CN107330147B - 一种地铁车站人员应急疏散仿真方法及系统 - Google Patents
一种地铁车站人员应急疏散仿真方法及系统 Download PDFInfo
- Publication number
- CN107330147B CN107330147B CN201710385386.6A CN201710385386A CN107330147B CN 107330147 B CN107330147 B CN 107330147B CN 201710385386 A CN201710385386 A CN 201710385386A CN 107330147 B CN107330147 B CN 107330147B
- Authority
- CN
- China
- Prior art keywords
- evacuated
- people
- psychological
- personnel
- simulation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开一种地铁车站人员应急疏散仿真方法及系统,该方法包括:S1、搭建地铁车站紧急疏散仿真场景,初始化待疏散人员;S2、仿真待疏散人员对自身心理及生理状态、周围环境的感知;S3、根据待疏散人员对自身心理及生理状态、周围环境的感知结果,建立包含待疏散人员心理及生理状态的社会力模型;S4、根据包含待疏散人员心理及生理状态的社会力模型,建立待疏散人员运动路径及运动速度决策模型;S5、对待疏散人员运动路径及运动速度决策模型按照时间步长法进行仿真,得到各仿真时刻待疏散人员的运动状态和最终的仿真结果。本发明可提高应急疏散措施制定和实施的合理性与有效性。
Description
技术领域
本发明涉及地铁车站人员应急疏散。更具体地,涉及一种地铁车站人员应急疏散仿真方法及系统。
背景技术
城市轨道交通系统的快速发展时期,保证乘客安全成为全社会关注的焦点。多数地铁车站地下建造,具有较高封闭性。在高强度客流或紧急情况发生时,保证全部乘客在规定时间内转移到安全位置,降低次生事故发生概率成为相关部门及专家学者研究重点。地铁系统内存在大量乘客及工作人员,不同人员心理接受能力及对紧急疏散反应不同。使用一般人员仿真计算方法得到的相关结论,忽视了人员运动过程中的心理变化,所得到的疏散措施及相关结论也可能与真实情况存在差异,反而不利于人员疏散。
为了保证对人员疏散的仿真真实有效,具体疏散策略可行,有必要对人员运动过程中的心理状态进行实时描述,掌握人员运动过程中的心理及生理变化规律,建立人员疏散运动过程中的心理及生理关系,通过改进既有社会力模型,识别疏散过程中的瓶颈拥堵区域,为及时有效的采取疏散管理措施、缓解疏散压力、降低安全风险提供一种科学合理的分析方法。
在既有的应急疏散问题探讨过程中,主要采用的方法包括调查问卷、可控实验及仿真模拟等,实际研究中多采用已有模型如社会力模型或元胞自动机模型等模拟疏散人员运动情况,得到疏散环境变化对人员疏散的影响,给出合理疏散策略。上述方法虽能地刻画人员疏散的大体状态,但存在以下问题:(1)面对突发状况时,疏散人员作为独立的个体,其生理及心理状态各不相同,有针对性的个体研究及将人员生理、心理建立联系的研究均较少;(2)综合考虑多种影响因素对人员心理的影响,特别是人员自身恐慌感受与群体间恐慌传播两者的研究相对较少;(3)针对地铁火灾、烟雾等造成人员有效可见度下降从而导致人员运动状态发生改变的研究较少;(4)目前所做人员疏散仿真工作多基于已有仿真软件,此类仿真软件在描述地铁车站人员疏散方面针对性不强,对底层模型及实际参数的二次开发支持程度较差,使用过程中无法灵活适应实际问题与研究场景的变化。
近年来,随着城市轨道交通的发展,很多大城市积累了大量公共交通刷卡数据,这些数据反映了车站内部人员的数量变化情况,可为紧急情况下地铁车站内部人员疏散分析提供准确完善的资料。尽管目前用于进行人员运动疏散仿真的模型较为成熟,但考虑人员运动过程中的心理及生理相互影响模型较少,综合考虑人员与周围环境之间交互研究较少。
因此,需要提供一种同时考虑紧急疏散情况下人员心理及生理变化的地铁车站人员应急疏散仿真方法及系统。
发明内容
本发明的目的在于提供一种地铁车站人员应急疏散仿真方法及系统,以既有的社会力模型为基础,运用数学建模基本理论,根据疏散过程中影响人员心理及生理变化的因素,分析紧急情况下人员疏散的运动过程。运用这种方法得到人员在全站台上的实时分布特征,分析人员疏散的时空规律,识别和判断地铁站台内部人员拥堵及形成瓶颈的路段,进一步支撑应急疏散措施的制定和实施。
为达到上述目的,本发明采用下述技术方案:
一种地铁车站人员应急疏散仿真方法,包括如下步骤:
S1、搭建地铁车站紧急疏散仿真场景,初始化待疏散人员;
S2、仿真待疏散人员对自身心理及生理状态、周围环境的感知;
S3、根据待疏散人员对自身心理及生理状态、周围环境的感知结果,建立包含待疏散人员心理及生理状态的社会力模型;
S4、根据包含待疏散人员心理及生理状态的社会力模型,建立待疏散人员运动路径及运动速度决策模型;
S5、对待疏散人员运动路径及运动速度决策模型按照时间步长法进行仿真,得到各仿真时刻待疏散人员的运动状态和最终的仿真结果。
优选地,步骤S1进一步包括如下子步骤:
S101、设置地铁车站紧急疏散仿真场景的特征参数,所述特征参数包括待疏散人员数量,危险源的性质、位置及危险强度和待疏散人员心理压力;
S102、根据地铁车站紧急疏散仿真场景的特征参数搭建地铁车站紧急疏散仿真场景,所述仿真场景包括仿真站台和危险源;
S103、在给定范围内随机生成各待疏散人员的身高、体重、初始位置、和初始期望速度。
优选地,步骤S2进一步包括如下子步骤:
S201、仿真待疏散人员对自身心理及生理状态的感知,心理状态包括可见度、滞留时间、耐心度和到达危险源距离等导致心理压力的多种因素,生理状态包括身高、体重和运动速度等;
S202、仿真待疏散人员对周围环境的感知,周围环境包括周围障碍物、有效视野感知域范围内的其他待疏散人员的心理及生理状态。
优选地,步骤S3进一步包括如下子步骤:
S301、根据各待疏散人员所处场景,分析其可见度是否受到影响,利用可见度时空拟合模型计算可见度,并通过可见度变化计算有效视野感知域范围;
S302、根据待疏散人员对自身心理及生理状态的感知仿真结果建立待疏散人员自恐慌模型,根据待疏散人员对周围环境的感知结果建立待疏散人员恐慌传播模型;
S303、根据待疏散人员自恐慌模型和待疏散人员恐慌传播模型,建立待疏散人员心理压力模型;
S304、利用待疏散人员心理压力模型对既有的社会力模型中的参数进行调整,建立包含待疏散人员心理及生理状态的社会力模型。
一种执行上述地铁车站人员应急疏散仿真方法的地铁车站人员应急疏散仿真系统,包括:
初始化模块,搭建地铁车站紧急疏散仿真场景,初始化待疏散人员;
感知仿真模块,仿真待疏散人员对自身心理及生理状态、周围环境的感知;
