企业官网建设流程全解析

做人群仿真的项目，最累的不是建模，也不是调参，而是跑完那一刻对着满屏结果文件发呆。SimWalk 算完一个场景，会给你几十种输出：密度图、轨迹、疏散时间、服务水平统计……每一样都像是答案的一部分，但又都不是现成的答案。这篇是 SimWalk 系列教程的第九篇，专门讲结果分析与可视化。不管你是做地铁站疏散评估、大型活动应急预案，还是商场动线优化，只要你的工作流里用到了 SimWalk，这篇都能帮上忙，核心就一件事：把跑出来的原始结果，变成能拍板的结论，也让外行一眼看懂仿真到底说了什么。我自己用 SimWalk 做了好几个实际项目，踩过的坑和沉淀下来的方法，下面一次性讲透。

1. 结果分析之前，先搞清楚SimWalk到底输出了什么

1.1 五大类结果文件，别拿到数据就晕

SimWalk 不像普通计算软件只给一个汇总表，它默认会输出一堆结果视图和数据文件。我用的是 SimWalk 4.x 版本，界面功能名在不同版本里叫法可能不一样，但原理大同小异。从实际项目经验来看，最常用的输出可以分成五类，每一类都有自己的使用场景和读取方法。

首先是密度图（Density Diagram）。SimWalk 把场景网格化，每个格子里统计行人存在时间的占比，平均之后得到密度值，用颜色体现。网格大小非常关键，我通常设置 0.5 米乘 0.5 米，太大会把瓶颈细节抹平，太小则噪声偏大，热力图会花成一片。密度图的颜色默认从蓝绿渐变到黄红，蓝色代表几乎没人，红色代表密度非常高。有一个小技巧：在结果显示设置里把颜色范围手动固定，不要用自动范围。否则你对比两个场景的时候会误读，一个最大密度只有 1.0 的场景，和一个最大密度到 3.0 的场景，自动范围会让前者也红得不轻，但实际上两码事。

其次是流量图（Flow Diagram）。SimWalk 里可以画测量截面（Section line），统计通过这个截面的双向流量和总流量。流量图上的箭头方向是统计时间内行人移动的方向，注意，箭头是聚合结果，不是单个行人。如果箭头在某个区域交叉打结，说明动线冲突明显，这就是需要重点优化的地方。流量数据是判断“通行能力够不够”的第一手证据，比单纯看密度图要更接近问题本质。

第三类是轨迹图（Trajectories / Route Lines）。每条线代表一个代理的路径，可以按速度着色。轨迹图最容易暴露“绕路”问题：在开阔区域出现密集的弧线，说明人们没走最短路径，很可能被障碍物、排队区或引导标识影响。轨迹线太多时画面会很乱，我一般只显示 20% 左右的代理，看起来干净，趋势也清晰。

第四类是疏散/行走时间结果。疏散场景里我最关心的是“最晚离开时间”和“95 百分位离场时间”。规范一般要求所有人离开时间，但最后一个人的离场时间受随机因素影响很大，所以我更爱看 95 分位，更稳定。SimWalk 可以直接在结果面板里看，也可以导出 CSV 自己统计。

第五类是服务水平统计（LOS Table）。软件会按 Fruin 标准，把每片区域的服务等级划分成 A 到 F，用色块展示。密度阈值通常是：A 级小于 0.31 人/平方米，B 级 0.31 到 0.43，C 级 0.43 到 0.72，D 级 0.72 到 1.08，E 级 1.08 到 2.17，F 级大于 2.17。这个标准做报告非常好用，直接说“某区域服务水平为 E，人流量已经超过舒适范围”，业主马上能理解。

1.2 从数据到结论的分析逻辑：把数字翻译成决策

拿到这些输出之后，怎么用？我经常跟项目组说，结果分析就做三件事：找瓶颈、验状态、给结论。这三件事，各有各的对应数据。

找瓶颈，主要看密度。密度超过 1.08 人/平方米时，已经到 D 级，人开始频繁调整速度，走起来很不舒服；超过 2.17 就是 F 级，几乎堵死。SimWalk 密度图上这些区域会呈现红褐色，一眼就能看到。但光看颜色还不够，我一般会把最大密度对应的时间步长也找出来，再配合流量图看这段时间通过瓶颈截面的通行量有没有断崖式下跌。如果密度高而流量也高，那只是拥挤；如果密度高而流量掉下去了，那就是真堵车式停滞。

