地铁车站双向不对称流条件下行人疏散避让偏好：一种数据驱动方法

《Journal of Safety Science and Resilience》：Pedestrian evacuation avoidance preferences under bidirectional asymmetric flow conditions in subway stations: A data-driven approach

　　

本研究建立了一种数据驱动框架，用于探究地铁车站双向不对称行人流中的疏散避让偏好。研究人员提取了可解释的行为规则，弥合了微观决策与宏观疏散动力学之间的差距。定量刻画了距离依赖的避让行为，确定1～3 m为关键交互范围。可解释分析（SHAP）表明，动态情境因素在塑造避让行为方面权重高于社会人口学属性。研究结果为设计地铁系统中自适应疏散管理和对向流协调策略提供了可行指导。

**一、研究背景与问题**
城市轨道交通的快速扩张使地铁车站成为典型的高密度受限空间。火灾、设备故障和突发性人群涌动等事件常导致通道内出现双向行人流。此类双向不对称流指两个相对行人流在流量比例、运动目的和交互特征上的不均衡。在应急疏散中，撤离乘客构成主导流，而救援人员或应急响应者构成较小的对向流。两者在流速、移动速度和出行意图上存在差异，从而产生空间冲突，甚至引发踩踏等危险。救援人员需要逆着主导疏散流方向移动，构成典型的非对称双向运动。此时，有效的避让行为对保障救援人员快速通行、提升整体应急响应效率至关重要。
已有研究大多关注双向行人流的宏观特征，如窄瓶颈处的反向流波动、通道中车道形成、高密度下的运动效率等，但对个体交互的微观机制认识不足。虽然多种避让模型和机制已被引入，但很少纳入不对称流模式、受限空间约束以及地铁站疏散的高紧迫性。实际行人行为在这些情境下更具变异性和情境依赖性。数据驱动方法能够捕捉潜在的行为依赖，为此类问题提供了新的解决途径。

**二、研究内容与结论**
研究人员提出了一种数据驱动框架，用于模拟地铁车站双向不对称流条件中的行人疏散避让偏好。该框架集成关联规则挖掘方法与决策树模型：前者挖掘关联规则，后者用于分类行为模式并识别关键影响因素。研究首先设计专门问卷，采集高分辨率微观行为数据，涵盖目标吸引、对向流避让、局部密度响应和轨迹跟随倾向。随后采用Apriori算法提取强关联规则，并基于随机森林（RF）模型结合SHAP值分析验证行为模式的稳定性，定量识别核心影响因素及其方向效应。
研究结果为微观决策与宏观疏散动力学之间提供了可解释的连接桥梁。距离依赖的避让行为被量化，1～3 m被确定为关键交互范围。解释性分析显示，动态情境因素（如轨迹时效性、局部密度感知、对向流交互特征）在塑造避让行为中扮演比社会人口学属性更重要的角色。研究结论为设计自适应疏散管理和对向流协调策略提供了行动指南。

**三、关键技术方法**
本研究采用的主要技术方法包括：
1. 问卷设计与数据收集：面向18～60岁人群，通过线上和线下渠道招募，包括本科生、研究生、大学教职工、企业员工、事业单位人员和社区居民，兼顾有/无应急疏散经历者。共回收232份问卷，经逻辑一致性筛选后保留200份有效样本，有效率86.2%。
2. Apriori关联规则挖掘：将问卷数据编码为事务数据集，设定支持度≥0.3、置信度≥0.7、提升度≥1.2作为强关联规则筛选阈值，挖掘避让行为中的稳定依赖关系。
3. 随机森林（RF）模型：以避让触发距离（Q7）为预测目标，其余行为指标为输入特征，采用75%训练集与25%测试集，构建100棵决策树（最大深度8），通过基尼不纯度计算特征重要性。
4. SHAP值分析：基于合作博弈理论计算每个特征的SHAP值，量化各因素对避让行为的边际贡献及促进或抑制作用。

**四、研究结果**
**3. 行人避让行为机制挖掘**
**3.1 问卷设计与数据收集**
问卷包含社会人口学信息和行为偏好项目两部分。核心行为部分共12个题项（Q4～Q15），涵盖四个维度：目标吸引行为（Q4～Q6）、障碍与对向流避让（Q7～Q10）、局部拥挤与密度响应（Q11～Q13）、轨迹跟随与路径依赖（Q14～Q15）。所有题项采用封闭式格式，连续型指标采用1～10的李克特量表，以确保后续数据离散化和关联规则挖掘的可行性。调查通过线上线下渠道进行，最终获得200份有效问卷，样本性别分布接近平衡，年龄集中于18～40岁，符合城市地铁主要乘客结构。

**3.2 关联规则挖掘**
研究人员对问卷数据进行清洗、数值编码和独热编码，生成标准事务数据集，然后使用Apriori算法挖掘关联规则。共识别出18条强关联规则，其中保留8条与避让偏好机制最相关的核心规则。结果显示：出口吸引是行人运动的主要驱动力；障碍避让表现出明显的距离依赖特征，1～3 m是启动避让的关键距离，超过6 m后主动避让意愿大幅下降；高密度条件下，行人倾向于向低密度区域移动，同时降低速度并适度缩小有效行走宽度；轨迹跟随行为的时效性很强，前人的路径信息在短时间内迅速衰减。所有核心规则的提升度均大于1.2，表明对应行为项之间存在显著正相关。