社会力模型建立模块,根据待疏散人员对自身心理及生理状态、周围环境的感知结果,建立待疏散人员心理压力模型,并进一步建立包含待疏散人员心理及生理状态的社会力模型;
运动决策模型建立模块,根据包含待疏散人员心理及生理状态的社会力模型,建立待疏散人员运动路径及运动速度决策模型;
疏散仿真模块,对待疏散人员运动路径及运动速度决策模型按照时间步长法进行仿真,得到各仿真时刻待疏散人员的运动状态和最终的仿真结果。
本发明的有益效果如下:
本发明所述技术方案以地铁站台内紧急事件发生后的待疏散人员运动为研究对象,以数学建模原理为基础,从时间与空间的角度提出了一种用于可见度时空拟合方案,将该方案与人员感知到的心理压力因素进行结合,对人员心理压力模型进行改进和计算,将心理压力度运用到对既有的社会力模型的改进过程中,计算出具有心理压力情况下的人员受力情况,并结合具体人员及环境状态给出科学的运动决策,支持人员在系统内稳定的运动。本发明所述技术方案科学、准确地分析人员在地铁站台紧急事件发生后的运动规律,识别和判断拥堵时段以及瓶颈路段和重要疏散设备的利用效率,进一步提高了应急疏散措施制定和实施的合理性与有效性。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出地铁车站人员应急疏散仿真方法流程图;
图2示出待疏散人员感知自身状态流程图;
图3示出待疏散人员感知周围环境流程图;
图4示出待疏散人员可见度空间拟合示意图;
图5示出待疏散人员视野感知域示意图;
图6示出待疏散人员心理压力算例示意图,图中不同曲线代表不同权重取值下的人员心理压力变化情况;
图7示出改进后社会力模型发生的拱形拥堵现象示意图及避让现象示意图;
图8示出待疏散人员路径决策模型;
图9示出待疏散人员速度决策模型;
图10示出待疏散人员无可见度变化情况下疏散行为模型;
图11示出待疏散人员可见度变化情况下疏散行为模型;
图12示出待疏散案例场景及平台示意图;
图13示出待疏散案例场景中累积疏散人数随时间的变化情况示意图;
图14示出待疏散案例场景中疏散设备利用率示意图;
图15示出待疏散案例场景中人员走行距离统计情况;
图16为待疏散案例场景中人员平均运动速度统计情况;
图17为待疏散案例场景中人员心理压力值分布情况;
图18示出地铁车站人员应急疏散仿真系统基本体系框架图。
具体实施方式
为了更清楚地说明本发明,下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解,下面所具体描述的内容是说明性的而非限制性的,不应以此限制本发明的保护范围。
如图1-18所示,本发明公开的地铁车站人员应急疏散仿真方法及系统,以既有社会力模型及心理压力模型为基础,通过建立一种人员可见度变化的时空拟合模型仿真模拟具有烟雾的场景下人员可见度变化,并将可见度、周围人员密度、在系统内滞留时间、到达危险远距离、运动速度等多种因素综合考虑建立自恐慌模型,根据周围人员运动状态及心理压力状态建立恐慌传播模型,将自恐慌与传播恐慌模型进行综合考量得到改进后的心理压力度模型。利用改进后的心理压力度模型对既有社会力模型进行改进,建立包含人员运动过程中的心理与生理状态的联系的改进后的社会力模型,应用于人员运动过程中的受力计算。将人员简化为具有自主判断的智能体模型,针对不同仿真场景建立智能体感知、决策及运动模型用于模拟人员的疏散运动过程。通过仿真场景建立,得到不同仿真场景下的人员运动特征,并给出合理疏散策略。本发明从仿真建模的角度,提出了一种更加贴近真实运动情况的人员运动模型,从疏散人员自身角度出发研究疏散环境改变对人员运动的影响。
本发明公开的地铁车站人员应急疏散仿真方法是一种地铁站台内紧急事件发生后的疏散人员运动分析方法,该方法以改进的社会力模型和心理压力模型为基础,定义每一个疏散人员为一个研究对象,则疏散环境中的疏散状态实时变化就是每一个研究对象在每一个仿真步长内的运动状态改变情况。从数学建模的角度,提出了计算人员心理、生理及运动状态变化的方法,从更加贴近实际生活的角度研究人员运动规律。如图1所示,本发明公开的地铁车站人员应急疏散仿真方法,包括如下步骤:
S1、搭建地铁车站紧急疏散仿真场景,初始化待疏散人员:仿真开始初期,需要进行仿真场景搭建,并对仿真人员进行初始化,该步骤的意义在于选择不同类型仿真场景并完成仿真人员输入工作。步骤S1的具体过程如下:
S101、设置多个仿真场景,设置地铁车站紧急疏散仿真场景的特征参数,不同场景中各特征参数存在差异,特征参数包括待疏散人员数量,危险源的性质、位置及危险强度(或者说紧急事件类型、位置及强度)和待疏散人员心理压力等,各特征参数均允许用户通过平台按钮操作选取,选择不同种类场景可进行不同场景仿真工作;
S102、根据地铁车站紧急疏散仿真场景的特征参数搭建地铁车站紧急疏散仿真场景,所述仿真场景包括仿真站台和危险源;该步骤将用户选择的仿真场景等信息输入到后台当中,系统根据用户选择创建相应的仿真场景,如站台搭建、危险源源搭建等。
S103、在给定范围内随机生成各待疏散人员的身高、体重、初始位置、和初始期望速度;生成所选定数量待疏散人员,待疏散人员的身高、体重、初始位置、初始期望速度等特性在给定范围内随机生成,完成待疏散人员具有差异化的初始化过程,生成多个互相分离,性质各异的仿真待疏散人员。
S2、仿真待疏散人员对自身心理及生理状态、周围环境的感知:由于待疏散人员存在差异性,人员对自身及周围环境感知结果不尽相同,而待疏散人员在运动前需要先进行感知,根据自身的感知结果进行心理及生理状态的调整,人员数据量很大,后续仿真分析过程需要针对不同疏散人员在任意时间的心理及生理状态进行分析仿真,对数据准确性及数据量要求较高,感知模块的计算可有效为人员状态计算提供基础支持。步骤S2的具体过程如下:
S201、仿真待疏散人员对自身心理及生理状态的感知,包括身高、体重、运动速度等生理指标感知,及可见度、滞留时间、耐心度、到达危险源距离等影响心理的、导致心理压力的心理指标感知;
S202、仿真待疏散人员对周围环境的感知,如感知周围障碍物、感知有效视野感知域范围内的其他疏散人员的心理及生理状态等。
S3、根据待疏散人员对自身心理及生理状态、周围环境的感知结果,建立包含待疏散人员心理及生理状态的社会力模型:人员心理状态会对人员运动状态产生影响,人员运动状态将直接反映到人员疏散过程中,对于人员状态的计算包括人员对自身心理压力及所受改进后社会力的计算,人员状态计算结果能为后续的人员运动提供基础数据。步骤S3的具体过程如下:
S301、根据待疏散人员所处仿真场景判断其可见度是否受到影响,并利用可见度时空拟合模型计算得到自身可见度情况,通过可见度变化计算有效视野感知域范围;
S302、根据待疏散人员对自身心理及生理状态的感知仿真结果建立待疏散人员自恐慌模型,根据待疏散人员对周围环境的感知结果建立待疏散人员恐慌传播模型:综合滞留时间、到达危险源距离、周围人员密度、可见度及运动速度等因素计算疏散人员自恐慌,建立待疏散人员自恐慌模型;根据人员自身运动状态及周围人员运动和心理状态差异情况,建立待疏散人员恐慌传播模型;
