随着城市化不断地发展,轨道交通的地位越来越重要,已成为大城市中不可缺少的运输工具;然而,地下空间中的轨道交通引导标识并不能很好地满足所有乘客的需求,部分标识会给乘客带来视觉上误导引起许多不必要的麻烦。有效地进行引导标识的布局,帮助乘客正确的获得标识信息,从而准确的到达目的地,对乘客的出行起到至关重要的作用。因此,研究的主要问题包括:(1)标识的内容分析。如何通过大数据的分析方式,识别地下封闭式的复杂空间环境对乘客的信息接受能力的影响,标识的设置内容对乘客接受信息带来的影响,以及乘客的个性特点等因素对引导标识信息的差异等。(2)标识的位置和内容。如何有效的在城市轨道车站空间环境中设置引导标识是重要的研究问题,此外标识的设置并不是越多越好,如果引导标识布置的越多,不仅会影响乘客快速地识别有效信息,造成人流拥堵,而且过多的标识会造成资源的浪费。(3)标识设置的效果度量。如何能够将标识设置操作时间和结果的不确定性,找到更强大的标识优化验证方案;同时,对不同标识设置假设情景进行测试和探索安全的优化方式,是在做出正确决策的重要基础。基于上述问题,本研究首先以北京轨道交通的乘客OD(Origin-Destination)数据和投诉数据为研究对象,运用数据分析和文本挖掘等方法,有效识别轨道交通导向标识问题;接下来基于乘客流线数据的分析,运用最优化理论对轨道交通内导向标识系统构建MIP模型,并对模型进行求解分析;最后以北京轨道交通西直门站为实例,基于仿真方法,研究轨道交通标识优化问题。主要内容包括:(1)轨道交通标识问题分析。本研究通过对轨道交通OD数据的分析,基于乘客的在站时间、乘车频次、线路和站点四个维度,从同站进出角度分析乘客行为与标识问题之间的关系;对投诉文本进行挖掘,通过主题关键词提取、句法依存关系分析、词聚类和关键词共现网络可视化分析等方法对轨道交通标识投诉的主要内容、核心问题及关键词进行分析,为标识问题的研究提供数据支撑。(2)轨道交通标识设置规范化、系统化研究。研究通过对乘客流线的分析,充分考虑了标识的位置和信息量,构建城市轨道交通车站导向标识的布点设置的优化模型,让乘客能尽快达到目的地,设置合理的引导标识,使得乘客能通过最短的路线通行,从而减少乘客在车站中的逗留时间,减少同时在车站中通行的乘客的数量。(3)轨道交通标识仿真设置与模型分析。研究对西直门轨道交通站进行了实地调研和流线分析,主要是研究了乘客的换乘规则、行进方向的限制措施、指示标识和实际引导等;基于此,本研究基于仿真方法,研究轨道交通标识优化问题,主要内容包括轨道交通站标识优化的理论研究、以西直门轨道交通站为案例构建轨道交通站标识仿真模型、分析仿真结果提出轨道交通站标识优化策略分析等。研究最后形成一个考虑乘客OD数据、投诉数据和流线数据的轨道交通标识优化大数据分析和仿真模型。本研究的创新点如下:(1)轨道交通标识的大数据分析模型。目前研究主要集中在对标识优化研究上,而对于引起标识问题的原因很少有阐述。本研究利用两个章节,分别通过乘客的原始OD乘客流线数据和标识投诉文本对引导标识的问题进行分析。首先,整理出研究需要的同站进出数据集;然后从站点、线路、时间和乘客角度,构建同站进出统计模型,得到异常乘客在站点、线路以及时间上的乘车偏好,通过对同站进出数据集的预处理,构建了可以反映同站进出乘客特点数据集,分析乘客行为与标识问题的数据关系;其次,对投诉文本进行去重、分词等预处理,利用语义分析提取投诉文本主题词和相关关键词,对标识的投诉问题进行分类,并利用关键词共现网络挖掘不同类别投诉的核心问题。这两章的研究结果为后续的轨道交通标识优化建模和仿真提供研究基础。(2)轨道交通站标识优化的理论研究。轨道交通导向标识设置位置不合理,容易造成拥堵,且同一位置标识设置过多导致信息过量,导向标识堆积复杂,从而影响乘客获取准确的信息。本研究在分析站点的乘客流线基础上,将导向标识的布点设置问题转化为数学优化模型,以最大化研究区域内诱导信息量为目标函数,建立了城市轨道交通车站导向标识的布点设置的优化模型,帮助从多个备选位置中科学的找到导向标识的最优化布设位置,以减少由导向标识引起的指引错误;同时引入了标识数量的因素,在标识选址问题上考虑尽量减少总标识的建设成本和达到乘客便利预期的两个子目标,尽量减少乘客从标识到目的地的总访问成本,而不是简单的减少距离。(3)轨道交通标识优化的仿真模型。考虑到标识研究成果无法得到现实的验证,而现实验证又存在诸多动态的不确定因素,因此,研究应用仿真的方法,基于对乘客流线的分析,在Anylogic仿真平台上,确定了数学模型实际应用中所需要的各类参数值,从而得完整的导向标识布点优化设计模型,并基于Agent方法对模型求解。仿真模型能够将标识设置操作时间和结果的不确定性轻松的表示出来,从而量化风险,找到更强大的标识优化解决方案;同时,仿真还可以用来验证标识优化方案的可行性,提供了一种对不同假设情景进行测试和探索的安全标识优化方式,在做出真实的改变之前即可做出正确的决策。