**4. 行人疏散避让偏好**
**4.1 特征重要性分析**
RF模型以避让触发距离（Q7）为预测目标，其他行为指标为输入特征。特征重要性排序显示，轨迹时效性（Q15）、局部密度响应（Q11～Q13）以及障碍/对向流避让（Q8～Q9）是主导行为维度。其中，Q15（拒绝过时轨迹）、Q12（感知有效通道变窄）和Q11（对局部拥挤的敏感度）贡献最大，说明及时的轨迹信息、局部拥挤感知和对向流避让是影响避让距离的关键因素。社会人口学因素（Q1～Q3）重要性中等，表明个体属性仍有影响。目标吸引指标（Q4、Q6）重要性较低，意味着出口导向动机会被即时环境刺激所弱化。

**4.2 预测性能验证**
混淆矩阵显示RF模型对主要避让行为类别（类别1和2）具有较高预测准确率，类别1中17个样本正确分类，类别2中13个样本正确分类，错误主要集中在相邻类别，未出现极端跨类别误差。对于较少出现的类别（0、3、4），误分类均落在相邻主流类别中。这种轻微偏差源于避让行为分布的不均衡：约72%的受试者报告在1～3 m或3～5 m范围内启动避让，仅28%选择其他距离或从不避让。该偏差仅影响稀有行为模式，不影响识别出1～3 m关键距离这一核心结论。未来可通过样本加权、合成少数类过采样技术（SMOTE）或分层抽样来改进。

**4.3 SHAP值分析**
SHAP分析显示，轨迹时效性（Q15）对避让行为具有最显著的正向促进作用。社会人口学与目标吸引因素（Q1、Q4_A、Q3、Q6_high）表现出主导性的负向效应，高取值对应负SHAP值（最低约-0.03），抑制频繁避让操作。局部密度响应和交互特征（Q11、Q5、Q10、Q14、Q9、Q8）的SHAP值呈对称正负分布，幅度中等，反映了其在避让决策中的双向调节作用。其余九个特征的组合效应可忽略不计，证实核心行为和环境情境因素主导避让行为。

**五、讨论总结**
研究将双向行人流认知从宏观现象延伸到个体冲突解决层面。在紧急场景中，行人感知周围条件并动态调整移动，而非遵循固定避让规则。避让决策受冲突存在、交互距离、局部空间可用性和周围轨迹时效性的共同影响。动态环境因素比静态人口属性作用更强，表明短程冲突中行人的决策主要由即时环境感知和实时交互主导。
1～3 m的关键避让距离可视为感知–行动转换区，为微观行人仿真模型中的交互阈值修正提供了经验依据。在高密度条件下，行人采用自适应空间调节策略：移向低密度区、降低速度并接受适度有效宽度压缩，以平衡前行动机与局部冲突。轨迹跟随行为存在明显时间衰减效应，行人依赖近期运动信息而非持续跟随先前路径，表明行人决策涉及动态信息更新而非简单模仿。
对应急管理的启示包括：保持响应通道周围足够空间、增强行人接近对向流的感知；在双向冲突频发的换乘通道、站台入口和应急通道中，动态引导系统应提供实时拥挤度、响应人员位置和替代路线信息，以帮助行人提前调整轨迹。本研究识别出的避让启动距离、轨迹响应特征等行为参数可为微观疏散模型标定提供参考。
局限性方面：问卷结果基于自我报告，可能无法完全反映高紧迫感、不确定性情境中的真实行为；研究未考虑群体移动、社会关系等集体效应。未来可结合轨迹追踪实验、虚拟现实或真实疏散观测进行交叉验证，并在模型中纳入群体交互因素。

**六、研究结论**
本研究开发了一种数据驱动框架，用于探究地铁车站双向不对称流条件下的行人疏散避让偏好。通过融合Apriori关联规则挖掘、RF模型和SHAP解释，系统识别了控制行人避让决策的微观行为机制和关键影响因素。
关联规则挖掘揭示了避让行为的四个主要维度：目标吸引、对向流避让、局部密度响应和轨迹跟随。行为具有明显的空间和时间特征：1～3 m是启动主动避让的关键范围，距离增大时避让意愿显著下降；高密度条件下行人偏向低密度区域移动，同时降低速度并缩小有效通过宽度；轨迹跟随表现出强时间衰减，行人依据近期环境信息持续更新决策。
RF和SHAP分析进一步量化了行为因素的相对贡献和方向效应：轨迹时效性、局部密度感知和对向流交互特征是主导因素，人口学属性和目标导向动机处于次要地位。这些结果表明，行人避让行为主要是由动态环境感知和局部交互驱动的适应性响应。研究所识别的行为机制为标定微观行人仿真模型、改进紧急疏散场景中异质决策过程的表达提供了定量参考。