Understanding Impacts of Security Check on Passenger Flow in a Metro Station and Improving Measures: A Case Study in Guangzhou, China
Notice bibliographique
Résumé
In order to ensure the safety of passengers using metro stations and staff working at them, some cities choose to set security checks at the entrances of metro stations. There is no doubt that security check can help keep dangerous objects out of a metro station. However, the security check can also slow down the entering speed of passenger flow and lead to congestions that may affect passengers’ travel plans. How security check will impact the passenger flow and how to reduce the impact are questions that need to be addressed. In this study, metro station models were constructed using the building structure and passenger flow data of a realistic metro station in Guangzhou, China. By using the AnyLogic simulation software, the traffic characteristics of passenger flow under the scenarios with and without a security check were compared and discussed. The congested areas in the station hall and possible causes were analyzed. In addition, possible improving measures such as adding security check machines and ticket vending machines were also modeled to test their effectiveness on reducing the congestion in the station. Results show that when security checks are set at each entrance of the station being studied, the flow rate of passengers entering the gate machine could be decreased by 49.4%~83.3%, which can cause serious congestion at the entrance during rush hours. By adding security check machines and ticket vending machines at the entrances with high passenger traffic demands, the congestion near these entrances could be greatly reduced.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».