验状态，看速度和排队。SimWalk 能统计平均行走速度。如果某段通道平均速度低于每秒 0.5 米，大概率已经形成拥堵。排队长度可以看轨迹是否在某处大量重合并长时间停滞。再把服务水平统计加上，一个区域的舒适度就能量化成“能在报告里写数字”的结论。比如“候车厅入口处平均密度 1.30，LOS 为 E，平均步行速度下降到 0.42 米/秒，队伍长度约 12 米”。

给结论，就是把疏散时间、密度、LOS、最大排队长度这些指标汇总成一张表，对应到业主关心的合规性和体验问题。这个过程必须结合场景，同样的密度在楼梯口和候车厅，含义完全不同。所以我做分析时，习惯把 SimWalk 结果分成两半：左边是数值摘要，右边是对应视图截图，在报告里直接引用视图位置来定位问题。这个习惯救了我很多次，因为很多业主只看图，数字说再多也不如一张热力图直观。

2. SimWalk自带的可视化，怎么用才最出效果

2.1 密度热力图的正确打开方式

SimWalk 自带的密度热力图是最常用的可视化工具，但不是打开就完事。很多人直接把默认视图截图放进报告，结果问题一大堆：颜色范围没固定、网格太粗、时间段不对、没有叠加平面底图。做热力图，我建议按这个顺序调：先设网格尺寸，再固定颜色标尺，然后选择统计时间段，最后叠加底图。

网格尺寸前面提到了，0.5 米左右比较合适。固定颜色标尺可以在结果属性里手工输入最大值，比如把全局颜色标尺定为 0 到 3.0 人/平方米，这样不同方案之间可以公平对比。时间段选择上，SimWalk 默认做整个模拟周期的平均密度，但瓶颈往往只出现在高峰期那几分钟，所以我会额外打开逐时间步长的密度动画，把红色区域出现的时间段记下来，再单独导出那个时间段的数据。

叠加底图也很关键。SimWalk 支持把 CAD 平面图或位图作为背景，调成半透明再叠加热力图层。这样一来，业主看报告时能对号入座，知道哪片红色是安检区、哪片是楼梯口，而不是对着一个抽象网格发呆。透明度我一般设置在 50% 左右，太实会挡住底图，太虚颜色又看不清楚。

2.2 动态轨迹与流量箭头：还原人群运动过程

动态轨迹是我向甲方演示时最讨喜的功能。SimWalk 里可以播放整个模拟过程，能看到行人从生成到离开的完整运动轨迹。播放速度建议从 1 倍开始，把注意力放在容易出现冲突的区域。有些现象慢速播放时才能对得上时序，比如闸机前排队，你会看到轨迹在一个截面处逐渐重叠，队伍长度随时间变长。这时候光靠一张静态热力图是讲不清楚“怎么堵的”，只能靠动画。

流量箭头更适合做“分时段分析”。我一般每 5 分钟截一张图，看高峰人流方向的演变。比如地铁换乘通道，早高峰和晚高峰的主导方向正好相反，如果把整个时间段混在一起，箭头会互相抵消，得出的方向一点也不明确。分开截屏后才能看出原来的动线设计是否照顾了两个方向。

轨迹图还有个用法是看速度分布。给轨迹按速度着色，慢速区域自然显示为冷色调，和密度图互相印证。如果密度图显示红色而轨迹速度并不低，说明人流还在动，只是拥挤；如果轨迹速度也低，那就是停滞排队，问题更严重。

2.3 结果报告与图表输出：软件自带功能的上限

SimWalk 自带报告功能，可以生成 HTML 报告，包含基本统计和图表。用来快速给同事看可以，但正式交付给甲方时，样式和深度都不够。我通常把 SimWalk 的报告当“过程文件”，最终结论图表还是要自己加工。

导出方面，SimWalk 可以把密度云图作为图片导出，也可以把数据导出为文本或 CSV，再导入其他工具。我个人推荐至少保留三类导出物：密度矩阵 CSV、轨迹 CSV、截面流量时间序列 CSV。这三样数据在手，后续用 Python、Excel，甚至前端图表库都能做很多事。

