《Smart Cities》:Geography as a Clock: Smart Mobility Without a Digital Actuator in Mass-Event Rail Egress
编辑推荐:
智慧城市出行控制通常通过应用程序、票价、预约或闸机来实现。本研究考察了一种这些工具无法控制需求的大规模活动场景:日落后超过30万朝觐者从阿拉法特向穆兹达利法的移动。在每个站台以每30分钟服务6000名乘客且处于仪式性固定时间窗口的条件下,唯一可控的因素是每个营
智慧城市出行控制通常通过应用程序、票价、预约或闸机来实现。本研究考察了一种这些工具无法控制需求的大规模活动场景:日落后超过30万朝觐者从阿拉法特向穆兹达利法的移动。在每个站台以每30分钟服务6000名乘客且处于仪式性固定时间窗口的条件下,唯一可控的因素是每个营地到达站台的时间。本研究推导出一个排队目标,即初始一列车载量之后以每小时12000名乘客的速率到达,随后使用耦合的释放—步行—登车模型评估三种空间分区方案:容量均衡优化方案(A1)、基于距离的优化方案(A2)和实际部署的连续分区方案(A3)。研究发现,A2实现了最低的最大等待时间(34–35分钟);A3保持在约四分钟以内(38–39分钟),同时实现了逐块部署;A1达到45–48分钟,因其首区组成忽略了距离。现场计数显示,预定目标为33–35分钟,两个车站的实际执行误差约在十分钟以内。本研究展示了一个全规模的智慧城市闭环:GPS轨迹和车站计数器感知人群,亚秒级解析模型支持决策,执勤人员在无需出行者侧技术的情况下执行决策。该闭环同样适用于体育场疏散、节日物流和特别活动地铁运营。结论是,当出发地具有空间组织性且供给呈批量特征时,地理本身即可作为一种低技术计量装置。
**论文解读:基于地理计量的大规模活动铁路出站智能出行控制——以阿拉法特—穆兹达利法朝觐客流为实证**
**1. 研究背景与问题**
大规模宗教集会能够在极短时间内将大量人群集中于有限空间,其踩踏风险机制(如密度累积、走走停停波、人群湍流)已被学界充分记录。朝觐是此类活动的典型代表,其中“阿拉法特日”日落后的晚间移动构成了现代朝觐最严峻的瓶颈之一:所有朝觐者必须在日落后从阿拉法特前往穆兹达利法,主体移动需在约四至五小时内完成。该移动的很大一部分由专门的重轨穿梭线路——麦加米纳铁路(Al Mashaer Al Mugaddassah Metro line)承担,该线路于2010年启用,全长18公里设有九座车站,设计运力为每小时每方向72000名乘客,是世界上使用强度最高的地铁系统之一。
然而,学术界对该铁路运营的分析几乎完全空白。既有文献记录了行人仪式行为,但对朝觐者与列车之间的交互界面缺乏关注。此前一个季节的记录显示,将该季节观测到的车站到达量代入批量登车时刻表后,最繁忙车站的最大站台等待时间高达127分钟,其余两站分别为74和62分钟。这一瓶颈问题的结构具有独特性:供给端固定且呈批量特征(每个站台每30分钟最多服务6000人);需求总量也固定且无法提前(日落前任何人不得离开阿拉法特,首列列车须等到19:00);唯一有效的控制杠杆是站台到达过程的形状,即每个营地朝觐者到达车站的时间。传统的城市交通需求管理工具(如票价激励、预约应用程序、车站闸机)与这一多语言、老龄化倾向明显、数十万人规模的群体不相匹配。可行的控制方式是营地级执勤,即指示相邻营地组成的区块何时开始步行。
**2. 研究内容与核心发现**
本研究将这一空间策略理解并定量评估为时间需求计量,其控制逻辑与高速公路匝道计量、航空地面延误计划及地铁客流入控制同源。核心方法论是:朝觐者到达站台的时间等于营地释放时间加上步行时间,而步行时间等于距离除以步行速度,因此地理本身充当了时钟。
