做Legion人群仿真做到第6期模型画完了空间定义好了路径连上了人流需求也灌进场景里了很多朋友到这一步就直接点“Run”等模拟器跑完就把密度图导出去写报告。我以前也这么干过后来被审图专家一次灵魂拷问“你仿真步长设的多少随机种子跑了几组行人速度分布用的哪本规范的数据”问得哑口无言才重新老老实实把仿真参数这一个看似不起眼的环节捡起来研究。这篇就把Legion设置仿真参数这件事从头捋一遍不堆理论直接按我平时做站房和人流安全评估项目的顺序从全局参数、行人本体参数、行为参数、路径选择参数到输出统计参数一层层说清楚每个参数是干什么的、默认值合不合理、实际项目中该怎么调。无论你是刚接触Legion的新手还是已经会用但没细究过参数含义的老手这篇都应该对你有用。1. 先想清楚“仿真结果给谁看”再动参数仿真参数不是填表就完事它直接决定你最后导出的密度图、服务水平等级、排队长度这些结论有没有说服力。我在做地铁站换乘大厅、体育场馆散场模拟、商业综合体疏散评估时第一条原则就是先明确这个模型跑出来要给谁看、回答什么问题再回头定参数。1.1 同一套模型不同结论要盯不同指标做车站类项目专家评审通常会问“高峰小时扶梯口排队会不会倒灌到站台”这时候你重点要看的是排队长度和扶梯口局部密度做体育场馆结论核心是“最后一波观众多久能散完”重点变成总疏散时间和出口流量做商场业主关心的是“中庭促销活动时会不会出现拥挤踩踏风险”需要看瞬时密度峰值和区域LOS。这些评价指标不一样参数的敏感度也不一样。比如看排队长度时间步长和行人间距的设定影响很大看总疏散时间速度分布和路径选择成本是主导因素看局部密度峰值随机种子就显得特别重要。换句话说参数设置没有一套万能模板必须跟着结论倒推。1.2 服务水平LOS是绕不开的“通用语言”不管哪个项目最终报告里几乎都要用到服务水平Level of Service简称LOS这个概念。Fruin提出的行人交通设施服务水平分级把人流密度分成A到F六个等级是目前行业里最通行的语言。Legion自带这套标准的计算逻辑但你必须在参数设置里把密度统计方式、阈值标准选对否则结果可能和别人对不上。后来我做项目养成一个习惯拿到模型第一件事不是打开仿真运行按钮而是先在纸上写清楚“本项目的核心结论是哪三句话”然后推导出要用的指标再反推哪些参数必须重点校核。这个流程看着浪费时间实际上能省掉大量返工。2. 全局参数三件套仿真时长、时间步长、随机种子进入Legion的仿真运行设置首先面对的是几个全局参数。这三个参数新手最容易忽略因为它们不像行人属性那样直观但恰恰是决定模型可靠性和计算成本的关键。2.1 仿真时长怎么定覆盖完整高峰时段再留余量仿真时长不能随手填。以前接到一个商业综合体项目对方说“就模拟晚高峰17:30到19:00”我直接把时长设成5400秒结果跑到一半发现地下车库通往商业的扶梯在18:45才开始出现真正的排队等跑完一看19:00截止时队伍还没散干净。也就是说如果只截到19:00你会漏掉“高峰期结束后残余客流如何消散”这个重要信息。我的经验是仿真时长分析时段长度系统“清空”时间余量。比如你要看晚高峰17:30到19:00的地铁站换乘至少设定到19:10甚至19:15让最后一批进入系统的行人能走到目的地、产生完整行程时间数据。如果做消防疏散场景时长指“最后一个人离开建筑物或到达安全区的时间”通常先用预模拟跑一版看看大致什么时候清空再把仿真时长上调10%到20%设为正式值。Legion里仿真时长的单位一般是秒设置之前先确认模型里的客流到达曲线是否覆盖整个时段。如果到达曲线只定义到19:00就算仿真跑到19:30之后也没有新行人进场只会看到存量人群慢慢消散。2.2 时间步长不是越小越好精度与计算成本的平衡时间步长通俗说就是模拟器每隔多长时间计算一次所有人的位置和状态。这个参数直接权衡着仿真精度和计算耗时。Legion不同版本的默认步长不完全一样有的版本默认0.5秒有的允许你在运行设置里调整。我的建议是除非要精细分析某个小范围区域的排队和避让细节否则就用默认步长附近的值跑。