如果你需要把 SimWalk 结果叠加到 CAD 或 GIS 里，也可以把密度云图作为光栅图导出，再对齐坐标放入 CAD。这样做疏散指示图、安全评估图非常方便。注意在导出前把不需要显示的图层全部关掉，只保留密度和底图，否则叠到 CAD 里会有一堆乱线。

3. 把SimWalk结果接入外部可视化工具，我的一套完整流程

3.1 导出字段、时间步长与数据格式

SimWalk 的导出选项比较多，用之前一定要确认字段含义。最常见的是密度矩阵，字段大致是时间步、网格 X、网格 Y、密度值。轨迹数据则是每个代理在不同时间的坐标、速度和状态。截面流量数据则是某个截面在连续时间步里的通过人数。

时间步长要提前想好。SimWalk 内部计算步长可能很细，但导出时为了控制文件体积，可以每 2 秒采样一次。注意，采样间隔太大会丢峰值，我一般是先看模拟总时长，如果模拟 5 分钟，用 1 秒或 2 秒采样足够；如果模拟半小时，就按 5 秒采样。密度矩阵如果网格很多，单次导出会非常大，建议按区域导出，不要整场景一次导完，否则轻则文件几百兆，重则直接卡死。

我给一个典型的密度导出文件示例：

TimeStep,GridX,GridY,Density 0,1,1,0.00 2,1,1,0.12 4,1,1,0.35

这个格式就是给 Python 用的。拿到的第一件事，先看文件行数。如果行数和预期差距太大，回模型里检查测量区是否覆盖了目标范围，别急着往下算。

3.2 用Python把密集数据变成决策表

SimWalk 自带图表够用，但要做定制分析、批量处理多工况，Python 几乎是必须的。我一般用 Pandas 读 CSV，然后算几个核心指标：全局平均密度、最大密度时间点和位置、超过阈值的时间占比；轨迹数据则用来算平均移动速度、95 分位离场时间、最大排队时间。

下面这段是我常用的一段密度分析代码，以“抄作业”的标准给你，直接改文件名就能用：

import pandas as pd df = pd.read_csv("density_matrix.csv") # 全局平均密度 avg_density = df["Density"].mean() print(f"平均密度: {avg_density:.2f} 人/m²") # 最大密度及对应时间、网格位置 peak = df.loc[df["Density"].idxmax()] print(f"最大密度: {peak['Density']:.2f} 人/m² @ TimeStep={peak['TimeStep']} Grid=({peak['GridX']}, {peak['GridY']})") # 超过 1.08 人/m²（LOS D）的时间步占比 threshold = 1.08 ratio = (df["Density"] > threshold).mean() print(f"超过 {threshold} 人/m² 的时间步占比: {ratio:.1%}")

注意idxmax()只能找出第一个最大值。如果场景有多个疏散高峰，我建议改成按时间步聚合，看每个时间步的平均密度，再画一条时间曲线。

轨迹数据的分析类似，主要看离场时间和速度分布：

import pandas as pd import numpy as np traj = pd.read_csv("trajectories.csv") # 只统计移动状态，剔除停留 moving = traj[traj["Speed"] > 0.1] avg_speed = moving["Speed"].mean() print(f"平均移动速度: {avg_speed:.2f} m/s") # 每个代理最后出现时间 agent_last_time = traj.groupby("AgentID")["Time"].max() p95_time = np.percentile(agent_last_time, 95) print(f"95% 人群离场时间: {p95_time:.1f} s")

一个容易忽略的点：如果轨迹 CSV 里同一个 AgentID 的最后一条记录并不代表“离场”，而是被截断在测量边界外，那这个 95 分位就是假的。所以导出轨迹数据时，要确认场景边界完整，代理全部走到出口之外。

3.3 用Matplotlib、Plotly甚至ECharts做汇报级图表

有了 DataFrame，画图就是顺手的事。密度云图可以用 Matplotlib 的imshow画，也可以用 Plotly 做成交互式热力图，鼠标移上去能看具体数值。我项目汇报时更倾向 Plotly，因为甲方会让我现场放大某个区域看细节，交互式图表比静态图片好用得多。

下面是一个密度云图的快速绘制代码，把密度矩阵变成二维透视表：

import matplotlib.pyplot as plt pivot = df.pivot_table(index="GridY", columns="GridX", values="Density", aggfunc="mean") pivot = pivot.sort_index(ascending=False) # 让 Y 轴正向朝上 fig, ax = plt.subplots(figsize=(10, 7)) im = ax.imshow(pivot, cmap="jet", origin="upper") plt.colorbar(im, label="Density (persons/m²)") ax.set_xlabel("X grid") ax.set_ylabel("Y grid") plt.tight_layout() plt.savefig("density_map.png", dpi=200)

