摘要
随着城市轨道交通网络规模扩大和客流复杂度提升，传统“四阶段”模型已难以满足实时、精细、可反馈的客流推演需求。基于智能体（Agent-Based Model, ABM）的客流预测仿真通过刻画个体出行决策-交互-演化全过程，实现了“人-车-站-线”一体化动态镜像。本文系统阐述智能体的概念内涵，分析其在客流预测中的独特价值与作用机制，总结典型应用案例，并提出“单体智能-群体协同-生态演化”三阶段发展路径，为构建韧性、高效、可解释的城市轨道交通数字孪生提供方法论支撑。

关键词
智能体；客流预测；仿真；数字孪生；群体智能

一、概念与内涵
1.1 智能体定义
智能体是指具备感知、推理、决策、行动四大能力，可在数字环境中自主完成目标任务的计算单元。在交通领域，一个智能体既可代表一名乘客，也可代表一列车、一组闸机或一个信息诱导屏，具备“自治性、反应性、主动性、社会性”四大特征。

1.2 客流智能体仿真
通过赋予智能体“出行目的、路径选择、时间预算、感知阈值”等异质属性，使其在虚拟网络中持续交互，从而自下而上涌现出宏观客流分布，实现“微观行为-中观演化-宏观态势”跨尺度无缝衔接。

二、价值与作用
2.1 刻画异质行为，提升预测精度
传统集计模型将乘客视为“同质流体”，难以解释突发大客流、换乘绕行等现象。智能体可嵌入年龄、性别、是否携带行李、是否熟悉环境等30+维属性，实现“千人千面”的个体决策建模，预测误差较传统模型降低10-20%。

2.2 引入动态反馈，支持实时推演
智能体可实时读取闸机、车载、手机信令数据，动态更新“感知层”，在仿真秒级时间内完成路径再选择，实现“线上数据-线下仿真”闭环，为运营方提供15分钟级客流预警。

2.3 评估诱导策略，降低运营风险
通过“双层规划-多智能体”框架，上层优化信息发布时空范围，下层模拟乘客对拥挤信息的反馈，实现“每站一策”差异化诱导。北京地铁实例表明，早高峰全网负荷均衡度提升12%，大客流晚点下降8%。

2.4 兼容数字孪生，降低试错成本
智能体仿真可作为数字孪生体的“行为引擎”，在虚拟空间预演节假日、突发故障、极端天气等场景，使运营方案先验证、后落地，减少现场调试费用30%以上。

三、典型应用案例
3.1 轨道交通客流预测
深圳地铁6号线部署“Agent-Flow”系统，融合AFC、视频、列车称重数据，5分钟滚动预测未来1小时断面客流，平均绝对误差(MAPE)<6%，为行车图实时调整提供决策依据。

3.2 车站设施布局评估
上海虹桥枢纽利用智能体仿真评估安检-换乘通道改造方案，对比12种布局，提前发现瓶颈点，将仿真最优方案落地后，高峰小时换乘时间缩短18%。

3.3 大型活动散场疏导
杭州亚运会主场馆构建10万级智能体模型，嵌入散场公交线路、地铁加班车、出租车调度信息，提前2小时给出客流疏散“红橙黄”分区管控策略，散场秩序良好且无客流滞留。

四、发展路径
4.1 单体智能：行为模型精细化

• 从“规则驱动”走向“数据驱动+心理驱动”，引入前景理论、后悔理论解释乘客在拥堵、信息缺失下的非理性决策；

• 采用大模型微调，实现自然语言描述即可生成个性化出行计划。

4.2 群体协同：多智能体协同演化

• 构建“Agentic AI”中心编排层，实现乘客-列车-站台-诱导屏群体协同；

• 引入联邦学习，保障“数据不出闸机”，完成跨城市、跨线网模型协同训练。

4.3 生态演化：数字孪生在线闭环

• 智能体作为数字孪生“行为引擎”，与BIM、GIS、IoT实时对接，实现“虚实同步-以虚控实”；

• 建立“行为-状态-事件”三元组时序数据库，支持长期演化分析与政策效果评估。

五、挑战与对策

表格

复制

挑战	对策
开放动态环境适应性差	强化学习+数字孪生高频仿真，完成百万级场景预演
模型可解释性不足	采用混合建模（物理+数据），输出“决策-责任”链路图
数据隐私与主权	横向联邦学习+差分隐私，ε<1
标准缺失	推动UITP、ISO/TC204设立“交通智能体”接口标准
人才短缺	高校-企业-政府共建“交通+AI”交叉学科，设立CAIO岗位

六、结论与展望
智能体通过“自下而上”的异质行为建模，为客流预测与仿真提供了精度高、反馈快、策略优的新范式。未来随着大模型、群体智能、数字孪生技术成熟，智能体将从“离线分析工具”升级为“在线孪生大脑”，在“规划-建设-运营-应急”全生命周期持续演化，助力城市轨道交通实现韧性、高效、绿色、可持续的高质量发展目标。

参考文献
: 一种基于多智能体仿真的城市交通出行推演仿真方法. Google专利, 2021-06-15.

传统“四阶段模型”（Four-Step Model）

是交通需求预测的经典、集计框架，自1950年代美国芝加哥交通规划起沿用至今。模型将出行决策拆为四个顺序阶段，每阶段输出结果作为下一阶段输入，故称“四阶段”。

1. 出行生成（Trip Generation）
   预测每个交通小区在一定时期内产生和吸引的出行总量，常用回归模型或交叉分类法，变量包括人口、岗位、收入、土地利用等。

2. 出行分布（Trip Distribution）
   把生成量扩布到小区之间，形成OD矩阵，核心方法为重力模型、增长因子法或熵模型，反映“从哪来到哪去”的空间交互。

3. 方式划分（Mode Split / Mode Choice）
   将OD总量按交通方式（公交、小汽车、轨道、步行等）进行分配，常用Logit、Probit或嵌套Logit模型，依据时间、费用、舒适度等效用指标。

4. 交通分配（Traffic Assignment）
   把各方式OD加载到具体路网，计算路段流量、速度、拥挤度和行程时间，常用全有全无、用户均衡（UE）、随机用户均衡（SUE）等算法。

特点：

• 集计性：以交通小区为最小单元，忽略个体异质性；

• 顺序式：四阶段依次求解，缺乏反馈；

• 静态性：通常代表“平均工作日”快照，难以处理动态、实时变化。

因上述局限，现逐步被基于活动的模型（ABM）和智能体（Agent-Based）方法所补充或替代。