PedNStream：基于LTM的步行网络流量仿真器，支持可扩展的行人交通管理

## 背景

大规模人群管理需要高效率且能与反馈控制兼容的行人模拟。现有开源工具要么局限于微观层面，要么缺乏网络级闭环评估功能。本文提出PedNStream（Pedestrian Network Flow Simulation），一个开源的、基于Python原生实现的宏观行人网络加载模拟器，依托Link Transmission Model（LTM）。该框架通过引入随机链路动态来捕捉扩散和活动诱导的变异性，并将动态用户均衡路线选择替换为适应不确定性和干预驱动场景的效用-基于公式。PedNStream 设计为模块化框架，内置控制器接口，支持闸控、流分离和路线引导等干预措施。

## 核心内容

计算机科学 > 人工智能领域
提交于2026年7月1日
标题：PedNStream: Scalable Network Flow Simulation for Pedestrian Traffic Management

摘要：大型人群管理需要高效率且兼容反馈控制的行人模拟。然而，大多数开源工具要么微观，要么不适合网络规模的闭环评估。本文提出PedNStream（Pedestrian Network Flow Simulation），一个开源的、Python原生实现的宏观行人网络加载模拟器，基于Link Transmission Model（LTM）。该框架通过引入随机链路动态捕捉扩散和活动诱导的变异性，并将动态用户均衡路线选择替换为适合不确定和干预驱动场景的效用-基于公式。PedNStream 被实现为模块化框架，内置控制器接口，支持闸控、流分离和路线引导等干预措施。

我们以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、倒流、拥堵消散和自适应重新路由。真实网络实验评估大规模行为并与观察到的行人数量一致。闭环案例研究展示了控制器集成，以及运行时分析量化了可扩展性。这些结果确立了PedNStream 作为大规模行人网络模拟和控制的有效且实用的测试平台。

## 关键要点

• PedNStream 是开源、Python原生、基于LTM的宏观行人网络加载模拟器，支持大规模模拟。
• 框架通过随机链路动态扩展LTM模型，捕捉扩散和活动诱导的变异性。
• 路线选择机制从动态用户均衡替换为效用-基于公式，适用于不确定和干预驱动场景。
• 实现为模块化框架，内置控制器接口，支持闸控、流分离和路线引导干预。
• 评估分为三个阶段：合成场景验证队列、倒流、拥堵消散和自适应重新路由；真实网络实验评估大规模行为和与观察行人数量的一致性；闭环案例研究演示控制器集成。
• 运行时分析量化可扩展性，整体确立其作为高效测试平台的价值。

## 意义与影响

PedNStream 为大规模行人网络模拟和控制提供了实用测试平台，其可扩展性在合成和真实网络场景中得到验证，能够高效支持闭环反馈控制。相比现有工具，该框架填补了微观模拟与网络级闭环评估之间的空白，尤其适用于不确定环境下的干预优化（如人群控制）。通过开源和模块化设计，它为研究者、规划者和实际应用者提供了一个灵活工具，有望推动行人交通管理的智能化发展和更高效的疏散/拥堵应对策略。