如果想对接 Web 可视化大屏，把结果整理成 JSON 交给 ECharts 很顺手。比如按时间步聚合成平均密度序列，前端用折线图或热力图展示。我一般先在 Pandas 里算好，再导出 JSON：

import json time_series = df.groupby("TimeStep")["Density"].mean().reset_index() chart_data = [ {"time": int(row["TimeStep"]), "avg_density": round(row["Density"], 3)} for _, row in time_series.iterrows() ] with open("chart_data.json", "w", encoding="utf-8") as f: json.dump(chart_data, f, ensure_ascii=False, indent=2)

为什么要把 SimWalk 结果搬出来画图？因为自带的视图只是一个“快照”，没法联动筛选，也没法挂到大屏上实时展示多方案对比。外部工具灵活得多，颜色、注释、柱状图、雷达图都能做，关键是能跟其他专业数据合并，形成一份统一风格的交付图纸。

4. 一次真实项目的完整结果分析与优化闭环

4.1 场景设定与仿真配置

拿一个高铁站候车厅疏散模拟项目举例。这个项目的核心要求是：把候车厅内 1200 人在突发情况下全部疏散到室外安全区域，疏散时间不得高于 6 分钟。候车厅面积大概 40 米乘 60 米，四个出口，其中两个常用出口宽度 3 米，一个应急出口宽度 2.5 米，还有一个员工通道不参与疏散。

SimWalk 里建模时，我按设计图把柱子、座椅、售货亭都建了进去。人群构成按常见比例设置：普通成年人 70%，老人 15%，儿童 10%，行动不便者 5%。行走速度在每秒 1.0 到 1.5 米之间随机分布。网格尺寸 0.5 米，仿真步长 0.25 秒，统计间隔 2 秒。为了降低随机性，同一个方案跑了 5 个随机种子，取平均结果。

这里要说一句：随机种子非常重要。SimWalk 的人群生成和路径选择带随机性，只跑一遍可能碰上偏激场景。5 个种子都跑完，疏散时间的最大值和最小值差距在 10% 以内，结果才算稳定。如果一个种子的结果明显异常，要回去查模型，而不是草率删除。

4.2 结果解读：疏散时间、瓶颈、密度分布

第一次跑完，SimWalk 显示平均疏散时间是 384 秒，约 6 分 24 秒，超标了 24 秒。这就意味着方案不合格，必须优化。密度热力图上，问题很清楚：在西侧安检区到楼梯口的连接通道，出现一片红色区域，最高密度达到 3.4 人/平方米，远超 F 级线。轨迹动画则显示大量人流绕过中央座椅区后，同时涌向闸机方向，有一个出口承担了 65% 的人流，而东侧应急出口只走了 15% 的人。

用 Python 导出的轨迹 CSV 进一步算了一下，95 分位离场时间是 402 秒，最后一个人在第 412 秒才出去。平均移动速度在红色区域降到 0.3 米/秒，属于明显停滞。流量数据也印证了：楼梯口截面的通过流量在 90 秒到 150 秒之间出现下跌，说明拥堵已经反噬了通行能力。

这个案例里，最大瓶颈不在出口本身，而在出口前的汇聚段。很多项目都是这样：你把四个出口的宽度数字摆出来，每个看起来都够，但人流到出口前挤成一团，通行能力照样上不去。只看出口宽度不看上游动线，是初做疏散分析最容易犯的错。

4.3 优化措施与前后对比

基于分析，我提了三个优化方向。第一，把西侧楼梯口到出口之间的隔墙后退 1 米，扩大缓冲空间；第二，在东侧应急出口前增设发光引导标志，并通过座椅重排形成一条通往东出口的“引流道”；第三，把一个主要出口的前置闸机从 6 台增加到 8 台，减少闸机处的排队时间。

改完模型后重新跑 5 个种子，平均疏散时间降到 326 秒，约 5 分 26 秒，满足 6 分钟要求。95 分位离场时间降到 341 秒。楼梯口处最大密度从 3.4 降到 1.9，虽然还是拥挤，但不至于停滞。出口流量比例从原来的 65:15 变成 48:32，两个出口的利用率均衡了不少。