步长太小比如0.1秒以下计算量会成倍增加几万人的场景一跑就是十几个小时对项目周期来说很不划算步长太大比如超过1秒行人位置更新太粗会看到明显的不自然“瞬移”局部密度也会失真。实际项目里我用过一个比较顺手的组合大范围路网级仿真用0.5秒步长重点区域小模型用0.2秒。跑完对比关键指标两者在“通道平均密度”和“总疏散时间”上的差异通常在5%以内但计算耗时差很多。这个差异可以接受耗时却直接影响交付节点。注意时间步长改了之后数据输出间隔Data Interval也要跟着核对。有些版本里两者是独立的如果不小心把输出间隔设得比步长还小会产生大量冗余数据文件拖慢磁盘读写。2.3 随机种子与多次运行让结论有统计意义随机种子这个参数是很多项目被专家质疑的重灾区。Legion在生成行人、分配初始位置、采样速度、决定部分微观行为时都会用到随机数随机种子不同仿真结果会出现上下波动。单次仿真跑出来的密度图、排队长度本质上是“一次抽样的结果”不一定代表一般水平。我现在做的每个正式项目同一个需求场景至少跑3组随机种子时间允许就跑到5组取均值或中位数作为主要结论波动较大的指标额外附上范围。比如某通道的密度均值可能是2.1、2.3、2.2人/㎡三个种子之间差0.2这种波动在报告里就写“平均峰值密度约2.2±0.1人/㎡”。如果某个指标在不同种子间波动特别大比如标准差超过均值的15%那就说明该区域对随机因素比较敏感需要在报告里说明甚至回头检查模型本身是不是有路径设置不合理的问题。3. 行人本体参数速度分布、身体尺寸和人群结构全局参数定完下一步就要“造人”了。Legion里没有“默认行人”每个行人都有自己的一套属性和行为特征而这些都靠参数来定义。3.1 Profile人群不是铁板一块Profile可以理解成“人群成分表”它定义了这个场景里会出现哪几类人、每类人占多少比例。一个典型的枢纽站Profile可能是普通成人80%老人10%儿童5%携带大件行李者5%。不同类型的行人步行速度、身体尺寸、上下楼能力都不一样。设置Profile时最常见的错误是只填一种“标准人”比例100%。真实情况里地铁站早晚高峰以通勤成人为主男女比例接近火车站节假日会突然多出一大批携带行李箱的人他们的速度、占用空间和避让行为都和空手通勤者明显不同医院场景要有轮椅使用者体育场散场时有大量结伴同行的人群。我通常会把Profile拆得比名义分类更细一点比如“成年男性通勤者”和“成年女性通勤者”分开因为两者的自由速度和身体尺寸有明显差异这个拆分看上去增加了工作量但对通道密度和楼梯瓶颈的计算影响很直接。3.2 步行速度为什么必须用分布而不是固定值这是新手最容易犯的硬伤把所有人的步行速度设成同一个值比如都会走路速1.2m/s。这样跑出来的结果是——所有行人齐步走队伍整整齐齐通道口会出现不自然的“等间距排队”密度图也会像打印出来的网格一样均匀一看就是假的。真实行人速度天然存在离散性同龄同性别的人在平整通道上的自由速度也会有±0.2m/s左右的波动。Legion里用速度分布来描述这种离散性一般设置两个关键值自由速度均值Mean Free Speed和标准差Standard Deviation。参考常规数据城市通勤混合人群自由速度均值可以取1.2到1.4m/s标准差0.2到0.3m/s老年人和儿童均值建议降到1.0m/s上下。上下楼速度是容易被忽略的第二层。平地上走1.3m/s的人爬楼梯时速度会明显下降。Legion里楼梯速度通常按楼梯几何条件自动计算一部分但你也应该检查对应楼梯坡道参数是否与实际图纸一致。如果模型里有一段很长的楼梯而你保留了默认的平地速度仿真会出现“飞一般跑下楼”的行人这在评审时相当露怯。3.3 身体尺寸别小看肩宽0.05m的差别Legion里的每个Agent在空间里是有“占地”的。最直接的影响参数是肩宽Body Depth和体厚Body Width这两个值决定了行人与行人之间的距离底线。肩宽设大了相同面积里能容纳的行人数量就少密度自然会被压低肩宽设小了你可能会算出非常激进的密度结果。