研究人员基于2015年某朝觐季节的运营规划数据与现场测量(306206名朝觐者、156个营地,分配至三个阿拉法特车站ARF1–ARF3)开展了研究。研究的主要发现包括:在固定发车间隔的站台上,一旦首批一列车载量(6000名乘客)在首次发车时到场,且后续到达率维持在每小时12000人的登车速率,等待时间将降至其理论下限——一个发车间隔。按地理连续区块依次释放(最近区块优先)可将小城市规模的人群计量到目标站台。部署方案将最大等待时间控制在38分钟,与最优的基于距离分区(34分钟)仅差四分钟;同时比按正确规模分区但忽略距离的方案(47分钟)改进了九分钟。该方案还使首批列车装载最满,并将站台超出其标称容量运行的时间降至最短。
**3. 主要技术方法**
研究人员采用三层次耦合的释放—步行—登车模型(release–walk–boarding model)。第一层为释放层,确定各营地开始疏散的时间;第二层为步行到达层,采用对数正态分布描述步行速度,通过卷积运算将营地疏散脉冲转化为站台到达斜坡;第三层为批量登车层,基于排队图(Newell图)在固定发车间隔下追踪累积登车量、站台队列和人群密度。模型输入数据来自四个运营数据集:营地登记数据(D1)、批量运营记录(D2)、GPS调度轨迹(D3,覆盖143个营地1454批次)以及站台到达计数(D4)。研究评估了三种分区方案:容量均衡优化(A1)、基于距离优化(A2)和实际部署的连续分区(A3)。
**4. 研究结果**
**4.1 分区如何塑造到达曲线**
在最繁忙站台(ARF2北侧,61467名朝觐者)的到达率分析显示,三种方案均以容量节奏释放营地,到达率接近容量线。但A1因距离盲分区的叠加效应产生最高瞬态峰值(约每分钟510人),A2因按距离排序而峰值较低(约每分钟380人),A3介于两者之间。
**4.2 系统比较**
三种方案的系统最大等待时间为A2(34分钟)、A3(38分钟)、A1(47分钟),均远优于以往季节的127分钟。A2和A3接近30分钟单头way理论下限。A2首列车装载率达98%,A3达100%(四舍五入),A1仅82%。峰值站台密度在所有方案下均处于舒适范围(0.71–0.93人/平方米),但峰值站台队列达到标称容量的2.4–3.1倍,其中A3超出容量时间最短(788平台分钟)。
**4.3 参数敏感性**
在步行速度中位数0.8–1.2 m/s、对数标准差0.1–0.3的全部九种组合下,三种方案的排序(A2 < A3 < A1)保持不变,A3始终处于A2的4–5分钟以内,证实分区排序对参数假设具有鲁棒性。
**4.4 现场验证**
输入侧的GPS调度记录验证了容量节奏释放假设:日落后调度率稳定在每小时约60000人(跟踪人群),按比例折算约78000人/小时,接近系统登车容量72000人/小时。输出侧的车站到达计数显示,两个车站的实测最大等待时间分别为42分钟(ARF2)和45分钟(ARF3),与设计目标相差约十分钟内。ARF1站因19:00–20:00间到达量达容量的2.26倍,等待时间升至约102分钟,但仍在以往季节的127分钟之下。
**5. 讨论与结论**
研究将方案比较归纳为可部署性的代价:A1和A2是假设执行器完美无缺时优化器返回的方案,A3是执行器实际能够交付的方案。四分钟的等待时间差距,是确保控制可由人员而非假设机制执行的代价。研究提出四点设计原则:(1)规模优先——首区至少包含一个服务批次的最近需求;(2)按地理构成——保持远距离出发地远离早期区域;(3)头部缓冲——首区比下限大约一个批次;(4)实时保护——关键负荷设计不保留余量,任何计量失误都会直接转化为等待。研究结论指出,当需求出发地具有空间组织性且供给呈批量特征时,地理本身即可作为计量装置;这一模式可迁移至体育场疏散、节日物流及特别活动地铁运营场景。该研究为智慧城市实践提供了一个完整的感知—建模—执行闭环,其最终步骤无需出行者侧技术,能够服务于应用程序、票价和闸机无法触及的人群。