CN109800922A

CN109800922A - 一种基于共享自行车的大型密集人群快速疏散方法

Info

Publication number: CN109800922A
Application number: CN201910102246.2A
Authority: CN
Inventors: 夏海霞; 叶霞; 高志刚; 蒋科坚
Original assignee: Zhejiang Sci Tech University ZSTU
Current assignee: Zhejiang Sci Tech University ZSTU
Priority date: 2019-02-01
Filing date: 2019-02-01
Publication date: 2019-05-24

Abstract

本发明涉及一种基于共享自行车的大型密集人群快速疏散方法。本发明首先分析具有大型密集人群的场地附近的站点，定位起始站点，筛选出目的地站点，根据目的地站点运力和与起始站点之间的距离确定目的地站点吸引人流的能力，预测人流导向。然后利用改进的K‑Means聚类算法将目的地站点划分为若干个簇。最后优化每个簇内站点的调度车调度路径。本发明提出的方法通过部署自行车能够在初期更快的疏散群众，通过站点聚类算法和调度车调度算法提高人群的骑车率，缩短人群疏散时间，有效地起到疏散人群的作用，提高大型密集人群场所的安全性。

Description

一种基于共享自行车的大型密集人群快速疏散方法

技术领域

本发明涉及公共交通疏导技术领域，尤其涉及一种基于共享自行车的大型密集人群快速疏散方法。

背景技术

随着中国经济的发展，人民生活水平的提高，越来越多的大型活动在城市内举办。大型活动具有人数众多，集中度高等特点，如果不能快速疏散人群，将会造成拥堵现象，甚至踩踏事件的发生。

目前与人群疏散相关的方法大多分析人群在活动散场后的行动规律，并根据该规律构造人群在时空上的消散模型进行研究，没有提出一个完整的方案对人群进行疏散。因此，如何让密集人群得到快速疏散仍是亟待解决的问题。随着绿色出行的兴起，越来越多的人开始使用共享自行车出行。共享自行车随停随用的特点使得可以方便的进行自行车的部署，并且为利用共享自行车进行大型密集人群快速疏散提供了可能。

发明内容

本发明的目的在于解决短时间大规模人流的疏散问题，本发明提出了一种基于共享自行车的大型密集人群快速疏散方法。在具有大型密集人群的场地，人们可以通过骑行共享自行车到达目的地，避免由于人群长时间滞留造成人群拥挤甚至踩踏事件的发生，从而保障大型密集人群的安全。

本发明解决技术问题所采用的关键点为：在大型密集人群所在场地提前部署共享自行车，并对人群的去向进行预测，通过调度共享自行车的方式提高自行车利用率，从而加快人群的疏散。

本发明具体内容包括：

步骤(1)分析具有大型密集人群的场地附近的站点，定位起始站点，筛选出目的地站点，根据目的地站点运力和与起始站点之间的距离确定目的地站点吸引人流的能力，预测人流导向。

其中，目的地站点的筛选条件如下：

(a)两个相邻目的地站点进行合并，即当两个目的地站点之间的距离小于500m时，合并两个目的地站点。

(b)公共交通站点运力计算，运力定义为公共交通目的地站点单位时间内运输的人数。运力小于平均运力10％的目的地站点由于运力太小，吸引能力低，因此进行删除。

在(b)中，目的地站点S_j运力的具体计算方式如下：

其中，n为经过S_j的公交车和地铁路线数量，m_i为第i条路线在S_j的载客量，T_i为第i条路线的发车时间间隔。然后分析S_j的两种特征，分别为运力w_j以及S_j与起始站点之间的距离dis_j。根据公式2—公式4计算S_j对人群的吸引分数，表征对人群的吸引能力。

s_d(j)＝-log(dis_j+b)+c 公式3

s_w(j)＝k·arctan(r·w_j) 公式4

其中，s_c(j)表示S_j对人群的吸引分数，s_d(j)为S_j的距离分数，s_w(j)为S_j的运力分数，τ为距离分数和运力分数在站点分数中所占的比重。dis_j为S_j到活动举办地的距离，dis_j越大，距离分数s_d(j)越小；站点的运力w_j越大，运力分数s_w(j)越大。b，c，k，r为常量。

根据公式2得到站点的吸引分数，利用softmax函数对所有站点的吸引分数进行归一化后求得各个站点的吸引能力，S_j的吸引能力为根据上述方法计算出每个站点的吸引能力，通过多次随机模拟取平均值的方式预测各个站点的人流量。

步骤(2)利用改进的K-Means聚类算法将目的地站点划分为若干个簇，具体步骤如下：

2-1.将步骤(1)所述的目的地站点初始化为n_v＝1簇。

2-2.依据最小化聚类中心与各个站点的距离方差对站点进行K-Means聚类。距离方差使用公式进行计算，其中K_i为第i个聚类的中心的位置，c_i为第i个聚类内的站点个数，为S_j的位置。