普通成人肩宽在0.45m到0.50m之间携带行李者可能会占用到0.6m。别小看这0.05m的差异——一条2m宽的通道横向最多并排的人数会从4个变成3个半反映到流量上就是每小时少几百人。实际项目里如果模拟对象是春运期间的火车站建议把携带行李者的比例和身体尺寸都调高否则容易过度自信。设置身体尺寸时还要留意模型里是否用“圆形”还是“椭圆”来表示行人占地。圆形简化了转向计算快但在侧身通过窄缝时不够真实椭圆更像真实人体的俯视投影能模拟出侧身让行的效果但计算开销更大。我一般会先在关键瓶颈处做个小范围对比测试再决定全模型用哪种。4. 行为参数反应时间、进取性与局部避让如果说全局参数和行人属性是“硬件”行为参数就是“软件”它决定了人与人之间如何互动。这部分参数在Legion里往往藏在比较深的菜单里默认值通常也能跑但如果你知道它们是什么意思就能解释很多“为什么仿真结果和实测不一样”的问题。4.1 微观行为模型是个“受力”系统Legion底层是微观Agent模型你可以通俗地把每个行人想象成一个小磁铁他既有一个“想到达目的地”的驱动力也受到周边行人的排斥力保持个人空间、墙和障碍物的约束力、以及密集人群中的挤压力。这个受力系统决定了每一步实际往哪走。受力模型的好处是能自然涌现出很多真实现象通道里行人自动形成几股同向客流、迎面相遇时双方会提前侧身、瓶颈处会出现“排队-波动-释放”的脉冲效应。反过来如果参数设得不对也会涌现出很多假象行人重叠、来回抖动、卡在墙角出不来。了解这套逻辑是为了理解怎么调参数。遇到“局部地区行人在空地上原地转圈”这类问题很多人第一反应是模型画错了实际往往是行为参数或者局部空间网络的设置问题。4.2 反应时间、进取性和协作度在Legion的高级行为参数里有几个概念值得花时间理解反应时间Reaction Time行人从“感知到前方变化”到“做出行动”之间的延迟。反应时间设得越短行人避让越灵敏队列越紧凑设得越长行人会显得“迟钝”容易撞上或急停。一般建议在0.5秒到1.0秒之间具体看场景人群——早晚高峰通勤者的反应速度会比提着行李箱的旅客快一些。进取性Aggression可以理解成“在拥挤环境下争取移动空间的意愿”。进取性高的行人会以较小的人间距前进甚至强行插入空隙进取性低的行人会主动保持更大距离宁可慢一点也不愿和人贴太近。真实人群里这两种人都存在但如果你把所有人的进取性都调高通道流量会上升同时局部密度也会变得很不真实。协作度Cooperation表现的是行人在避让时是否“互相配合”。协作度高的行人会在迎面相遇时双方各让一点流畅通过协作度低的话会出现僵持或者一方强行通过。紧急疏散场景和节日逛街场景的协作度预期完全不同。这三个参数很难有绝对正确的数值因为不同文化、不同场景下的行人行为差异很大。我的做法是先保持默认值跑一版基准结果再根据实测视频或已有研究文献进行微调每次只改一个参数观察对关键指标的影响方向和幅度。4.3 楼梯与坡道的速度修正楼梯是Legion模型里最容易出问题的地方之一因为楼梯上的人和水平通道上的人行为模式差异很大。上楼梯费劲、速度慢下楼梯相对快但也比平地慢楼梯越陡、踏步越高速度下降越明显。Legion里有针对楼梯的速度修正参数有些版本会根据楼梯几何自动推算有些版本需要你手动指定“上楼梯速度修正系数”和“下楼梯速度修正系数”。常规取值往往可以参考上楼梯速度大约是平地的50%到70%下楼梯大约是平地的70%到85%。如果模型里有一段很长的换乘通道包含多处楼梯和扶梯速度修正系数对总行程时间的影响非常大。之前做过一个案例自动扶梯的输送能力没问题但旁边的疏散楼梯被低估了通行能力原因就是下楼梯速度修正系数设得太保守导致仿真结果里大家宁愿在扶梯口排队也不走楼梯和实际观察明显不符。提醒调整楼梯速度修正系数后一定要同步检查扶梯的参数。Legion里扶梯通常作为一个移动表面处理它有自身的运行速度、输送方向和承载上限。如果扶梯参数没有和实际设备铭牌核对输出的闸机口排队长度会产生偏差。