当前位置:首页 > 科研成果库

新街口早高峰的“走走停停”:复杂系统建模能算准吗?

2026-11-22 23:20:20小研科研成果库5

0923,南京,雨。新街口站 1 号线换 2 号线的通道里,我前面那个大哥突然蹲下去系鞋带。三秒。后面的人像被捏住的橡皮管,鼓了一段,又松下去。没有人发命令,但一波拥堵就这么生成了,往前爬了十几米,最后消失在站台口的闸机前。

这事我后来盯了很久。不是盯大哥。是盯那波“走走停停”。它太像复杂系统了。

很多人一听复杂系统建模,脑子里就蹦出一张巨屏:城市大脑、数字孪生、各种线在飞。说实话,容易犯困。但真到现场,问题往往很土:站台到底能塞多少人?临时封一个口,压力会窜到哪儿?加开一列车,是救了 2 号线还是把 1 号线搞崩?

复杂系统建模,不是把世界画成一张更花哨的图。它更像给这些土问题找一个可以拧螺丝的沙盘。前提是,你得先承认:人不是水,地铁也不是水管。

一节车厢怎么把浪推出来

先别急着建全城模型。我们从一节车厢看。

列车门打开。站台上的人不是均匀流动。谁先下,谁后上,谁站在门边,谁往中间钻,都会改变接下来 30 秒的密度。一个人犹豫一下,后面的人绕行,绕行的人撞到另一个人的包,另一个人的脚步慢了半拍。听起来琐碎。可当这些琐碎叠在 2000 人、3 分钟间隔、两个换乘通道上,就会出现明显模式:某侧扶梯排队暴涨,楼梯口反而空着;站台中间挤成粥,车头车尾还有缝。

这就是涌现。单个乘客没有“制造拥堵”的意图,但整体会自己长出拥堵结构。

要建模,常见有几种路子。Agent-Based Model,多智能体模型,说白了就是给每个乘客写几条小规则:目标方向、期望速度、避让距离、对扶梯的偏好。元胞自动机更省:把地面切成格子,人一格一格走。社会力模型连续一点,用“吸引力”和“排斥力”来算移动。排队网络则把通道、闸机、站台当成服务节点,看排队长度怎么传递。

这些模型都不神秘。神秘的是参数。走行速度 1.2 米每秒还是 1.4?看到扶梯队伍超过 8 米,多少人会改走楼梯?雨天,这个阈值会掉多少?

没有实测,参数就是拍脑袋。拍脑袋也能跑出漂亮动画,但那不叫建模,叫许愿。

南京地铁新街口站早高峰换乘客流仿真热力图南京地铁新街口站早高峰换乘客流仿真热力图

模型不是算命,是给决策留沙盘

我参与过一个换乘通道的仿真小项目。没上什么宏大平台。就是先把边界划小:只算早高峰 7:45 到 9:00,只算一个换乘节点,只关心站台滞留人数和通道密度。

数据从哪儿来?闸机刷卡是粗颗粒,手机信令更粗,还得洗。人工计数很笨,但有用:拿计数器蹲在楼梯口,每 5 分钟记一次方向流。再加视频抽帧,数一下人群密度。列车时刻表、到站偏差、雨量,也都塞进去。

然后就是反复校准。模型说 8:20 站台会堵,实际 8:35 才堵。差 15 分钟,不能装没看见。去查:原来那几天有学校开学,换乘量比平时高;扶梯检修,通行能力降了;还有,很多人看到站台人太多,会在通道里停一下看手机。这一停,模型没算到。

复杂系统建模有意思的地方在这儿:你永远在跟“遗漏的反馈”打架。

模型能干嘛?它不能告诉你明天 8 点 17 分某个人会不会被挤掉鞋。但它可以比较几种方案。比如:只开一个换乘口,还是开两个?楼梯口加隔离栏,会不会把堵点推到闸机?限流从 7:50 开始,还是 8:05 开始?这些是情景对比。输出也不是一个神准数字,而是一串分布:大概率还行,小概率崩溃,崩溃会先从哪儿冒烟。

这比会议室里拍桌子说“我觉得没事”要强。强在可证伪。你说加开列车有用,模型跑出来却说站台会更堵,因为下车的人先灌满了通道。那就得回去想:是不是先调闸机?是不是把引导牌换位置?

南京地铁线网拓扑结构与换乘节点示意图南京地铁线网拓扑结构与换乘节点示意图

边界感比公式更稀缺

边界感比公式更稀缺边界感比公式更稀缺

复杂系统建模有个尴尬:越复杂,越难预测。不是模型蠢,是系统本身对初值敏感。今天某个人在通道口多停了 5 秒,可能什么都不会发生;也可能像推倒一张多米诺,10 分钟后让另一条线多堵 200 人。这叫非线性。你没法靠一个方程把长期未来锁死。

所以别信“全知模型”。谁要是说他的平台能算准城市每个角落,先问他:数据延迟多大?反馈回路画全了吗?人遇到限流会怎么改路线?改路线之后,周边公交站会不会被灌爆?

这不是抬杠。这是复杂系统的边界。模型适合做短周期、有边界、可校准的决策支持。比如地铁站级客流组织、路口信号配时、仓库拣货路径。放到超大城市全系统,变量会爆炸,延迟会咬人,利益相关者还会互相博弈。你优化了换乘效率,可能把成本甩给站外共享单车;你压低了列车间隔,可能让供电和信号系统更紧。

横向看,这套思路到处都在用。电网调度要算潮流和故障传播;供应链要算库存、延迟和牛鞭效应;传染病要算接触网络和干预反馈。南京的雨天早高峰,和仓库里的爆仓,本质上有相似骨架:节点、连接、反馈、延迟、非线性。只是长着不同皮肤。

我自己的经验是,复杂系统建模想落地,先守住三件事。小切口。可验证。留冗余。别一上来就追求全城全时全域,那是给汇报看的。先在一个站、一个路口、一条产线跑通闭环,再把边界往外推。模型输出也别只给一个数,要给区间和触发条件。比如“当站台密度超过每平方米 4 人,且 2 号线到站间隔超过 3 分钟,启动限流”。这比一句“建议加强管理”有用得多。

再扯个误区。有人觉得建模就是找最优解。复杂系统里,最优常常很短命。你今天把乘客全导向楼梯,明天扶梯检修完,客流又变了。真正有用的是适应。像在南京雨天等公交,车不来,你不能只怪调度,你会在“继续等”和“走去地铁”之间反复切。模型要帮人做的,是让这种切换少一点盲目,多一点提前量。

那波系鞋带引起的拥堵,早就散了。但它提醒我:复杂系统建模不是替人做决定,而是把决定前的黑暗照小一点。小一点,也值。