CN112199747B - 基于排队网络的室内人员疏散方法和疏散系统 - Google Patents

基于排队网络的室内人员疏散方法和疏散系统 Download PDF

Info

Publication number
CN112199747B
CN112199747B CN202011053175.0A CN202011053175A CN112199747B CN 112199747 B CN112199747 B CN 112199747B CN 202011053175 A CN202011053175 A CN 202011053175A CN 112199747 B CN112199747 B CN 112199747B
Authority
CN
China
Prior art keywords
evacuation
node
personnel
indoor
queuing
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
Application number
CN202011053175.0A
Other languages
English (en)
Other versions
CN112199747A (zh
Inventor
徐占伯
张远东
吴江
管晓宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian Jiaotong University
Original Assignee
Xian Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Jiaotong University filed Critical Xian Jiaotong University
Priority to CN202011053175.0A priority Critical patent/CN112199747B/zh
Publication of CN112199747A publication Critical patent/CN112199747A/zh
Application granted granted Critical
Publication of CN112199747B publication Critical patent/CN112199747B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • G01N33/0063—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a threshold to release an alarm or displaying means
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/04—Constraint-based CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/02—Data centres
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Civil Engineering (AREA)
  • Analytical Chemistry (AREA)
  • Combustion & Propulsion (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Structural Engineering (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Architecture (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Emergency Lowering Means (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了基于排队网络的室内人员疏散方法和疏散系统，包括人员位置感知模块、安全信息检测模块、决策优化模块和中央控制器模块。所述方法采用排队网络模型来对复杂的疏散网络进行建模，忽略冗余信息的干扰，仅考虑人与人、人与环境之间的影响，实现简单，贴近实际疏散过程。该方法采用事件驱动的方式解决复杂网络中计算量大的问题，大大降低了系统的计算复杂度。在实际仿真过程中，考虑系统当前状态和未来状态，采用价值迭代的方法更新系统的疏散策略，保证我们的策略不会终止于局部最优解，使得我们获得的疏散策略是全局最优的。