S303、根据待疏散人员自恐慌模型和待疏散人员恐慌传播模型,建立待疏散人员心理压力模型;
S304、利用待疏散人员心理压力模型对既有的社会力模型中的参数进行调整,建立包含待疏散人员心理及生理状态的社会力模型。
S4、根据包含待疏散人员心理及生理状态的社会力模型,建立待疏散人员运动路径及运动速度决策模型:实现人员对未来运动路径及运动速度的决策。此步骤充分考虑了人员之间的差异性,针对不同疏散人员所处位置及自身心理和生理特性做出运动路径及速度决策,并给出预动作状态判断,具体过程如下:
根据步骤S2中人员感知到的周围环境情况,按照图8中给出的待疏散人员路径决策流程图,得出待疏散人员的疏散路径决策;根据步骤S3中人员所受社会力的情况,按照图9中给出的待疏散人员速度决策流程图,得出疏散人员的疏散速度决策,最终建立待疏散人员运动路径及运动速度决策模型;
S5、对待疏散人员运动路径及运动速度决策模型按照时间步长法进行仿真,得到各仿真时刻待疏散人员的运动状态和最终的仿真结果:不同待疏散人员具体运动的仿真,会由于不同待疏散人员所做出的运动决策不同而不同,其运动结果也会导致其心理、生理状态改变。人员运动过程根据仿真按照时间步长法进行,每一次仿真后人员运动状态发生改变,当所有人员均逃离仿真场景后,仿真视为完全结束,不再进行状态更新;否则不断更新系统内部人员运动状态,更新疏散结果和相关指标。步骤S5具体过程如下:
根据步骤S4得到的待疏散人员运动路径及运动速度决策模型,按照时间步长法仿真得到每一时刻仿真疏散人员的运动状态;
将人员运动状态进行展示,并将疏散指标进行存储和分析。
该方法中步骤S3核心步骤,下面对步骤S3进一步详细说明:
得到待疏散人员对自身心理及生理状态、周围环境的感知结果后,人员对自身所处环境及自身心理及生理状态有了一定认识,但不能直接将所感知到的各类因素直接反映在自身的运动过程当中,步骤S3中通过对可见度的时空拟合,得到人员可见度的实时变化情况,并将其与其他多种会影响人员心理压力的因素考虑进待疏散人员心理压力模型中。利用待疏散人员心理压力模型对直接影响人员运动的社会力模型进行改进,得到包含待疏散人员心理及生理状态的社会力模型,可根据该模型得到改进后的社会力,即待疏散人员在此刻的受力状态。
对于待疏散人员的可见度的计算,有以下三种方法:
1)直接根据流体力学、发烟模型及可见度模型等进行计算;
2)根据专业仿真软件得到可见度变化数据进行带入计算;
3)根据专业仿真软件得到可见度变化数据后,对大量数据进行时空拟合,得到全空间任意时刻可见度数值。
其中方法3)所得到的参数值较少,计算后的可见度数值与真实值相差较小,需要导入系统内的数据量较少,可见度在全空间和全时间内具有连续可变的性质,效果较好。因此方法3)是本发明中推荐使用的方法,具体如下:
对于某一位置空间点在任意时刻t的可见度数值可利用以下时间拟合公式计算,其中Ri,max为空间内最大可见度,ai,1,bi,1,ci,1,ai,2,bi,2,ci,2,ai,3,bi,3,ci,3为随空间位置不同而取值不同的常数组,ti,0为可见度开始发生变化的临界时间点。当仿真环境中不存在可见度变化时,ti,0参数取无穷大:
对于某一时刻的任意空间点的可见度数值可利用以下空间拟合公式计算,其中RA为待求点可见度,其他数值为其周围其他点可见度数值,具体位置详见图5:
σi,1+σi,2=1
μi,1+μi,2=1
感知心理压力度模型Ei(t)由待疏散人员在疏散环境中的滞留时间导致心理压力值f(t)、周围人员密度导致心理压力值g(ρ(t))、距离危险源的距离导致心理压力值h(d(t)))以及可见度导致心理压力值l(s(t))共同决定,上述因素所导致心理压力取值均在0~1之间。可见度因素需乘恐慌因子c,当目标位置不可见时,c=1,否则c=0。不同因素对不同疏散人员造成的心理压力受空间环境及自身属性影响,疏散人员心理压力倾向于各因素引起的心理压力的较高值(Ei(t)∈[0,1]),故疏散人员的感知心理压力度应随时间实时变化如下所示:
Ei(t)=max{f(t),g(ρ(t)),h(d(t))),c*l(s(t))}
上式中各因素引起感知心理压力计算方式,如下所示,其中各因素对应心理压力激增系数α1、α2、α3、α4及曲线函数边界约束值β与具体场景选取有关:
疏散人员的传播恐慌与人员有效视野感知域有关,基础视野感知域是以疏散人员前进方向为中线的扇形区域,其半径R通常取2-3米,详见图5。当疏散人员可见度大于基础视野感知域最大半径时,有效视野感知域为基础视野感知域;当可见度小于基础视野感知域最大半径时,有效视野感知域半径为可见度。传播恐慌与有效视野感知域内是否存在其他疏散人员有关,当无其他人员时,Q=1;否则与其他疏散人员的恐慌差异值及与其他疏散人员的速度差异值有关。λi,1、λi,2、λi,3为人员根据自身属性所取权重值,具体计算方法如下:
本发明对人员心理压力度模型进行计算和验证,计算得到疏散场景中人员心理压力情况见图6。
本发明针对自驱力部分改进集中在人员质量mi、期望速度和运动松弛时间τi上,人员实际运动速度由运动过程决定,其中mi、的初始值由系统自动分配生成,运动开始后的和τi的大小需根据人员心理压力度进行校正。的方向与可见度有关,当可见度较大时,速度方向不变;当可见度较小时,方向角度会产生-15°≤ε≤15°的改变。具体计算方法如下,式中涉及a、b、c、d等常数与具体场景有关:
τ=τ0-a*(b*exp(c*pi)+d)-1
Aij/w(pi)=api 2+bpi+c
本发明针对社会力模型的改进进行验证,验证采用现象为拱形拥堵现象及避让现象。“拱形拥挤”现象是指:疏散环境及人员数量一定,疏散出口较小的情况下,疏散人员会在出口位置出现拱形排队情况。该现象产生原因是由于每个疏散人员在选择疏散路径时都会选择距离出口较近的位置等待,到达出口距离一致的位置点的连线为圆形。“避让现象”指:人员在预期运动方向上遇到其他人员或障碍物时,出现偏离原有运动轨迹的现象。避让过程中人员会选择较短的路线,在绕过障碍物后再改变其运动方向,朝向原定目标点运动。上述两种现象常用来验证社会力模型搭建的正确性,详见图7。避让图中不同曲线代表不同运动速度下人员避让的轨迹图,避让轨迹偏离直线运动方向越远,则避让行为越明显。
一种执行上述地铁车站人员应急疏散仿真方法的地铁车站人员应急疏散仿真系统,包括:初始化模块、感知仿真模块(人员感知模块)、社会力模型建立模块(人员状态计算模块)、运动决策模型建立模块(人员运动决策模块)、疏散仿真模块(人员运动模块)以及结果分析与输出模块,系统框架如图18所示。
初始化模块,搭建地铁车站紧急疏散仿真场景,初始化待疏散人员:该模块实现人员及仿真环境的初始化功能,由于仿真环境较复杂,仿真人员数据量较多,后续仿真分析过程需要针对不同疏散人员的心理及生理特性进行有针对性仿真,为后续仿真工作提供基础数据。