5. 路径选择参数行人凭什么走这条路不走那条路全局参数、行人属性、行为参数都设好了行人该往哪个方向走还是另一回事。Legion里的行人不是漫无目的地乱逛它们会基于空间拓扑和路径网络做选择。这部分参数直接决定你看到的人群分布。5.1 成本函数与拥挤惩罚Legion的路径选择核心是一个“成本函数”。行人从A点到B点有几条路可选时模型会计算每条路的“成本”——通常是距离、预期行走时间、拥挤程度、舒适度等因素的加权组合最后选择成本最低的那条。很多人忽略的是“拥挤惩罚”这个维度。如果一条通道的预期密度很高行人会主动觉得“这条路很挤不好走”从而偏向绕远一点的另一条通道。这在真实世界中非常常见地铁站里大家宁愿排长队等扶梯也不愿走旁边几乎没人的楼梯那是因为扶梯的“心理成本”更低。但在消防疏散或紧急疏散模拟中行人对拥挤的敏感度会变化可能更倾向于跟着标志走最近出口这时候拥挤惩罚的权重就应该调低。实际上我常遇到的情况是把所有通道的拥挤权重都设成一样跑出来某条通道爆满、旁边一条空着——这显然不合理。这时应该检查的是该通道的容量是否合理、路径网络的连接有没有问题而不是盲目调高全局拥挤惩罚。5.2 熟悉度不是所有行人都是“全局最优”导航者“熟悉度”Familiarity思想很简单不是每个人都像装了全局导航一样知道走哪里最省时。本地常客知道捷径知道高峰期哪条通道人少外地旅客只看引导标志只知道沿主通道走不敢随便钻小通道。在模型里你可以给不同Profile设置熟悉度或者路径选择行为倾向。比如通勤者Profile的熟悉度高可能更容易选择效率更高的路径游客Profile的熟悉度低会倾向于选择更显眼的、更符合直觉的路径哪怕那条路人更多。我做高铁站项目时会把到达旅客的熟悉度设得比较低因为带着行李第一次来的人大概率不会选择穿过商业区绕到远端出口而早晚高峰的上班族熟悉度就高一些会更灵活地选择人少的换乘通道。5.3 空间偏好与楼梯惩罚的实际设置路径成本里还可以加入空间偏好。比如商业综合体的中庭既是通行空间也是停留空间行人在中庭边缘走、在店铺前驻足这些行为可以通过设置局部区域的吸引力或排斥力来模拟。很多人会把“人群感兴趣的区域”设成强吸引结果人越聚越多与现实相反——现实中一旦人多到一定程度后来的行人反而会避开。楼梯惩罚也是一个实际项目中很容易用到的参数在扶梯和楼梯并排的地方行人选择扶梯的倾向远高于楼梯因为你光看距离远近的话两者差不多但走楼梯的体力成本更高。通过给楼梯路径增加一个额外的“成本惩罚”就能模拟出“扶梯口排长队、楼梯却空闲”的真实场景。这里要强调调试思路每次只改一个参数跑一版对比图看关键断面的流量分布是否符合常识。不要一次改五个参数否则出了问题根本不知道是谁引起的。6. 输出统计参数密度网格、LOS阈值和动画导出参数设置完模型能跑出结果了但结果能不能“拿出来说事”还得看输出统计参数设得对不对。很多仿真报告被质疑不是模型逻辑错误而是密度统计方式说不清。6.1 密度图和统计窗口Legion输出密度图时通常需要设置网格大小和时间统计窗口。网格大小决定空间分辨率一般默认0.5m×0.5m就够用。网格太小单格里的行人数只有0或1密度图会显得很碎噪声大网格太大细节被抹平瓶颈处的高密度区会看不出来。时间统计窗口更关键。每帧实时密度的瞬时波动非常大报告里直接用瞬时值会出现“这片区域平均密度1.8人/㎡但某一帧峰值突然跳到4.5人/㎡”这种场面。更稳妥的做法是用一定时间窗口的平均密度来画图。我的经验是高峰时段平稳运行的分析统计窗口取60秒到300秒疏散模拟这种短时剧烈变化的场景窗口不宜太长否则会抹掉危险峰值取5秒到30秒比较合理。做车站类项目我一般会同时输出“全时段峰值密度图”和“平均密度图”两张前者用来找风险点后者用来评估服务水平。6.2 LOS阈值怎么落到软件里LOS分级在Fruin标准里的密度阈值是固定的但你必须确认软件里的适用范围和你的项目一致。