2-3.若每个簇内的可调度自行车数b_i大于调度车调度能力R，更新n_v＝n_v+1并继续2-2。

2-4.若每个簇内的可调度自行车数b_i小于η·R，更新n_v＝n_v-1并跳转到步骤2-2。

2-5.当每个簇内的可调度自行车数b_i在η·R与R之间时，聚类结束。

步骤(3)优化每个站点簇内的调度车调度路径。

3-1.选择2-5聚类结果中的其中一个站点簇，获取其中每个站点的坐标并标记序号。

3-2.对于每个站点，调度车都必须且只能经过一次。采用遗传算法对调度车经过的站点顺序进行编码，记为调度路径染色体，如

3-3.设计适应度函数表征调度路径的优劣程度，适应值越高，表明调度路径越优。其中为调度车经过站点路径长度，表示染色体第i个基因对应的站点和第i+1个基因对应的站点之间的距离。

3-4.对调度路径染色体进行选择、交叉、变异等操作对调度路径进行优化，并通过迭代直到优化算法达到收敛。

本发明的有益效果：本发明提出的方法通过部署自行车能够在初期更快的疏散人群，通过站点聚类算法和调度车调度算法提高人们的骑车率，缩短人群疏散时间，有效地起到疏散人群的作用，提高大型密集人群场所的安全性。

附图说明

图1是本方法的整体结构图；

图2聚类算法流程图；

图3是对站点进行聚类的结果；

图4是对聚类结果中其中一个簇的编码示意图；

图5是调度路径优化算法效果图；

图6是未疏散人数与时间的关系图。

具体实施方式

本实施例以黄龙体育场某次大型活动为实验对象，黄龙体育场作为大型活动举办地，参与该活动的人数达3万人，其中2万人选择公共交通方式出行，作为本次参与疏散的人群。实验环境如下：Intel四核2.50GHz处理器、8GB RAM、Window7系统，编程语言：Python。基于共享自行车的大型密集人群快速疏散的方法包括如下步骤，见图1：

1、分析具有大型密集人群的场地附近的站点并预测人流导向；

步骤(1-1)经过考察黄龙体育场周围的道路情况，确定适合部署自行车的地点作为起始站点。

步骤(1-2)获取黄龙体育场附近的所有公共交通站点。根据公共交通站点的运力和站点之间的距离筛选出目的地站点。

步骤(1-3)根据站点的运力和距离计算站点吸引分数和站点吸引能力，经过多次实验计算，设定τ＝0.4，b＝1.746,c＝1.557,k＝0.8,r＝0.1。

实验结果如表1所示，其中只选取了目的地站点集合中的部分站点进行展示。

表1人流预测结果

站点编号	1	2	3	4	5	6	7	8	9
										s<sub>c(j)</sub>	0.6095	0.5064	0.5757	0.6747	0.4534	0.6261	0.5064	0.4712	0.6587
P(j)	0.0473	0.0423	0.0456	0.0507	0.0400	0.0481	0.0423	0.0408	0.0498

2、聚类算法将目的地站点划分为若干个簇；

本发明提出的改进的K-Means聚类算法流程图如图2所示。根据该算法对目的地站点进行聚类，得到的聚类结果为5类，如图3所示。图中圆点表示目的地站点，五角星表示该类的中心，黄色三角形为黄龙体育馆。

通过该聚类算法，各个聚类内的方差var(c_i)和可调度自行车数b_i如表2所示。

表2聚类结果表

站点簇编号	1	2	3	4	5
						var(c<sub>i</sub>)	0.0356	0.4531	0.0121	0.3647	0.0625
b<sub>i</sub>	99	96	98	97	92

由聚类结果可知，每个聚类内各个站点和聚类中心的方差值都低于0.5，各个聚类间的可调度自行车数都较为相近。表明该聚类算法达到了站点簇内各站点距离相近，各个簇间可调度自行车数平衡的目标。

3、优化每个站点簇内的调度车调度路径。

选择步骤2得到的聚类结果中的其中一个站点簇，获取其中每个站点的坐标并标记序号如图4所示。通过一定次数的迭代优化之后，对路径的优化结果如图5所示。算法共进行了200次迭代，图5中虚线为该站点簇各个站点的路径长度，直线是对路径长度的幂数拟合，单位为米。初始距离为8335米，当进化到50次时，算法渐渐收敛至5250米，当算法迭代到75次时达到最优解5090米。得出最优路径为与行驶总距离为5090米，适应值为1.9646*10^-4，经过75次迭代，算法达到收敛。实验结果表明该算法在自行车调度路径优化中可以缩短调度车调度路径，有效地提高调度效率。