鉴于初始化模块需要进行仿真场景的初始化搭建以及疏散人员的初始化两部分工作,考虑到后续仿真过程中需要使用仿真场景下的人员可见度数据,本发明在正式进行系统搭建之前需要使用具有FDS仿真模块的PyroSim软件进行仿真站台内可见度的预处理工作。通过预处理后得到各类仿真场景下可见度的数据,并利用Matlab软件对可见度数据进行处理,得到可见度时空拟合模型,将该模型存储在相应数据库中,方便调用。
仿真场景及疏散人员初始化利用Visual studio中的C#语言实现。仿真场景搭建利用Visual studio中新建Station类实现,该类中包含有站台基础数据,如站台长度、宽度、楼梯位置、楼梯长度、宽度、危险源位置及强度等,通过对Station类内部属性的变化可改变仿真环境。疏散人员搭建利用在Visual studio中新建Pedestrians类实现,该类中包含属性包括人员数量、单个人员属性类Pedestrian、人员是否疏散完全及人员整体恐慌程度等,通过对上述属性的更改可以确定疏散人员群体的整体属性。其中,单个人员属性类Pedestrian中包含有单个疏散人员的所有属性,如身高、体重、反应时间、期望速度、实际速度、受力情况、心理压力等,人员初始化工作中会对每个疏散人员的属性进行定义及赋值,部分可变属性随疏散进程实时更新。
感知仿真模块(人员感知模块),仿真待疏散人员对自身心理及生理状态、周围环境的感知:该模块实现单个疏散人员对自身心理及生理状态的感知和对周围环境的感知,为后续仿真分析过程需要针对不同疏散人员在任意时间的心理及生理状态分析仿真提供基础数据。该模块分为人员自感知模块以及人员感知环境模块两部分,分别用于人员对自身感知及对环境感知。人员对自身状态的感知如图2所示,人员感知环境流程如图3。
待疏散人员对自身特性的感知分为自身生理特性感知和自身心理特性感知两部分:
1)生理特性感知:主要感知ID编号、直径、质量、身高、期望运动速度、实际运动速度、社会力大小及是否逃离系统等因素;
2)心理特性感知:主要感知滞留时间、局部密度、危险源距离、可见度及焦虑度等因素。
人员感知环境包括对建筑物等无生命的障碍物及危险源的感知和对环境中其他疏散人员的感知两部分,包括以下工作流程:
1)对建筑物等无生命的障碍物及危险源的感知:
101)对环境进行熟悉度分析,判断对环境是否熟悉;
102)对紧急事件源类型的感知,如火灾、拥挤、乘客争执等;
103)对紧急事件源强度的感知,如重大事故、大型事故、一般事故等等级划分;
104)对紧急事件源及周围建筑障碍物与自身距离进行感知。
2)对环境中其他待疏散人员的感知:
201)待疏散人员会根据基础视野感知域与可见度大小对比,得到有效视野感知域范围;
202)遍历有效感知域范围内的所有其他疏散人员,感知其他疏散人员的运动速度、恐慌程度等相关属性;
203)计算前进方向上的局部密度、平均运动速度差异及平均恐慌程度差异等;
204)在运动的过程中通过改进社会力模型实现对视野感知域范围内其他人员的避让或相互摩擦等行为。
社会力模型建立模块(人员状态计算模块),根据待疏散人员对自身心理及生理状态、周围环境的感知结果,建立待疏散人员心理压力模型,并进一步建立包含待疏散人员心理及生理状态的社会力模型:该模块实现人员对自身心理压力及所受改进后社会力的计算,可根据具体需求为后续的人员运动决策模块提供基础数据。该模块计算可分为人员心理压力计算模块以及改进社会力计算模块两部分,具体分为以下几个工作流程:
1)人员心理压力计算模块:
101)根据可见度时空拟合模型计算得到该时刻人员可见度;
102)根据人员感知心理压力度模型,综合心理特性感知因素中的感知滞留时间、局部密度、危险源距离、可见度等,计算得到自感知心理压力;
103)综合自感知心理压力与焦虑度模型得到自恐慌情况;
104)根据周围环境及人员分布情况得到人员传播恐慌情况;
105)综合自恐慌模型及传播恐慌模型得到该时刻心理压力情况;
106)对人员心理压力进行积分,得到累积心理压力。
2)人员所受改进社会力计算模块:
201)根据人员心理压力情况修正人员运动反应时间、期望速度和心理作用力强度等参数;
202)利用修正后的参数计算人员实际受到的社会力大小及方向。
运动决策模型建立模块(人员运动决策模块),根据包含待疏散人员心理及生理状态的社会力模型,建立待疏散人员运动路径及运动速度决策模型:该模块实现人员对未来运动路径及运动速度的决策,可根据具体需求为后续的人员运动模块提供基础数据。人员运动决策模块分为运动路径决策模块及运动速度决策模块两部分,工作流程图详见图8及图9,具体为:
1)人员运动路径决策模块:
101)根据人员对环境的熟悉程度进行判断,如果熟悉环境则进入下一步,否则跳过102)步;
102)将所有熟悉出口列入备选逃生出口,跳过103)步;
103)将感知到的及周围人员选择出口列入备选逃生出口;
104)判断危险源是否在优先逃生出口附近,若在则排除该出口并进入105)步,否则直接进入105)步;
105)遍历剩余所有出口,判断该出口是否为最近出口,若是则进入106)步,否则按照顺序遍历剩余备选出口,直到满足条件;
106)判断该出口排队时间成本是否过长,若排队时间过长则排除该出口,返回105)步,否则选择该出口并安排合理逃生出口。
2)人员运动速度决策模块:
201)设置初始运动速度参数k=0;
202)根据所受社会力模型计算初始期望速度;
203)判断是否发生心理压力变化,若存在心理压力,则根据相关修正方案改变期望速度,否则不改变;
204)判断预期运动方向是否存在障碍物,若存在则需要改变方向进行绕行,且k++;若不存在则不需要改变期望速度,且k++;
205)判断k是否小于等于90,若是小于等于90,则判断逃生路径上是否存在其他疏散人员,若存在,则改变期望速度方向进行绕行,且k++,否则按照期望速度方向运动;若大于90,则人员运动发生影响,进行期望速度的折减;
疏散仿真模块(人员运动模块),对待疏散人员运动路径及运动速度决策模型按照时间步长法进行仿真,得到各仿真时刻待疏散人员的运动状态和最终的仿真结果:该模块实现人员具体运动的仿真,并将该过程进行可视化展示。进行疏散运动建模时,需考虑疏散类型及危险源类型等多种因素,本发明考虑了无可见度变化时的疏散运动及可见度变化时的疏散运动两种模式,工作流程图详见图10及图11,具体为:
1)无可见度变化的运动模块,判断疏散人员是否存在心理压力,如不存在,按照基础社会力模型进行疏散,否则按照人员状态计算模块得到改进的社会力模型计算;
2)可见度变化时的运动模块,判断可见度对有效视野作用域的影响,按照人员状态计算模块进行改进社会模型计算;
3)按照仿真步长方法,计算每一个仿真步长内人员运动情况及下一步人员运动位置;
4)按照人员下一步运动位置进行仿真平台更新,得到下一时刻人员分布情况。
结果分析与输出模块:该模块实现疏散结果的输出与分析,仿真采用时间步长法,每一次仿真后人员运动状态发生改变,所有人员均逃离仿真场景后,仿真视为完全结束,不再进行状态更新;否则不断更新系统内部人员运动状态。结果分析与输出模块可进行人员运动状态及仿真情况的判断,并对人员疏散过程中得到的数据指标进行分析,得到有利于疏散措施制定的相关决策。具体的工作流程为:
1)判断是否所有疏散人员都已经逃离系统,若是则仿真结束;否则跳至人员感知模块,对未疏散人员进行下一个仿真步长的操作;
2)所有疏散人员都逃离系统后,将人员疏散时间、平均运动速度、心理压力等指标输出,对不同场景中的上述指标进行分析,并得出相关结论。
上述几部分模块是按系统进行时间步长仿真的方向相互联系的,各模块按照一定的运行顺序对进行疏散的人员进行处理。
第一,初始化模块对需要进行仿真的场景及疏散人员进行初始化的设置;
第二,人员感知模块帮助疏散人员进行周围环境及自身状态进行一定感知,为后续状态及受力计算提供基础;
第三,人员状态计算模块可以得到人员在仿真时间点上的心理压力及所受改进社会力等,为人员下一步的仿真运动提供基础;
第四,人员运动决策模块会根据人员的心理及生理状态,结合周围环境得到下一步的运动路径及速度,为人员提供预动作判断;
第五,人员运动模块会根据人员所处环境等判断人员真实的动作情况,该模块主要完成人员真实动作的计算;
最后,结果分析与输出模块可判断仿真是否结束,若完全结束则进行相关指标的输出及分析工作,若无完全结束则需要重复上述人员感知模块至运动模块计算步骤,直至所有疏散人员完全疏散成功。
本发明中,除初始化模块仅在仿真开始时运行一次,其他步骤在每一个仿真步长内都会进行一次,每个模块运行计算时,会对所有疏散人员群体进行遍历,遍历顺序按照人员ID由小到大进行。当检测到某一疏散人员已逃离系统后,则跳过该人员,对剩余疏散人员进行计算,直到所有数算人员均逃离系统,则仿真结束。
本发明使用C#编程语言,集合FDS模块、Matlab等多种软件进行辅助开发。由于FDS计算得到数据量大,Matlab用于数据拟合及数据计算,以获得较小存储数据量。在后续结果分析过程中,本发明采用C#系统自动出图及后续Excel绘图等多种方式进行。
为了更加直观说明地铁车站人员应急疏散仿真方法及系统,本发明通过一个应用实例进行展示,系统平台见附图12。
选取北京地铁2号线西直门站台作为研究对象,站台数据选用真实站台数据,并对石柱、垃圾桶等障碍物进行简化。具体场景选取及各场景之间的差异详见表1。对表1中的所有场景进行仿真,以其中一个场景的仿真过程为例进行详解。
表1
第一,进行初始场景的选取,选取可直接按图12中的按钮进行,系统内部自动生成所选场景对应的站台布局及人员分布情况,对人员初始化数据进行保存。
第二,按照仿真步长对人员进行运动仿真,本发明中的仿真步长取0.1s,即每隔0.1s对人员运动状态进行更新。按照遍历方式,顺序选取仿真人员进行感知模块的计算,得到与周围环境及自身状态进行一定感知,为后续状态及受力计算提供基础。
第三,在相同仿真时刻,按照遍历方式,顺序选取仿真人员进行状态计算模块,得到人员在仿真时间的心理压力状态及所受改进社会力等情况,为人员下一步的仿真运动提供基础。
第四,在相同仿真时刻,按照遍历方式,顺序选取仿真人员,进行运动决策模块计算,根据人员的心理及生理状态,结合周围环境得到下一步运动的路径及速度变化情况,为人员提供预动作判断。
第五,在相同仿真时刻,按照遍历方式,顺序选取仿真人员,进行人员运动模块计算,根据人员所处环境等判断人员真实的动作情况,完成人员的真实动作的计算,并进行疏散状态展示窗体的更新工作。
最后,结果分析与输出模块可判断仿真是否结束,若完全结束则进行相关指标的输出及分析工作,若无完全结束则需要重复上述人员感知模块至运动模块计算步骤,直至所有疏散人员完全疏散。将疏散过程中存储下的疏散指标进行提取,利用Excel及C#编程得到的数据展示模块,进行数据的提取及分析工作,得到包括疏散时间、设备利用率、人员走行距离分布、人员走行速度分布、人员疏散完成时心理压力分布情况等多种指标参数。
经过系统各模块的计算处理及后续数据处理,得到如下结果:
1)疏散时间指标
图13为各仿真场景疏散时间及疏散效率情况,场景S1、S2、S3、S4和S5总疏散时间依次为181.3s;328.5s;208.6s;220.7s;198.3s。疏散效率由高到低依次排序为场景S1>S5>S3>S4>S2,具体分析如下:
人数越少,疏散效率最高,疏散时间较短。场景S2较S1疏散时间增加了147.2s,疏散效率下降了81.2%。考虑到两疏散场景除疏散人数相差一倍外,其他疏散条件完全相同,因此,疏散时间与疏散人员数量呈正相关关系,但并不与人员数量增加量呈等比例线性关系;
心理压力因素的引入可在一定程度上提高疏散效率,使场景S3、S4、S5的疏散效率较S2分别提高36.5%、32.8%和39.6%;
疏散人员可见度变化的下降,将会带来整体疏散效率的下降,但疏散人员较多时,可见度对人员疏散路径影响不大,场景S4较S3疏散时间增加12.1s,疏散效率降低5.8%;
当疏散过程中存在人员情绪安抚措施时,疏散效率明显上升,场景S5较S4疏散时间减少22.4s,疏散效率提高了10.2%,情绪安抚措施在一定程度上对疏散起积极作用。
2)疏散设备利用率指标
图14为各仿真场景中左侧疏散楼梯利用率情况,总体上看,楼梯上人员数量变化均呈现先上升,中平稳,后下降的趋势。疏散前期,楼梯上人员数量较少,楼梯利用率不高,站台上人员迅速涌向楼梯,并在楼梯上进行无障碍前行,人员数量稳步攀升。疏散中期,楼梯通行能力基本饱和,后续疏散人员无法顺利进入楼梯,楼梯入口处形成瓶颈区域,楼梯上人数基本保持稳定。分析图中各曲线得出结论如下:
人员较少时,人员间的拥挤和摩擦较少,人员可顺利通过瓶颈区域进入楼梯。人员较多时楼梯利用率较高的时间较长,这与人与人之间的相互作用力有关;
疏散人员数量相同时,楼梯瞬时人数峰值基本一致,且波动范围相对稳定,但人员心理压力可减少疏散人员对自身舒适度的要求,允许周围人员与自身距离更近,呈现更加拥挤的状态,减少单个疏散人员对楼梯的占用时间,提升疏散设备利用效率;
情绪安抚措施的引入不会直接提高疏散人员对楼梯的利用率,但使疏散人员通过楼梯数量更加稳定,在楼梯上停留时间更短,引导后续未进入楼梯区域疏散人员快速进入楼梯,达到引导疏散的作用。
3)走行距离指标
图15为各仿真场景中走行距离分布情况,各场景疏散人员走行距离在(20m,60m)之间居多,超长距离(走行长度大于100m)及短距离走行人数均较少,人员走行距离呈“枣核”状分布。分析图中各曲线得出结论如下:
人员较多情况下,人员无法直线运动到达目的地,因此选择绕过前方行人或障碍物方式更加频繁。疏散场景中人员数量越多,人员走行距离越长;
疏散人员存在心理压力时,希望更快逃出疏散系统,加快自身疏散进程;
可见度变化时,走行距离在40m以内的中短距离走行人数明显减少;在40m到60m之间的中长距离走行人数增加;超长距离走行人数变化不大。因此,可见度的降低将增加疏散人员走行距离;
情绪安抚作用对短距离走行人员的效果不甚明显,但有效增加了走行距离在20m到40m之间的人员数量,走行距离在60m到80m之间的人员数量减少,中长距离走行人员数量变化不大。
