖5和圖6所示。

圖5 10號(hào)線正常情況下和突發(fā)情況下進(jìn)站量對(duì)比

圖6 10號(hào)線正常情況下和突發(fā)情況下出站量對(duì)比

從圖5發(fā)現(xiàn)，由于10號(hào)線是突發(fā)事件發(fā)生的事發(fā)線路，首先直接受影響的是本線客流量，因此10號(hào)線大部分車站的進(jìn)站量都有較大幅度的下降。其中分鐘寺、紀(jì)家廟、角門(mén)東和巴溝突發(fā)情況下的進(jìn)站客流量與正常條件下相比下降幅度較為明顯，分別下降了30.22%、12.52%、10.64%和8.27%，而金臺(tái)夕照和國(guó)貿(mào)卻有18.58%和8.56%的進(jìn)站量增長(zhǎng)。

從圖6可看出，角門(mén)東西邊附近豐臺(tái)站、首經(jīng)貿(mào)、草橋、紀(jì)家廟、泥洼，以及東邊附近的石榴莊、成壽寺、分鐘寺、太陽(yáng)宮、大紅門(mén)、宋家莊等出站量有較為明顯的增長(zhǎng)，其中豐臺(tái)站、石榴莊、成壽寺的出站量增長(zhǎng)了53.1%、44.12%和33.85%。由于角門(mén)東發(fā)生突發(fā)事件，乘客大多選擇在事發(fā)附近的車站出站。而角門(mén)東的出站量下降了12.69%。這也體現(xiàn)出突發(fā)事件導(dǎo)致大量客流不可達(dá)，從而造成客流量的損失。

②正常情況下和突發(fā)情況下?lián)Q乘量對(duì)比分析

將路網(wǎng)部分換乘站在正常情況下和突發(fā)情況下的換乘客流量在8：00—9：00時(shí)段對(duì)比分析見(jiàn)表6。

表6 正常情況下與突發(fā)情況下路網(wǎng)部分換乘車站在8：00—9：00時(shí)段換乘量對(duì)比

圖7 10號(hào)線正常情況與突發(fā)情況上行斷面客流量對(duì)比

圖8 10號(hào)線正常情況與突發(fā)情況下行斷面客流量對(duì)比

表6中顯示了路網(wǎng)中部分換乘車站的換乘量與正常情況相比的變化情況。由于10號(hào)線角門(mén)東車站發(fā)生了突發(fā)事件，從表中可以看出，西苑站、七里莊、磁器口、朱辛莊、霍營(yíng)、奧林匹克公園、西直門(mén)等由其他線路去往10號(hào)線或4號(hào)線的換乘量突然增大，但是10號(hào)線本線換乘客流量改變并不明顯。這說(shuō)明由于10號(hào)線發(fā)生了突發(fā)事件，部分路徑的服務(wù)水平下降甚至喪失可達(dá)性，這就使得相鄰線承擔(dān)了10號(hào)線的部分客流量。

③正常情況下和突發(fā)情況下斷面客流量對(duì)比分析

圖7中，突發(fā)情況下上行斷面客流量和正常相比基本都呈下降趨勢(shì)。這是由于突發(fā)事件發(fā)生后，10號(hào)線發(fā)車間隔加大，行車密度降低，導(dǎo)致線路服務(wù)能力下降。

圖8中，在草橋—紀(jì)家廟、角門(mén)東—角門(mén)西、石榴莊—大紅門(mén)、角門(mén)西—草橋、宋家莊—石榴莊、分鐘寺—成壽寺、大紅門(mén)—角門(mén)東、成壽寺—宋家莊的突發(fā)下行斷面客流量與常態(tài)相比減少量比較明顯，線路其余區(qū)間斷面客流量變化浮動(dòng)不大。

5 結(jié)束語(yǔ)

本文對(duì)不同突發(fā)事件場(chǎng)景下乘客選擇行為數(shù)據(jù)進(jìn)行分析和處理，用參數(shù)變量體現(xiàn)乘客對(duì)不同突發(fā)事件反應(yīng)的差異性。基于突發(fā)條件下城市軌道交通AFC刷卡數(shù)據(jù)，通過(guò)分析突發(fā)事件下乘客路徑選擇影響因素，考慮等待時(shí)間和期望時(shí)間的影響關(guān)系，改進(jìn)傳統(tǒng)的Logit模型，構(gòu)建了乘客感知的出行路徑選擇模型。通過(guò)求解模型得到各路徑選擇的概率，計(jì)算出斷面客流量、換乘客流量以及路徑的客流量，把握突發(fā)事件下路網(wǎng)客流在時(shí)間和空間上的分布特點(diǎn)。算例結(jié)果證明模型計(jì)算結(jié)果與實(shí)際測(cè)量結(jié)果相對(duì)誤差不超過(guò)15%。本文提出的基于AFC數(shù)據(jù)的乘客感知路徑?jīng)Q策分析方法，更為精確地計(jì)算出路網(wǎng)各路徑選擇概率，有利于輔助運(yùn)營(yíng)管理者制定高效的應(yīng)急管理組織策略。