通过不采用部署自行车的方式进行疏散和采用本方法进行疏散的对比实验，得到的疏散结果如图6所示。图6显示了未疏散人数随时间的变化情况，其中，方法1为通过大型活动附近道路上的原有自行车进行疏散，不进行自行车的调度；方法2为本发明提出的基于共享自行车的大型密集人群快速疏散方法。

由实验结果可得，前30分钟内，方法1的未疏散人数下降较慢，疏散效率低；对比方法2，由于部署了共享自行车并且对自行车进行调度，提高了疏散效率，未疏散人数下降较快。对比疏散85％的群众所用的疏散时间，方法2将方法1所需的68.5分钟降低到43.4分钟，疏散时间减少了36.64％。实验结果表明，本发明提出的方法能够在初期更快的疏散群众，并且疏散85％的群众所用时间更短，有效地起到疏散群众的作用，提高大型密集人群场所的安全性。

Claims

1.一种基于共享自行车的大型密集人群快速疏散方法，其特征在于：将大型密度人群场所划定为疏散中心，确定自行车起始站点和目的地站点，提前部署共享自行车进行人流疏散，并且设置调度车对站点的自行车进行调度加快疏散；具体如下：

步骤(1-1)分析具有大型密集人群的场地附近的站点，定位起始站点，筛选出目的地站点，根据目的地站点运力和与起始站点之间的距离确定目的地站点吸引人流的能力，预测人流导向；

步骤(1-2)利用改进的K-Means聚类算法将目的地站点划分为若干个簇；

步骤(1-3)优化每个簇内站点的调度车调度路径。

2.根据权利要求1所述的一种基于共享自行车的大型密集人群快速疏散方法，其特征在于：

步骤(1-1)中目的地站点的筛选条件如下：

(a)当两个站点之间的距离小于500m时，合并两个站点；

(b)公共交通站点运力计算，运力定义为公共交通站点单位时间内运输的人数；运力小于平均运力10％的站点由于运力太小，站点吸引能力低，因此进行删除。

3.根据权利要求2所述的一种基于共享自行车的大型密集人群快速疏散方法，其特征在于：

所述公共交通站点S_i运力的具体计算方式如下：

其中，n为经过站点S_i的公交车和地铁路线数量，m_i为第i条路线在S_i的载客量，T_i为第i条路线的发车时间间隔。

4.根据权利要求1所述的一种基于共享自行车的大型密集人群快速疏散方法，其特征在于：

步骤(1-1)中根据站点S_i的运力和与起始站点之间距离确定站点吸引人流的能力，

预测人流导向，采用如下方式计算：

s_d(j)＝-log(dis_j+b)+c 公式3

s_w(j)＝k·arctan(r·w_j) 公式4

其中，s_c(j)表示S_j对人群的吸引分数，s_d(j)为站点S_j的距离分数，s_w(j)为站点S_j的运力分数，τ为距离分数和运力分数在站点分数中所占的比重；dis_j为站点到活动举办地的距离，dis_j越大，距离分数s_d(j)越小；站点的运力w_j越大，运力分数s_w(j)越大；b，c，k，r为常量；

根据公式2得到站点的吸引分数，利用softmax函数对所有站点的吸引分数进行归一化后求得各个站点的吸引能力，S_j的吸引能力为从而计算出每个站点的吸引能力，通过多次随机模拟取平均值的方式预测各个站点的人流量。

5.根据权利要求1所述的一种基于共享自行车的大型密集人群快速疏散方法，其特征在于：所述步骤(1-2)，其包括：

2-1.将步骤(1-1)中所述的目的地站点初始化归为n_v类；

2-2.依据最小化聚类中心与各个站点的距离方差对站点进行K-Means聚类；

2-3.若每个簇内的可调度自行车数大于调度车调度能力R，更新n_v＝n_v+1并继续步骤2-2；

2-4.若每个簇内的可调度自行车数小于η·R，更新n_v＝n_v-1并继续步骤2-2；

2-5.当每个簇内的可调度自行车数在η·R与R之间时，聚类结束。

6.根据权利要求1所述的一种基于共享自行车的大型密集人群快速疏散方法，其特征在于：所述步骤(1-3)，其包括：

3-1.选择步骤2-5聚类结果中的其中一个站点簇，获取其中每个站点的坐标并标记序号；

3-2.对于每个站点，调度车都必须且只能经过一次；采用遗传算法对调度车经过的站点顺序进行编码，记为调度路径染色体；

3-3.设计适应度函数，表征调度路径的优劣程度，适应值越高，表明调度路径越优；

3-4.对调度路径染色体进行选择、交叉、变异操作对调度路径进行优化，并通过迭代直到优化算法达到收敛。