4)走行速度指标
图16为各仿真场景中走行速度分布情况,人员在平均运动分布上呈现出较大运动速度及较小运动速度人员较少,位于中间速度人员较多的“枣核”状。具体分析各疏散影响因素对人员运动平均速度影响有如下结论:
人员较多情况下,平均运动速度变慢。场景S1中人员运动速度在0.50m/s至0.75m/s之间人数最多,而场景S2中人员运动速度在0.25m/s至0.50m/s之间人数最多,所占百分比超过50%;
人员存在心理压力时,感知到紧急事件的威胁,期望速度相应提高。对周围人员的相互排斥的心理力减小,人员以更加密集的状态涌向出口,故整体运动速度提升;
可见度变化时,运动速度在1.00m/s以内人员数量明显下降,运动速度在1.00m/s至1.50m/s人员数量明显增加,说明疏散人员在遇到可见度变化情况时期望以更高地速度逃离系统。因此,火灾、爆炸、烟雾等恶劣事件源的发生将导致疏散人员运动速度的增加;
情绪安抚作用对中速疏散人员速度影响最大,运动速度在1.00m/s以内人员数量明显增加,运动速度在1.00m/s至1.25m/s人员数量明显下降。中速运动人员会调整心理状态,以更加舒适速度逃离危险系统。
5)心理压力指标
图17为各仿真场景中心理压力指标分布情况,具体结论分析如下:
当疏散人员可见度未发生变化时,疏散人员逃出场景时的恐慌程度集中在30以内,以10至20之间居多,说明一般疏散场景中,人员心理压力明显较小;
当疏散人员可见度发生变化时,疏散人员直接感受到了事件危险源的威胁,心理压力明显加大,心理压力平均提高34.61,增加270.39%,心理压力分布由集中变为分散,因此,可见度变化将直接导致疏散人员心理压力的变化,特别是在增加人员心理压力方面有显著效果;
情绪安抚措施使人员心理压力平均减少4.48,降低9.45%。疏散人员心理压力分布情况大致类似,都呈现出中度恐慌人员较多,小恐慌及大恐慌人员较少的情况。情绪安抚措施可以大量减少心理压力在60以上人员数量,降低人员因恐慌带来的隐藏风险,将心理压力程度较大的人员心理平复至可接受的中等心理压力上。
本发明根据地铁站台内部人员聚集数量,运用数理统计原理与数学建模的方法,建立紧急疏散场景下人员可见度变化的时空拟合模型,并通过多因素的综合分析建立人员心理压力模型,通过对社会力模型的改进得到人员心理与生理因素的相互联系,有效分析不同环境下地铁站台内部人员疏散运动规律,作为应急疏散措施的制定与实施的依据。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定,对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动,这里无法对所有的实施方式予以穷举,凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (4)
1.一种地铁车站人员应急疏散仿真方法,其特征在于,该方法包括如下步骤:
S1、搭建地铁车站紧急疏散仿真场景,初始化待疏散人员;
S2、仿真待疏散人员对自身心理及生理状态、周围环境的感知;
S3、根据待疏散人员对自身心理及生理状态、周围环境的感知结果,建立包含待疏散人员心理及生理状态的社会力模型;
S4、根据包含待疏散人员心理及生理状态的社会力模型,建立待疏散人员运动路径及运动速度决策模型;
S5、对待疏散人员运动路径及运动速度决策模型按照时间步长法进行仿真,得到各仿真时刻待疏散人员的运动状态和最终的仿真结果;
其中,步骤S3进一步包括如下子步骤:
S301、根据各待疏散人员所处场景,分析其可见度是否受到影响,利用可见度时空拟合模型计算可见度,并通过可见度变化计算有效视野感知域范围;
S302、根据待疏散人员对自身心理及生理状态的感知仿真结果建立待疏散人员自恐慌模型,根据待疏散人员对周围环境的感知结果建立待疏散人员恐慌传播模型;
S303、根据待疏散人员自恐慌模型和待疏散人员恐慌传播模型,建立待疏散人员心理压力模型;
S304、利用待疏散人员心理压力模型对既有的社会力模型中的参数进行调整,建立包含待疏散人员心理及生理状态的社会力模型;
其中,
σi,1+σi,2=1;
μi,1+μi,2=1;
感知心理压力度模型Ei(t)(Ei(t)∈[0,1])由待疏散人员在疏散环境中的滞留时间导致心理压力值f(t)、周围人员密度导致心理压力值g(ρ(t))、距离危险源的距离导致心理压力值h(d(t)))以及可见度导致心理压力值l(s(t))共同决定,计算公式如下:
Ei(t)=max{f(t),g(ρ(t)),h(d(t))),c*l(s(t))}
其中,c为恐慌因子,当目标位置不可见时c=1,否则c=0;
其中,α1、α2、α3、α4分别为心理压力激增系数,β为曲线函数边界约束值;
恐慌传播模型与待疏散人员有效视野感知域有关,基础视野感知域是以待疏散人员前进方向为中线的扇形区域,半径R取2-3米;当待疏散人员可见度大于基础视野感知域最大半径时,有效视野感知域为基础视野感知域;当可见度小于基础视野感知域最大半径时,有效视野感知域半径为可见度;恐慌传播模型与有效视野感知域内是否存在其他待疏散人员有关,当无其他人员时,Q=1;否则与其他疏散人员的恐慌差异值及与其他疏散人员的速度差异值有关,计算公式如下:
其中,λi,1、λi,2、λi,3分别为待疏散人员根据自身属性所取权重值;
τ=τ0-a*(b*exp(c*pi)+d)-1
其中,人员实际运动速度由运动过程决定,人员质量mi、期望速度的初始值为自动分配生成,运动开始后的期望速度和运动松弛时间τi的大小需根据人员心理压力度进行校正;期望速度的方向与可见度相关,a、b、c、d分别为常数;
Aij/w(pi)=api 2+bpi+c
2.根据权利要求1所述的地铁车站人员应急疏散仿真方法,其特征在于,步骤S1进一步包括如下子步骤:
S101、设置地铁车站紧急疏散仿真场景的特征参数,所述特征参数包括待疏散人员数量,危险源的性质、位置及危险强度和待疏散人员心理压力;
S102、根据地铁车站紧急疏散仿真场景的特征参数搭建地铁车站紧急疏散仿真场景,所述仿真场景包括仿真站台和危险源;
S103、在给定范围内随机生成各待疏散人员的身高、体重、初始位置、和初始期望速度。
3.根据权利要求1所述的地铁车站人员应急疏散仿真方法,其特征在于,步骤S2进一步包括如下子步骤:
S201、仿真待疏散人员对自身心理及生理状态的感知,心理状态包括可见度、滞留时间、耐心度和到达危险源距离,生理状态包括身高、体重和运动速度;
S202、仿真待疏散人员对周围环境的感知,周围环境包括周围障碍物、有效视野感知域范围内的其他待疏散人员的心理及生理状态。
4.一种执行如权利要求1-3中任一所述的地铁车站人员应急疏散仿真方法的地铁车站人员应急疏散仿真系统,其特征在于,该系统包括:
初始化模块,搭建地铁车站紧急疏散仿真场景,初始化待疏散人员;
感知仿真模块,仿真待疏散人员对自身心理及生理状态、周围环境的感知;