这个案例想说明的是：结果分析和可视化不是跑完就结束，它们是优化的依据。每一次改动是否有效，都得回到同一套结果指标里去看，不然就是凭感觉拍脑袋。

5. 结果可信度校验与常见排查技巧

5.1 先别画图，做这四步校验

拿到结果不要急着做图，先验证可信度。我做项目时固定有四步校验，少了哪一步心里都不踏实。

第一步是网格无关性检查。把网格分别设成 0.25 米、0.5 米、1 米，跑同一个场景对比疏散时间。如果三者的结果差距在 5% 以内，说明网格尺寸不是主导因素，可以用最省计算量的 0.5 米。如果差距超过了 10%，说明你的模型对网格敏感，必须用更细的网格。

第二步是随机种子检查。同一模型至少跑 3 到 5 个随机种子，看疏散时间和最大密度的离散程度。单一结果不能代表真实情况，因为在现实里同样条件下每次疏散也会有波动。模拟结果的置信区间比绝对精确值更有参考价值。

第三步是流量守恒检查。统计进入场景的总人数、离开场景的总人数和模拟结束时留在场景里的人数，三者应该满足：进入人数减去离开人数等于系统内人数。如果对不上，可能是代理卡在障碍物里没出来，或者出口定义有问题。SimWalk 的日志里能看到具体报告，别跳过日志直接看图形。

第四步是经验公式对照。疏散时间可以用 SFPE 手册里的一些手算公式估个数量级。比如已知楼梯通行能力，算出理论通过时间，再和 SimWalk 的结果比较。如果模拟比手算快了 3 倍以上，多半是模型边界条件设置太宽松。这个对照不需要追求精确，但能挡住明显离谱的结果。

5.2 常见结果异常及其排查思路

实际项目里，很容易遇到几个固定异常。我整理了一个速查表，方便大家对照。

每次都仔细看日志。SimWalk 的日志会记录没有到达目的地的代理数量，如果这个数量不是零，说明模型里有地方让人走不出去。别等到最后发现热力图上有人一直在原地打转，那整场仿真基本可以作废。

5.3 我常用的几个小技巧

最后分享几个私藏技巧。第一个是固定颜色范围，这条前面提过，但值得再强调。固定颜色标尺后，做多方案对比时，颜色深浅差异才是“真差异”，否则两张图根本不是同一把尺子量出来的。

第二个是善用 SimWalk 的区域统计功能。在模型里预先画好“测量多边形”，软件会自动统计进出该区域的人数、平均停留时间和最大排队人数。这个功能比我自己写 Python 还准，因为它是基于代理的状态数据算的，不用我从坐标里猜目的地。

第三个是多方案对比时，导出数据的时间轴要保持一致。我习惯以模拟开始时间为零点，截取前 300 秒数据。如果某个方案只有 280 秒就结束了，也要把时间轴补满 300 秒，那么对比曲线才公平。补的时间段可以看作是“所有人都已经离场”，密度记 0，速度不计算。

第四个是不要只导一次数据。SimWalk 的结果在每次跑完后都可能变化，尤其是我改过模型参数之后。导出数据前，确认当前激活的结果集是你想分析的那次，而不是上一次的残留结果。我曾经因为没注意结果集被覆盖，导出了一份旧的密度数据，整个上午白干，这是真实踩过的坑。

写在最后

自己做仿真项目做到现在，最大的体会是：结果分析和可视化几乎就是仿真本身的价值所在。模型建得再用心，参数配得再准，最后表达不出来，或者表达出来别人看不懂，那前面的工作就打了折扣。我始终建议刚开始用 SimWalk 的朋友，宁可前期在测量区、导出格式、颜色标尺这些“不起眼”的地方多花半小时，也别等到跑完后对着自动生成的彩虹图硬编故事。

另外一个实用经验是：SimWalk 自带的视图适合自己人看，外部工具做出来的图表才适合交付。现在可视化工具的生态很成熟，Pandas 加 Plotly，或者导出 JSON 接 ECharts，都能把仿真数据变成领导、甲方一眼能看懂的汇报材料。把 SimWalk、数据导出、外部可视化这条链路跑通之后，后面每个项目都会越来越顺。希望这篇能帮你少走点弯路。