融合感知距离与速度的智能行人模型：单列运动场景下交通动力学再现机制研究

为解决行人流模型中真实变量与感知变量脱节的问题，合肥工业大学团队提出智能行人模型(IPM)，通过距离/速度感知实验量化主观估计偏差，发现行人普遍高估两变量且波动显著。该模型成功复现单列运动中停走流(headway)波动特征，揭示系统性高/低估影响平均速度，感知异质性主导间距波动模式，为优化设施设计提供新视角。

　　

在现代城市交通体系中，行人流动如同毛细血管般贯穿始终。尽管高铁、地铁等高效交通工具不断涌现，行人始终是出行链中不可替代的"第一公里"和"最后一公里"。然而随着城市化进程加速，商场、地铁站等公共场所日益拥挤，高密度人群不仅降低通行效率，更可能引发安全事故。理解行人动力学(pedestrian dynamics)特性因此成为优化设施设计的关键。

单列运动(single-file movement)作为研究行人跟随行为的经典场景，能有效剥离二维运动的复杂性。现有模型普遍假设行人能精准获取前车实时距离(headway)和速度，但实际中这些数据需通过视觉感知估算。合肥工业大学团队发现，缺乏地面标记时，行人主观距离判断会显著改变运动模式，暗示真实值与感知值存在系统性偏差。这种认知鸿沟在现有模型中长期被忽视，成为制约模型精度的关键瓶颈。

为破解这一难题，研究人员创新性提出智能行人模型(Intelligent Pedestrian Model, IPM)。通过设计距离和速度双重感知实验，首次量化了行人主观估计的偏差规律：40名参与者普遍高估距离和速度，但个体波动幅度达±30%。基于此建立的IPM模型，将感知函数嵌入改进的最优速度模型(optimal velocity model)，通过周期性边界条件的单轨仿真，成功复现了实验观测的速度-密度关系。更值得注意的是，该模型捕捉到停走流(stop-and-go flow)中特有的头间距波动特征——这种"交通脉动"现象在传统模型中难以体现。

关键技术方面，研究采用三阶段方法：1) 通过标定实验获取感知函数，使用固定距离/速度等级的主观评估；2) 构建IPM模型框架，整合感知偏差与跟驰动力学；3) 基于23米环形轨道的多参数仿真，采用0.01秒时间步长和6000步稳定期排除瞬态干扰。

模型构建章节揭示，IPM通过引入感知系数λ_d和λ_v重构加速度方程，其中λ_d=1.12±0.15表示距离高估率，λ_v=1.08±0.13反映速度偏差。距离感知实验显示，5米内平均高估12%，且女性偏差高于男性8%。速度感知实验发现，慢速行走时高估更显著(达15%)，而跑步状态偏差降至5%。

仿真结果证实，系统性高估使平均流速降低7%-12%，而感知异质性会放大头间距波动幅度达30%。当λ_d>1.2时，系统更易进入"密度锁定"状态——这与地铁站台拥挤滞留现象高度吻合。

这项发表于《Simulation Modelling Practice and Theory》的研究，首次建立真实-感知变量的定量转换桥梁。其价值不仅在于完善交通流理论，更对实际应用产生深远影响：车站引导系统的距离标记设计、应急疏散方案的感知补偿机制等，均可从IPM的预测框架中获得科学依据。未来研究可拓展至二维空间感知建模，或将开启行人动力学研究的新维度。