社会力模型建立模块,根据待疏散人员对自身心理及生理状态、周围环境的感知结果,建立待疏散人员心理压力模型,并进一步建立包含待疏散人员心理及生理状态的社会力模型;
运动决策模型建立模块,根据包含待疏散人员心理及生理状态的社会力模型,建立待疏散人员运动路径及运动速度决策模型;
疏散仿真模块,对待疏散人员运动路径及运动速度决策模型按照时间步长法进行仿真,得到各仿真时刻待疏散人员的运动状态和最终的仿真结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710385386.6A CN107330147B (zh) | 2017-05-26 | 2017-05-26 | 一种地铁车站人员应急疏散仿真方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710385386.6A CN107330147B (zh) | 2017-05-26 | 2017-05-26 | 一种地铁车站人员应急疏散仿真方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107330147A CN107330147A (zh) | 2017-11-07 |
CN107330147B true CN107330147B (zh) | 2020-04-24 |
Family
ID=60193945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710385386.6A Active CN107330147B (zh) | 2017-05-26 | 2017-05-26 | 一种地铁车站人员应急疏散仿真方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107330147B (zh) |
Families Citing this family (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108108020A (zh) * | 2017-12-21 | 2018-06-01 | 清华大学 | 基于虚拟现实的室内疏散行为系统的数据分析方法和装置 |
CN108089707A (zh) * | 2017-12-21 | 2018-05-29 | 清华大学 | 基于虚拟现实的室内疏散环境中npc系统的同步方法和装置 |
CN109584667A (zh) * | 2018-12-10 | 2019-04-05 | 成都运达科技股份有限公司 | 一种地铁大客流演练仿真培训系统及方法 |
CN109992873B (zh) * | 2019-03-27 | 2020-12-22 | 北京交通大学 | 车站导向标识的安装设计方法 |
CN110837702B (zh) * | 2019-11-14 | 2023-01-10 | 北京京航计算通讯研究所 | 城市地下综合管廊突发事件应急仿真系统 |
CN111159854B (zh) * | 2019-12-11 | 2023-06-20 | 华侨大学 | 一种养老院火灾疏散仿真模型构建方法和装置 |
CN111639809B (zh) * | 2020-05-29 | 2023-07-07 | 华中科技大学 | 基于领导者和恐慌情绪的多智能体疏散仿真方法和系统 |
CN112434958A (zh) * | 2020-11-30 | 2021-03-02 | 上海应用技术大学 | 基于大数据的恐慌群体应急疏散分析方法 |
CN112364529A (zh) * | 2020-12-09 | 2021-02-12 | 长春理工大学 | 一种应急疏散场景的应急疏散方案确定方法及系统 |
CN112966363B (zh) * | 2021-02-02 | 2022-07-05 | 同济大学 | 面向随机扰动的交通枢纽候车厅人群流动仿真方法及装置 |
CN113177347A (zh) * | 2021-05-10 | 2021-07-27 | 清华大学 | 一种人群运动模拟方法、装置、设备及存储介质 |
CN114298438B (zh) * | 2022-01-04 | 2024-04-16 | 青岛理工大学 | 多危险源下的地铁站内人员疏散仿真路径规划方法及系统 |
CN114545932B (zh) * | 2022-01-28 | 2023-06-06 | 北京交通大学 | 一种路径修正方法、装置、设备及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101145213A (zh) * | 2007-10-25 | 2008-03-19 | 中山大学 | 基于扩展bdi模型的人群疏散仿真方法 |
CN101714185A (zh) * | 2009-12-22 | 2010-05-26 | 中国建筑科学研究院建筑防火研究所 | 建筑物灾害疏散的自动模拟方法 |
CN105740514A (zh) * | 2016-01-22 | 2016-07-06 | 山东师范大学 | 一种大规模人群疏散计算机仿真系统及其方法 |
CN106485327A (zh) * | 2016-09-08 | 2017-03-08 | 同济大学 | 一种灾害条件下人群踩踏行为演化的知识发现方法 |
CN106709100A (zh) * | 2015-11-17 | 2017-05-24 | 清华大学 | 人员疏散仿真方法与装置、辅助决策方法与系统、应急平台 |
CN107103156A (zh) * | 2017-05-19 | 2017-08-29 | 山东师范大学 | 一种考虑从众心理的人群疏散仿真方法及系统 |
-
2017
- 2017-05-26 CN CN201710385386.6A patent/CN107330147B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101145213A (zh) * | 2007-10-25 | 2008-03-19 | 中山大学 | 基于扩展bdi模型的人群疏散仿真方法 |
CN101714185A (zh) * | 2009-12-22 | 2010-05-26 | 中国建筑科学研究院建筑防火研究所 | 建筑物灾害疏散的自动模拟方法 |
CN106709100A (zh) * | 2015-11-17 | 2017-05-24 | 清华大学 | 人员疏散仿真方法与装置、辅助决策方法与系统、应急平台 |
CN105740514A (zh) * | 2016-01-22 | 2016-07-06 | 山东师范大学 | 一种大规模人群疏散计算机仿真系统及其方法 |
CN106485327A (zh) * | 2016-09-08 | 2017-03-08 | 同济大学 | 一种灾害条件下人群踩踏行为演化的知识发现方法 |
