城市轨道交通接驳系统引导设施自解释性能分析方法研究

Self-Interpretation Performance Analysis Method for Guidance Facilities of Urban Rail Transit Connecting Systems

摘要

为提升城市轨道交通接驳系统引导设施效用，提高客流通行引导效率，基于设施特征、视觉认知特性及行为表达特性，构建了引导设施自解释性能描述模型，并对通行设施及其引导标识、城轨车站引导标识、接驳设施引导标识，开展设施特征信息表现、行人视觉认知和行为表达一致性分析，提出引导设施自解释性能分析方法，确定引导设施自解释性能表征指标的一致性设计标准。研究成果表明：设施阻抗在[203.332，236.585]m范围内时，引导设施表现出较好的可视性和引导性，其自解释性能较好；无障碍设施引导标识的信息量在[2.522，22.638]bit范围内，城轨线路引导标识的信息量在[12.393，13.091]bit范围内，公交线路引导标识信息量在[34.365，62.946]bit范围内，引导标识表现出较好的易读性和引导性，其自解释性能较好。

Abstract

To　enhance the utility of guidance facilities in urban rail transit connecting systems and improve the efficiency of guiding passenger flow, a self-interpretation performance description model of guidance facilities was constructed based on facility characteristics, visual cognition characteristics, behavioral expression characteristics, and consistency analyses of information performance of facility characteristics, visual cognition of pedestrians and behavioral expression were carried out for the passage facilities and their guidance signs, guidance signs in urban rail transit stations, and guidance signs in connecting facilities. Thus, the self-interpretation performance analysis method for guidance facilities was put forward, and the consistency design standard of the self-interpretation performance characterization index for guidance facilities was determined. The research results show that when the impedance of the facility is in the range of [203.332, 236.585]m, the guidance facility shows better visibility and guidance capacity, and its self-interpretation performance is better; when the information load of the accessibility facilities guidance signs is in the range of [2.522, 22.638]bit, that of the urban railroad line guidance signs is in the range of [12.393, 13.091]bit, and that of the bus route guidance signs is in the range of [34.365, 62.946]bit, the guidance signs show good legibility and guidance capacity, and their self-interpretation performance is great.

Graphical abstract

关键词

城轨交通接驳系统 / 引导设施 / 视觉认知 / 行为表达 / 自解释性能

Key words

Urban Rail Transit Connecting System / Guidance Facilities / Visual Cognition / Behavioral Expression / Self-Interpretation Performance

0　引言

目前，城市轨道交通接驳系统引导设施常常存在设施距离设置不合理、信息量不均衡等问题，导致行人在接驳路径走行过程中可能出现信息获取不及时、认知效果受损，从而导致错误行为产生，影响了行人的视觉认知和行为表达，降低了引导设施的引导效率。

近年来，国内外学者开始重视引导设施的效用研究。部分学者主要从视觉特性角度展开研究，吕能超等^[1]考虑驾驶员的认知特性，通过实验分析不同信息量的引导标识对驾驶员认知负荷的影响规律，验证交通标志信息量对负荷加载的有效性；郝亚睿等^[2]根据行人认知规律设计了室内认知试验，通过对引导标识信息进行组块划分，对不同组块数量标识的瞬时记忆容量进行研究，从而对地铁引导标识进行优化；Jiao等^[3]通过建立仿真模型，探索引导设施对视觉认知时间的自解释能力，以满足驾驶员的生理和心理质量需求。部分学者主要从行为特性角度展开研究，陈铁东^[4]通过采集轨道交通行人的OD数据，从行人同站进出的角度分析行人行为与标识之间的关系，并从轨道交通标识的位置和内容两方面对标识进行优化；Li等^[5]通过分析行人的寻路行为特性，发现标识设计的过程中需要对系统内部信息进行复制及强调，建议在行人的走行间隙中提供信息；韩玉琦^[6]以乘客的行为特性和需求为主线展开研究，利用仿真模型对地铁车站的导向标识进行评价，并对其位置、构成和内容进行优化；Feng等^[7]通过VR研究工具采集行人的行走轨迹、头部运动及注视点数据，调查研究多层建筑中行人的寻路行为，并对行人的引导效果进行评价。

目前引导设施效用研究主要从视觉特性和行为特性单一角度进行研究，如何科学地综合考虑设施特征、视觉认知特性和行为表达特性分析引导设施效用显得尤为重要，研究已证明^[8-10]，提高引导设施的自解释性能是提升引导效果有效性行之有效的研究途径，拥有一套自解释性能分析方法至关重要。因此，研究提出构建引导设施自解释性能描述模型，并对设施特征、视觉认知特性和行为表达特性进行一致性分析，从而设计城市轨道交通引导设施的自解释性能分析方法，为提高客流通行引导效率提供理论参考。

1　引导设施自解释性能描述模型

城市轨道交通接驳系统的空间环境决定了其中存在的引导设施种类，可分为通行设施、通行设施引导标识、城轨车站引导标识、接驳设施引导标识。结合交通设施自解释性能的相关研究^[11-12]，城市轨道交通接驳系统引导设施自解释性能可表示为：引导设施通过信息表现设施特征，决定了行人的视觉认知，影响了其行为表达，而行人的行为表达又可以反映其视觉认知。因此，基于设施特征、视觉认知特性、行为表达特性对引导设施自解释性能进行分析，构建引导设施自解释性能描述模型如图1所示。

根据引导设施自解释性能描述模型以及现有研究，提出设施特征、视觉认知特性、行为表达特性的表征指标，构建表征指标矩阵如表1所示。

2　数据采集

本次实验主要从接驳方式多样、接驳路径相对复杂的角度出发，选取上海市内11个典型城市轨道交通接驳环境进行数据采集。由于接驳过程中实验人员走行行为较多，为减少实验仪器的干扰，还原最真实的接驳行为，采用Tobii Glasses 3眼镜式眼动仪以及可穿戴式运动传感器作为数据采集仪器，其中Tobii Glasses 3眼动仪针对时间参数的精度可以达到0.001 s^[18]，满足实验要求。同时，选取20名裸眼或矫正视力正常且对城轨交通接驳系统场景及接驳引导设施不熟悉的实验人员开展接驳实验。

通过提前对11个接驳环境中的通行设施、通行设施引导标识、城轨车站引导标识、接驳设施引导标识进行调研，分别从4类引导设施中选取1种引导设施，对5个不同设施阻抗的天桥和5个不同信息量的无障碍设施引导标识、城轨线路引导标识、公交线路引导标识进行数据采集，每种设施分别采集100条数据，共计400条。参与实验的人员，在经过实验说明和设备培训后，正确佩戴眼动仪以及可穿戴式运动传感器，在仪器校准完毕并开始录制后，从初始位置出发，自主寻找引导设施，并顺利到达目的地。每名实验人员完成1次实验后，下一名实验人员接替进行，直至所有实验人员全部完成该组实验。

当20组实验完成后，使用眼动仪自带的Tobii Pro Lab软件，在引导设施出现的视频区域手动绘制兴趣区，且时刻调整兴趣区的位置和大小形状。每一组实验的兴趣区绘制完成后，通过对数据采集结果进行数据初步分析和导出，可以得到视觉认知特性表征指标中的首次注视时间、总注视时长、访问次数，并根据眼动仪录制视频，结合可穿戴式运动传感器记录的整个接驳过程的走行距离数据，可以记录和计算出行为表达特性表征指标中的平均走行速度、平均停滞时间、停滞或后退次数。数据采集实验如图2所示。

3　数据分析

基于引导设施特征、行人视觉认知及行为表达三者的一致性，探究引导设施的设施特征对行人视觉认知和行为表达的影响规律。通过分析首次注视时间、总注视时长、访问次数、平均速度、平均停滞时间及停滞或后退次数指标在不同设施特征下的分布情况，分别确定各个指标自解释性能较好的设施特征范围。通过综合考虑引导设施特征、行人视觉认知及行为表达一致性，确定行人视觉认知和行为表达均较好的区域，即引导设施自解释性能较好区域。

3.1　通行设施自解释性能一致性分析

根据上述数据采集实验，将5个不同设施阻抗的天桥的采集数据进行拟合分析，不同天桥设施阻抗下行人视觉指标及行为指标分布如图3所示。

由图3可知，在视觉认知方面，随着天桥设施阻抗的增加，行人首次注视时间逐渐减少，且设施阻抗在[179.838，277.416]m范围内时，首次注视时间小于等于1 800 ms (1.8 s)，说明天桥的可视性强，行人在接驳过程中易找到天桥的位置；总注视时长随着天桥设施阻抗的增加，呈现出先减少再增加的趋势，且设施阻抗在[179.838，277.416]m范围内时，总注视时长较小，说明行人对天桥整体认知的时间较短，可以在接驳过程中快速识别通往天桥的路径；访问次数随着天桥设施阻抗的增加而增加，且设施阻抗在[203.332，277.416]m范围内时，访问次数趋近于10次以上，说明行人对天桥的关注度较高。在行为表达方面，随着天桥设施阻抗的增加，行人的平均走行速度呈现出先增大再减小的趋势，当天桥设施阻抗在[179.838，236.585]m范围内时，行人走行速度趋近于1.4 m/s，走行速度较快，说明天桥的识别性较强，行人在接驳过程中可以快速识别其信息并确定通往目的地的方向和路径；行人的平均停滞时间随着天桥设施阻抗的增加而逐渐减小，且设施阻抗在[179.838，277.416]m范围内时，平均停滞时间趋近于2 400 ms (2.4 s)，说明行人可以对目前的环境做出较准确的认知和判断；停滞或后退次数随着天桥设施阻抗的增加而减小，当设施阻抗在[179.838，277.416]m范围内时，停滞或后退次数趋近于2，说明行人对前进方向的判断较为准确。

因此，天桥设施阻抗在[203.332，236.585]m范围内时，行人的视觉认知和行为表达一致性较好，即天桥自解释性能较好。

3.2　通行设施引导标识自解释性能一致性分析

根据上述数据采集实验，将5个不同信息量的无障碍设施引导标识的采集数据进行拟合分析，不同无障碍设施引导标识信息量下行人视觉指标及行为指标分布如图4所示。

由图4可知，在视觉认知方面，随着无障碍设施引导标识信息量的增加，行人首次注视时间呈现出先减少再增加的趋势，且信息量在[2.522，31.292]bit范围内时，首次注视时间较短，说明无障碍设施引导标识的可视性强，较容易引起行人的注意；总注视时长随着无障碍设施引导标识信息量的增加而增加，且信息量在(0，22.638]bit范围内时，总注视时长较小，说明无障碍设施引导标识较容易使人理解；访问次数随着无障碍设施引导标识信息量的增加而减少，且信息量在(0，22.638]bit范围内时，访问次数均较高，约为4次，说明行人对无障碍设施引导标识的关注度较高。在行为表达方面，随着无障碍设施引导标识信息量的增加，行人平均走行速度呈现出先增加再减小的趋势，且信息量在[2.522，22.638]bit范围内时，走行速度较快，说明无障碍设施引导标识的易读性较强，行人在接驳过程中可以快速识别和理解其信息，迅速辨别走行方向和路径；平均停滞时间随着无障碍设施引导标识信息量的增加而增加，且信息量在(0，22.638]bit范围内时，平均停滞时间较短，说明行人可以对目前的环境做出较准确的认知和判断；停滞或后退次数随着无障碍设施引导标识信息量的增加而增加，且信息量在(0，22.638]bit范围内时，停滞或后退次数小于2，说明行人对前进方向的判断较为准确。

因此，无障碍设施引导标识信息量在[2.522，22.638]bit范围内时，行人的视觉认知和行为表达一致性较好，即无障碍设施引导标识自解释性能较好。

3.3　城轨车站引导标识自解释性能一致性分析

根据上述数据采集实验，将5个不同信息量的城轨线路引导标识的采集数据进行拟合分析，不同城轨线路引导标识信息量下行人视觉指标及行为指标分布如图5所示。

由图5可知，在视觉认知方面，随着城轨线路引导标识信息量的增加，行人首次注视时间逐渐减小，且信息量在[12.393，15.038]bit范围内时，首次注视时间较短，说明城轨线路引导标识的可视性强，行人在接驳过程中易找到城轨线路引导标识的位置；总注视时长随着城轨线路引导标识信息量的增加呈现小幅度增加再减少的趋势，且信息量在[11.595，13.091]bit范围内时，总注视时长较短，说明行人在接驳过程中可以快速识别城轨线路引导标识信息；访问次数随着城轨线路引导标识信息量的增加，呈现先增加后减少，再增加的趋势，且信息量在[12.393，15.038]bit范围内时，访问次数较多，说明行人对城轨线路引导标识的关注度较高。在行为表达方面，随着城轨线路引导标识信息量的增加，行人平均走行速度呈现先增加后减少的趋势，且信息量在[11.595，15.038]bit范围内时，平均走行速度较快，说明城轨线路引导标识的易读性较强，行人在接驳过程中可以快速识别其信息并确定通往目的地的方向和路径；行人的平均停滞时间随城轨线路引导标识信息量的增加而增大，且信息量在[11.595，13.091]bit范围内时，平均停滞时间较短，说明行人可以对目前的环境做出较准确的认知和判断；停滞或后退次数随着城轨线路引导标识信息量的增大，呈现出先减小再小幅度增加的趋势，且信息量在[13.091，15.038]bit范围内时，停滞或后退次数较少，趋近于1.5次，说明行人对前进方向的判断较为准确。

因此，城轨线路引导标识信息量在[12.393，13.091]bit范围内时，行人的视觉认知和行为表达一致性较好，即城轨线路引导标识自解释性能较好。

3.4　接驳设施引导标识自解释性能一致性分析

根据上述数据采集实验，将5个不同信息量的公交线路引导标识的采集数据进行拟合分析，不同公交线路引导标识信息量下行人视觉指标及行为指标分布如图6所示。

由图6可知，在视觉认知方面，随着公交线路引导标识信息量的增加，行人首次注视时间呈现出先减少再增加的趋势，且信息量在[34.365，388.171]bit范围内时，首次注视时间较短，说明公交线路引导标识的可视性强，行人在接驳过程中易找到公交线路引导标识的位置；总注视时长随着公交线路引导标识信息量的增加呈现出先增加再减少，最后逐渐趋于稳定的状态，且信息量在(0，62.946]bit范围内时，总注视时长较小，说明行人在接驳过程中可以快速识别公交线路引导标识信息；访问次数随着公交线路引导标识信息量的增加，呈现出先减少再增加，然后小幅度减少的状态，且信息量在[18.409，388.171]bit范围内时，访问次数较多，说明行人对公交线路引导标识的关注度较高。在行为表达方面，随着公交线路引导标识信息量的增加，行人平均走行速度逐渐减小，且信息量在[18.409，125.990]bit范围内时，行人走行速度趋近于1.4 m/s，走行速度较快，说明公交线路引导标识的易读性较强，行人在接驳过程中对引导标识信息的识别和理解较为迅速，对通往目的地方向和路径的判断较为明确；行人的平均停滞时间随公交线路引导标识信息量的增加而增加，且信息量在(0，62.946]bit范围内时，行人平均停滞时间较短，说明行人可以对目前的环境做出较准确的认知和判断；停滞或后退次数随着公交线路引导标识信息量的增加呈现出先增大再小幅度减少的状态，且信息量在(0，62.946]bit范围内时，行人停滞或后退次数趋近于4次，停滞或后退次数较少，说明行人对前进方向的判断较为准确。

因此，公交线路引导标识信息量在[34.365，62.946]bit范围内时，行人的视觉认知和行为表达一致性较好，即公交线路引导标识自解释性能较好。

4　研究结论

采用自解释理念，通过设施特征、视觉认知特性及行为表达特性一致性的方法对城轨交通接驳系统引导设施自解释性能进行量化，形成了引导设施自解释性能分析方法，确定了其表征指标的一致性设计标准，主要研究结论如下。

（1）天桥的设施阻抗在[203.332，236.585]m范围内时，行人的视觉认知和行为表达效果较好，引导设施表现出较好的可视性和引导性，其自解释性能较好。

（2）无障碍设施引导标识的信息量在[2.522，22.638]bit范围内，城轨线路引导标识的信息量在[12.393，13.091]bit范围内，公交线路引导标识信息量在[34.365，62.946]bit范围内时，行人的视觉认知和行为表达效果较好，引导标识表现出较好的易读性和引导性，其自解释性能较好。

参考文献

[1] 吕能超，曹 越，秦 羚，等. 基于交通标志信息量的驾驶负荷加载有效性研究[J]. 中国公路学报，2018，31(8)：165-172.

[2] Nengchao LYU， CAO Yue， QIN Ling，et al. Research on the Effectiveness of Driving Workload Based on Traffic Sign Information Volume[J]. China Journal of Highway and Transport，2018，31(8)：165-172.

[3] 郝亚睿，雷 斌，张 源，等. 基于行人认知规律的地铁引导标识信息优化[J]. 交通信息与安全，2021，39(4)：99-107.

[4] HAO Yarui， LEI Bin， ZHANG Yuan，et al. Optimization of Guide Signs in Subways Based on Pedestrian Cognition Laws[J]. Journal of Transport Information and Safety，2021，39(4)：99-107.

[5] JIAO F T， DU Z G， WONG Y D，et al. Self-Explaining Performance of Visual Guiding Facilities in Urban Road Tunnels Based on Speed Perception[J]. Tunnelling and Underground Space Technology，2022，122：104371.

[6] 陈铁东. 城市轨道交通标识优化及仿真研究：识别、建模与案例[D]. 北京：北京交通大学，2020.

[7] LI Z H， XU W A. Path Decision Modelling for Passengers in the Urban Rail Transit Hub under the Guidance of Traffic Signs[J]. Journal of Ambient Intelligence and Humanized Computing，2019，10(1)：365-372.

[8] 韩玉琦. 基于乘客行为和信息需求的地铁导向标识系统优化[D]. 西安：长安大学，2019.

[9] FENG Y， DUIVES D C， HOOGENDOORN S P. Development and Evaluation of a VR Research Tool to Study Wayfinding Behaviour in a Multi-Story Building[J]. Safety Science，2022，147：105573.

[10] GITELMAN V， PESAHOV F， CARMEL R，et al. The Identification of Infrastructure Characteristics Influencing Travel Speeds on Single-Carriageway Roads to Promote Self-Explaining Roads[J]. Transportation Research Procedia，2016，14：4160-4169.

[11] QIN Y T， CHEN Y R， LIN K H. Quantifying the Effects of Visual Road Information on Drivers' Speed Choices to Promote Self-Explaining Roads[J]. International Journal of Environmental Research and Public Health，2020，17(7)：2437.

[12] 李 璟. 考虑驾驶员情境意识的隧道环境自解释型设计研究[D]. 西安：长安大学，2022.

[13] NEUMAN Y， SCHWARZ B. Substituting One Mystery for Another：The Role of Self-Explanations in Solving Algebra Word-Problems[J]. Learning and Instruction，2000，10(3)：203-220.

[14] AINSWORTH S， LOIZOU A T. The Effects of Self-Explaining When Learning with Text or Diagrams[J]. Cognitive Science，2003，27(4)：669-681.

[15] 何 静，刘志钢，孙有望. 基于乘客能量和心理阻抗的换乘便利性分析[J]. 同济大学学报(自然科学版)，2010，38(1)：92-97.

[16] HE Jing， LIU Zhigang， SUN Youwang. Transfer Convenience Analysis Based on Passengers’ Physical and Psychological Impedance[J]. Journal of Tongji University (Natural Science)，2010，38(1)：92-97.

[17] 王 培，饶培伦. 驾驶员对北京市道路交通标志的感知和理解[J]. 工业工程，2011，14(1)：114-117.

[18] WANG Pei， RAO Peilun. A Driver’s Perception and Comprehension of Traffic Signs in Beijing[J]. Industrial Engineering Journal，2011，14(1)：114-117.

[19] 林建新. 基于乘客视觉感知行为的综合客运交通枢纽分级导向标识布设方法研究[D]. 北京：北京交通大学，2017.

[20] 张文利，方 勇，张 羽，等. 基于视觉有效指数的城市轨道交通车站出站引导标识优化设计[J]. 城市轨道交通研究，2022，25(3)：51-56.

[21] ZHANG Wenli， FANG Yong， ZHANG Yu，et al. Optimization Design of Exit Guidance Signs for Urban Rail Transit Stations Based on Visual Effectiveness Index[J]. Urban Mass Transit，2022，25(3)：51-56.

[22] 赵晓华，任贵超，王冰冰，等. 基于BIM+VR技术的客运枢纽标识系统综合评估方法[J]. 北京工业大学学报，2020，46(1)：51-57.

[23] ZHAO Xiaohua， REN Guichao， WANG Bingbing，et al. Evaluation of a Transport Hub Sign System Based on BIM + VR Technology[J]. Journal of Beijing University of Technology，2020，46(1)：51-57.

[24] 郭 仲，赵 刚，付 斌，等.考虑视觉搜索特性的指挥控制系统KLMS模型[J/OL].北京航空航天大学学报：1-10(2024-03-25)[2024-05-26].

基金资助

国家自然科学基金项目(51608387)

国家自然科学基金项目(52072235)