通常使用这些密度区间人/㎡服务水平密度范围人/㎡状态描述A≤0.83自由流动B0.83 ~ 1.44略有约束C1.44 ~ 2.22正常行走D2.22 ~ 3.33行走受限E3.33 ~ 5.56非常拥挤F5.56停滞但要注意Fruin标准最初是基于特定人群特征提出的用在中国的地铁站、大型活动场馆时如果条件允许最好结合实际情况微调。我在不少项目里采用的是甲方的企业标准或地方规范可能对某些场所额外要求“密度不超过D级”“排队区域允许短时E级”。软件里设置LOS阈值时核对这些数值不要填错。填错一个档位整张服务水平图全变报告就会站不住脚。6.3 数据输出间隔与动画导出我见过不少同事在仿真设置里忽略了Data Output Interval。数据输出间隔决定了软件每多少秒保存一次中间计算结果它和时间步长是两个独立概念。如果后续要做轨迹分析、速度散点图、排队长度时序曲线数据输出间隔必须足够细我一般设为1秒如果只为了出几张密度图和一段动画间隔可以放宽到5秒甚至更长减少数据文件体积和读写压力。动画导出参数里帧率通常选10帧/秒或25帧/秒。25帧的高码率视频适合做汇报片头展示做日常迭代分析时用10帧就够了导出速度快得多。还要看你渲染时要不要叠加密度色块、LOS色块、Agent个体颜色这些图层图层的开关在导出前务必检查一遍别导出才发现颜色方案不对又重跑。7. 参数设置完怎么自查和校准最后这部分是我每次正式提交仿真结果前都会做的工作也是绝大多数教程不会细讲的部分。7.1 自查清单我会把下面的清单打印出来跑正式方案的24小时之前逐项过一遍仿真时长是否覆盖完整高峰时段加清空余量随机种子是否至少3组并确认不同种子都有输出Profile各类型比例之和是否为100%各类型速度、身体尺寸是否符合场景人群特征楼梯/坡道的速度修正系数是否和现场几何条件匹配扶梯参数速度、方向、输送能力是否与设备铭牌一致路径选择成本中的拥挤惩罚、楼梯惩罚是否合理密度图网格尺寸、时间统计窗口、LOS阈值是否符合报告要求的规范数据输出间隔是否满足后续轨迹和时序分析需求动画导出的图层、帧率、视角是否已确认模型是否存在孤立空间、悬空路径、重复叠加的空间区域这些项目看着琐碎但每一条都曾经让我返过工。7.2 常见警告和坑运行日志提示“空间容量不足”或“Agent无法生成”通常是行人到达率设得太高超过空间物理容量上限。先检查模型里对应区域面积和到达率必要的时候调整到达曲线或增加疏散出口。密度图出现局部黑色高亮可能是统计窗口太短把个别帧的随机拥挤放大了。加长统计窗口再看如果仍然严重就得回查这个区域的路径连接。行人在某一点原地打转大概率是路径网络在这个位置断裂或空间定义有重叠优先检查拓扑连接而不是调行为参数。整体速度远高于预期第一时间检查速度分布均值再看楼梯坡道速度修正是否生效最后看数据输出间隔是否与步长冲突。7.3 用实测数据校准的简化流程条件允许的情况下我强烈建议用现场实测数据做一次参数校准步骤不复杂选一个典型通道实测高峰时段每分钟通过人数、最大排队长度或局部密度在模型中使用同一时段的到达曲线跑一版基准仿真对比仿真输出与实测值误差超过15%就启动调参调整顺序有讲究先查到达率曲线是否准确再调速度分布和身体尺寸接着调行为参数最后动路径成本每调一步都要重新对比一次记录每一步的参数值和误差变化这个记录在报告评审时非常好用也是你自己积累调试经验最直接的素材。这个流程看着简单但真正坚持做的人不多。很多人一上来就调反应时间、调整体参数方向错了越调越偏。我之前做过一个大型体育馆的散场模拟最初跑出来总疏散时间比实测慢了近两成排查之后发现是到达率曲线里观众从看台到通道的疏散启动时间设置过于保守调回来之后误差一下就缩到了5%以内。参数设置这件事归根到底不是“把数字填好”而是“理解每个数字在替谁说话”。我自己的习惯是每一个正式场景至少跑3组随机种子跑完必看密度云图里有没有不合常理的局部堆积再用实测数据校准一轮。这套流程虽然不炫酷但胜在稳评审会上不管被问哪个参数我都能讲清楚它是怎么来的、为什么取这个值。下一篇如果还有机会可以接着聊怎么把Legion导出的海量数据整理成一张让业主一眼看懂的图。