CN107103156A (zh) * | 2017-05-19 | 2017-08-29 | 山东师范大学 | 一种考虑从众心理的人群疏散仿真方法及系统 |
Non-Patent Citations (3)
Title |
---|
"Effect of authority figures for pedestrian evacuation at metro stations";Xiao Song et al.;《ScienceDirect Physica A》;20160816;第599-611页 * |
"Pedestrian Evacuation Modeling and Simulation on Metro Platforms Considering Panic Impacts";Fang Li et al.;《The 9th International Conference on Traffic & Transportation Studies》;20140719;第314-321页 * |
"基于多智能体的地铁站台乘客紧急疏散模型";李芳;《中国优秀硕士学位论文全文数据库 哲学与人文科学辑》;20150615;第11-41页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107330147A (zh) | 2017-11-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330147B (zh) | 一种地铁车站人员应急疏散仿真方法及系统 | |
Huo et al. | Experimental study on characteristics of pedestrian evacuation on stairs in a high-rise building | |
Ding et al. | State-of-the-art high-rise building emergency evacuation behavior | |
Song et al. | Crowd evacuation simulation for bioterrorism in micro-spatial environments based on virtual geographic environments | |
Ronchi et al. | New approaches to evacuation modelling for fire safety engineering applications | |
CN110737968B (zh) | 基于深层次卷积长短记忆网络的人群轨迹预测方法及系统 | |
Zhu et al. | Experimental study on choice behavior of pedestrians during building evacuation | |
You et al. | The simulation and analysis of small group effect in crowd evacuation | |
Hassanpour et al. | Agent-based simulation for pedestrian evacuation behaviour using the affordance concept | |
Hussein et al. | Microscopic pedestrian interaction behavior analysis using gait parameters | |
Ma et al. | An intelligence-based approach for prediction of microscopic pedestrian walking behavior | |
Fu et al. | Crowd simulation for evacuation behaviors based on multi-agent system and cellular automaton | |
Zhao et al. | The microscopic characteristics of escape behaviours from a three-dimensional lecture theatre under conditions of good and zero visibility | |
CN116894611A (zh) | 一种城市轨道交通车站乘客疏散仿真方法及系统 | |
Liu et al. | Simulating evacuation crowd with emotion and personality | |
CN113177347A (zh) | 一种人群运动模拟方法、装置、设备及存储介质 | |
Ma et al. | Research on crowd dynamic risk management based on the psychological stress perception function | |
CN108629121B (zh) | 基于避免恐怖谷效应的虚拟现实人群仿真方法和系统 | |
CN108595775B (zh) | 人群疏散仿真过程中障碍物几何形状的优化方法及系统 | |
Guo et al. | Simulation-based multi-objective optimization towards proactive evacuation planning at metro stations | |
Ying et al. | EvacAgent: A building emergency evacuation simulation model based on agent | |
Gu et al. | A VR-based, hybrid modeling approach to fire evacuation simulation | |
Liu et al. | Modeling unidirectional pedestrian movement: An investigation of diffusion behavior in the built environment | |
KR101624139B1 (ko) | 어포던스 확률에 기반하여 인간의 행동을 예측하는 방법 및 이를 이용한 훈련 계획 수립 방법 | |
Biedermann et al. | CarPed--A Hybrid and Macroscopic Traffic and Pedestrian Simulator |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |