PedNStream: 可扩展的行人交通管理网络流仿真

# PedNStream: 面向行人交通管理的可扩展网络流仿真 来源：https://arxiv.org/html/2607.01021

Weiming Mai¹，Dorine Duives 和 Serge Hoogendoorn

Weiming Mai、Dorine Duives 和 Serge Hoogendoorn 就职于荷兰代尔夫特理工大学交通与规划系，邮箱：[email protected]; [email protected]; [email protected]。¹ 通讯作者。稿件于2026年5月15日收到。

###### 摘要

大规模人群管理需要既计算高效又兼容基于反馈的控制的行人仿真。然而，大多数开源工具要么是微观模型，要么并非为网络规模的闭环评估而设计。本文提出 **PedNStream**（行人网络流仿真），一个基于链路传输模型（LTM）的开源、原生 Python 宏观看行人网络加载仿真器。该框架通过引入捕捉扩散和活动引起变异的随机链路动力学，扩展了基于 LTM 的行人模型，并将动态用户均衡路径选择替换为适用于不确定且受干预驱动的场景的效用函数公式。**PedNStream** 实现为模块化框架，内置控制器接口，支持门控、人流分离和路径引导等干预措施。我们采用分阶段方式评估该框架：合成场景验证关键机制，包括队列形成、回溢、拥堵消散和自适应路径重选；真实网络实验评估大规模行为及与观测行人计数的一致性；闭环案例研究展示控制器集成；运行时分析量化可扩展性。这些结果表明 **PedNStream** 是用于大规模行人网络仿真与控制的高效且实用的测试平台。

## I. 引言

大型活动期间有效的人群管理能确保行人安全并防止拥堵。多年来，人们开发了用于基础设施设计和战术管理（例如围栏和容量限制）的仿真方法来模拟人群动态。这些方法大致分为三类：微观的基于智能体的模型 [7 (https://arxiv.org/html/2607.01021#bib.bib9),1 (https://arxiv.org/html/2607.01021#bib.bib10),4 (https://arxiv.org/html/2607.01021#bib.bib7),3 (https://arxiv.org/html/2607.01021#bib.bib11)]；宏观的公式化方法，要么在网络层面建模行人流 [16 (https://arxiv.org/html/2607.01021#bib.bib13),2 (https://arxiv.org/html/2607.01021#bib.bib4),20 (https://arxiv.org/html/2607.01021#bib.bib14)]，要么将行人运动描述为时空连续流 [8 (https://arxiv.org/html/2607.01021#bib.bib15),6 (https://arxiv.org/html/2607.01021#bib.bib12)]；第三类是介观模型，它在流描述细节程度和模拟大规模场景的计算复杂度之间提供了折衷 [19 (https://arxiv.org/html/2607.01021#bib.bib29)]。

大多数现有的行人动态仿真模型服务于描述性目的：它们帮助从业人员和政策制定者评估基础设施变化的效果，或在各种场景下优化路线和调度策略。这些工具提供了关于人群在特定条件下如何行为的见解，但通常不支持实时、操作层面的控制，而这在大型活动的大规模人群管理中至关重要。在操作层面，Molyneaux 等人 [17 (https://arxiv.org/html/2607.01021#bib.bib1),18 (https://arxiv.org/html/2607.01021#bib.bib2)] 引入了动态行人管理系统（DPMS）的概念。他们的工作侧重于局部干预措施，如人流分离器和自动步道，以管理走廊、交叉口和出入口的行人运动。这一研究方向凸显了面向控制的行人建模的价值，但并未解决需要一个可扩展的仿真器来评估此类干预措施在大型行人网络上效果的问题。因此，对大型基础设施或城市环境（如疏散、节日或户外音乐会）中动态人群管理的研究仍然有限，部分原因在于缺乏合适的网络规模仿真工具。

这一差距源于两个相关的建模挑战。首先，基于智能体的微观模型和基于连续介质的宏观模型虽然行为细节丰富，但在模拟大型公共区域的大规模人群时不可扩展。这些模型的主要目标是从仿真器提取轨迹以分析特定场景中的行为模式，因此计算效率在此背景下并非关键。然而，这些详细信息通常并非人群控制算法输入所必需。其次，基于网络的宏观模型计算速度快，但行人动态模型尚不成熟。现有框架如链路传输模型（LTM）[25 (https://arxiv.org/html/2607.01021#bib.bib3)] 和其他基于网络的步行模型 [2 (https://arxiv.org/html/2607.01021#bib.bib4),16 (https://arxiv.org/html/2607.01021#bib.bib13)] 要么改编自车辆交通，忽略了行人特有的双向行为，要么效率不足以支持实时控制算法。这些局限性阻碍了动态、全网范围人群管理的发展。

最近，Lilasathapornkit 等人 [13 (https://arxiv.org/html/2607.01021#bib.bib5)] 引入了专门针对双向人行道网络的动态行人交通分配（DPTA）模型。该模型基于 LTM 框架，模拟大规模城市环境中的行人运动和拥堵。然而，它采用动态用户均衡（DUE）来建模行人路径选择，这对于可预测人群在计划性或重复性事件中可能是现实的，但在高度动态和随机性强的场景中则不太适用。此外，动态控制算法（如引导或管理干预）对行人路径选择的影响在 DUE 假设下无法充分捕捉。

表 I：PedNStream 相对于代表性开源仿真工具的定位。该比较突出了建模分辨率与应用规模之间的权衡。
- 有限：控制不是主要用例；
- 间接：通过外部 API/封装可实现控制；
- 直接：原生公式支持迭代、基于学习或实时控制优化。

基于 LTM 的模型的另一个局限是它最初是为车辆交通开发的，因此忽略了行人运动的关键特征。特别是，它没有考虑行人行为的内在随机性，比如个体在链路上逗留进行活动，或不同群体间步行速度的异质性。因此，仿真生成的行人流可能不真实。

除了这些建模局限性之外，目前仍缺乏明确面向宏观行人网络建模、用于控制相关应用的开源工具。相反，当前的开源软件格局主要由微观行人仿真器（如 JuPedSim [23 (https://arxiv.org/html/2607.01021#bib.bib27)] 和 Vadere [9 (https://arxiv.org/html/2607.01021#bib.bib28)]）以及更广泛的交通仿真器（如 SUMO 和 MATSim，其中行人作为多模式框架的一个组成部分出现 [15 (https://arxiv.org/html/2607.01021#bib.bib22),22 (https://arxiv.org/html/2607.01021#bib.bib23)]）主导。如表 I (https://arxiv.org/html/2607.01021#S1.T1) 所示，这些工具强调微观细节或多模式需求，而非用于操作人群管理的闭环控制，其中控制动作基于网络状态（如路段密度、流量和行程时间）持续更新。

为了解决这些局限性并增强基于网络的仿真模型的可用性，我们开发了 Python 仿真工具 **PedNStream**，它支持大规模行人仿真，并可方便地与实时人群管理策略（例如人群重新引导、容量调整和人流分离）集成。如表 I (https://arxiv.org/html/2607.01021#S1.T1) 所示，**PedNStream** 是一个面向城市或事件规模应用的宏观行人网络仿真器，能够快速评估行人干预措施。

本文的贡献有三方面。首先，我们扩展了 Lilasathapornkit 的模型，将随机性和扩散行为 [14 (https://arxiv.org/html/2607.01021#bib.bib18)] 纳入链路动力学，从而更真实地表示行人流。基于 DUE 的路径选择模型被替换为基于效用的函数，后者能更好地表示行人不利或不确定条件下的路径选择。其次，我们将 **PedNStream** 开发为一个模块化、开源、面向控制的宏观行人网络仿真框架。除了核心仿真模型外，该框架还包含两个控制器基线，即基于规则的控制器和基于压力的控制器，并支持人群管理策略的可重复闭环评估。第三，我们通过分阶段协议评估该框架：合成场景验证核心机制；流模式比较隔离所提出的链路动力学效应；真实网络研究评估大规模行为；闭环案例研究测试控制器集成；运行时分析量化可扩展性。源代码和可安装的 Python 包已公开 [24 (https://arxiv.org/html/2607.01021#bib.bib26)]，研究人员可以重用该工具并根据自己的研究定制场景。

本文其余部分组织如下：第 II–IV 节介绍行人流建框架，第 V 和 VI 节描述控制器设计和软件架构，第 VII–VIII 节报告实验结果。第 X 节总结全文，附录提供控制器基线细节。

## II. 动态网络加载问题

动态网络加载（DNL）模拟交通如何随时间在网络中传播。它是动态交通分配（DTA）框架的核心组成部分，DTA 建模时变拥堵条件下的路径选择。本节中，我们介绍 DNL 问题的数值求解方法，特别强调链路传输模型（LTM）。表 II (https://arxiv.org/html/2607.01021#S2.T2) 总结了模型描述中使用的主要符号。

表 II：模型中使用的主要符号。

### II-A 链路传输模型

Yperman 等人 [25 (https://arxiv.org/html/2607.01021#bib.bib3)] 提出了链路传输模型（LTM），这是一种基于一阶运动波理论 [12 (https://arxiv.org/html/2607.01021#bib.bib19)] 和流量守恒原理的动态网络加载模型。LTM 由两个耦合组件组成：捕捉链路内交通状态演化的链路模型，以及确定连接链路间允许流量转移的节点模型。在每个时间步，链路模型确定有多少流量可以离开链路（发送流量，即上游需求）以及多少流量可以进入链路（接收流量，即下游供给）。因此，实际通过链路边界的流量由这两个量共同限制。对于长度为 Δt 的仿真步，上游链路 i 在时间区间 (t−Δt, t] 上的发送流量计算如下：

Si,边界(t) = Ui(t−τf) − Vi(t−Δt),   (1a)
Si,链路(t) = CiΔt,                  (1b)
Si(t) = min(Si,边界(t), Si,链路(t)).    (1c)

这里，Ui(t) 和 Vi(t) 分别表示链路 i 到时间 t 为止的累积流入和流出量，Ci 是链路的流量容量。在标准 LTM 中，该容量被视为固定的链路级界限。项 Si,边界(t) 表示经过自由流行程时间 τf 后到达链路 i 下游边界的流量，而 Si,链路(t) 施加链路容量限制。因此，发送流量 Si(t) 是这两个量的最小值。

相应地，接收流量表示为：

Ri,边界(t) = Vi(t−τω) + kjamLi − Ui(t−Δt),   (2a)
Ri,链路(t) = CiΔt,                          (2b)
Ri(t) = min(Ri,边界(t), Ri,链路(t)),            (2c)

其中 Ri,边界(t) 表示链路 i 上游边界可用于新流入的空间。它由三项决定：按冲击波行程时间 τω 平移的累积流出量、最大存储量 kjamLi 以及已进入链路的累积流入量。项 Ri,链路(t) 施加链路容量限制。这里，kjam 表示堵塞密度，即链路完全被占用且行人运动可忽略时的密度。

### II-B 面向行人动态的链路传输模型

在本节中，我们首先回顾 Lilasathapornkit 动态行人交通分配框架中的链路模型，然后介绍 **PedNStream** 中的链路模型。

Lilasathapornkit 等人 [13 (https://arxiv.org/html/2607.01021#bib.bib5)] 扩展了标准链路传输模型（LTM）以纳入双向交互。在他们的公式中，他们不采用恒定的自由流速度，而是引入受其对向链路 j 密度影响的有效自由流速度 v̂f(t) 用于链路 i。这一变化使模型能够适应实际交通条件，行程时间不再为常数。另一调整修改了边界条件，特别是接收流量，如方程 (3b) 所示。关键在于，进入下游链路的行人数不仅受链路内拥堵的约束，还受来自对向链路的反向客流约束。修改后的组件在以下方程中以蓝色高亮显示：

Si,边界(t) = Ui(t − \hat{τf}(t)) − Vi(t−Δt),   (3a)
Ri,边界(t) = Vi(t−τω) + kjamLi − Ui(t−Δt) −