Description

基于排队网络的室内人员疏散方法和疏散系统
技术领域
本发明属于复杂网络系统技术领域，具体涉及基于排队网络的室内人员疏散方法和疏散系统。
背景技术
随着人口的增长及商业化进程的不断加快，建筑物越来越高，尤其是体育娱乐场馆、商业建筑、会展会议厅、科教文卫建筑、办公建筑及交通建筑等公共建筑的内部空间越来越大，容纳的人数越来越多，存在的安全隐患导致的后果也趋于严重。如果灾难性突发事件发生，例如火灾、地震等，室内人员安全将会受到很大威胁。
近些年来，世界各地突发事件发生的频率不断上升，其中包括火灾、地震、恐怖袭击等。如何在突发事件发生时将现场人员快速疏散至安全地带是近些年来研究者们的研究重点。对于突发事件的定义，从狭义层次上来说，是指突然发生在某一区域内的规模较大的事故或灾害且其给社会带来了较大的负面影响；从广义层次上来说，是指个体以及团体准备和认知限度之外突然发生的一切事件，对他们的利益和安全造成严重威胁。突发事件中最常见的当属火灾事件。因此，保障人群安全、快速和有序地疏散至关重要。
目前，常见的疏散方式主要有两种：自发性疏散和有组织疏散。在大规模疏散过程中，如果采用自发性疏散方式，大量人群在有限时间和空间内会发生拥堵，延长撤离时间，甚至因人群过度拥挤、疏散距离较长，造成群死群伤的人群踩踏事故。因此预先根据建筑的设计(出口的位置与数量、楼道的容量、室内人数和建筑的其他特点)规划疏散方案，对人们进行有组织地疏散具有重要意义。
和木桶理论类似，人员疏散时间关键取决于某些狭窄出口的人员通过能力，这些狭窄出口处单位时间内通过的人员数目有限，极易发生拥堵现象，拉长了疏散时间。理论和事实都证明合理的疏散方案有利于降低人员疏散撤离的时间或者在规定时间内疏散出更多的人，因而对关键节点人员疏散的方案研究十分必要。排队论中的“顾客”即要求疏散的人员，“服务机构”即关键节点，包括安全门、长廊拐角、楼梯口等。则室内疏散系统中的节点服务模型可以描述如下：人员为了能够尽快离开灾害区域而到达各个节点，若由于拥挤不能立即通过节点就必须排队等待，则加入队列，待通过节点后离开。应急疏散系统中通过节点的时间越短，疏散效果越好。排队论中的基本数量指标分别对应排队网络模型中的疏散指标，可作为衡量该模型优劣的参考标准。节点到达率表示该节点的人员到达速率；节点服务率表示该节点在单位时间内可以使多少人员通过；节点利用率表示该节点有人到达的概率；平均队长表示该节点正在排队等待和接受服务的人员总数；平均等待时间表示单个人员在队列中的等待时间。
因此，希望提出一种基于排队网络的室内人员疏散系统的疏散策略，能够为人员疏散提供优选的方案。
发明内容
为了解决上述问题，本发明提供了基于排队网络的室内人员疏散方法和疏散系统，在满足人员安全疏散的同时，通过时序差分的方法综合考虑当前与未来的系统收益，最小化疏散时间。
为达到上述目的，本发明采用如下技术方案：
基于排队网络的室内人员疏散方法，包括以下步骤：
S1、对建筑进行空间划分，将建筑内房间的空闲区域和走廊、楼梯提取出来，给出人员可移动的范围，并将人员容易聚集的区域划分为节点，能够进行人员直接移动的两个节点之间由边相连；节点作为排队网络的基本元素，针对每一个节点构建一个站，每个站即为一个单排队队列；
S2、收集当前建筑内的人员位置信息和室内空气信息，人员位置信息为人员在建筑中对具体位置坐标，室内空气信息包括空气的温度、湿度及有害气体浓度；
S3、根据S2得到的室内空气信息，判断室内环境是否安全；根据S2得到的人员位置信息，设定人员的初始位置，采用基于排队网络的疏散系统的数学模型对疏散过程进行优化，得到室内人员的疏散策略，并根据疏散策略和用户位置，得到各个位置到出口的路线，并发送至该位置的用户。
进一步的，步骤S3中，得到室内人员的疏散策略的过程包括以下步骤：
S301、构建基于排队网络的疏散系统的数学模型：确定目标函数及约束条件，目标函数使得疏散系统总疏散时间最短，约束条件为节点人流约束；
S302、采用事件驱动的方法对当前系统进行疏散仿真；在给定的节点人流约束下，根据基于排队网络的疏散系统中状态的变化，采用价值迭代的方法更新基于排队网络的疏散系统的疏散策略集合，使得系统的总疏散时间最短，得到疏散系统在各个状态下的疏散策略集合；
S303、根据当前疏散系统的状态选取对应疏散策略。
进一步的，S303中，事件驱动的方法过程为：将排队网络中每一个节点作为事件的触发点，每当有节点的人流密度评价指标参数发生变化时，事件发生，系统由当前的k阶段变为k+1阶段。
进一步的，S301中的目标函数为：其中，k为系统的时间阶段序号，k＝1,2,…,K，θ为当前系统的疏散策略，即人员在某一节点采取不同行为的概率，为在策略θ下第k个阶段的总时间，tk为第k个阶段的结束时间。
进一步的，S302中，疏散系统状态Sk的表达式为，i为系统中节点的编号，/>为节点i在k阶段时的到达率，/>为节点i在第k阶段时的排队等待时间，/>为节点i在k阶段时的排队队长，/>为节点i在k阶段时的节点人流密度评价指标。
进一步的，S302包括以下步骤：
S3021、初始化基于排队网络的疏散系统的疏散策略集合和系统状态；
S3022、根据人员位置信息，开始进行疏散仿真；
S3023、若疏散系统中任意节点的人流密度评价指标发生变化，则通过价值迭代的方法对系统的疏散策略集合进行更新，获得当前阶段使目标函数最小的疏散策略集合；
S3024、进行仿真迭代，直到所有人员都安全疏散，获得疏散总时间，将使得疏散系统在某一状态下的的总疏散时间最短时的疏散策略集合作为疏散系统在该个状态下的疏散策略集合。
进一步的，S3023中，采用价值迭代的方法更新系统的疏散策略集合，包括以下步骤：
S30231、获取当前阶段的系统状态Sk、价值函数v(Sk)和疏散策略集合θ，给定一个足够小的常数τ，参数Δ＝0；
其中，为节点i在k阶段时的到达率，/>为节点i在第k阶段时的排队等待时间，为节点i在k阶段时的排队队长，/>为节点i在k阶段时的节点人流密度评价指标；
S30232、对于疏散系统的每一个节点，执行以下步骤：
V←v(Sk,i)
Δ←max(Δ,|V-v(Sk,i)|)
其中，V为中间参数；p(i′,R|i,a)则表示人员在节点i处采取行为a，到达节点i′的概率；为疏散系统的在k阶段在节点i处采取行为a的回报函数；γ为折扣参数，γ∈(0,1)；v(Sk,i′)为系统状态为Sk时，节点i′处的价值函数；
S30233、若Δ<τ，执行S30234；否则，令Δ＝0，跳转至S30232；
S30234、计算当前阶段最优疏散策略集合θ*；
最优疏散策略集合θ*为使得当前节点价值函数最小的行为，即对应行为的概率值设为1，该节点其他行为的概率值设为0；
其中A为疏散系统的行为空间；θi,a为在节点i处采取行为a的概率，a∈a1～aN。
进一步的，S30232中，系统的回报函数由下面公式计算得到；
其中ti,j为人员从节点i转移到节点j的时间；di为在节点i处与安全点的最短距离；v为人员在疏散时的移动速度；ξ为权重系数；当节点i是系统的安全节点时，疏散路径的终点为安全节点；采用公式(2)计算，否则采用公式(1)计算。
一种基于排队网络的室内人员疏散系统的优化装置，包括人员位置感知模块、安全信息检测模块、决策优化模块和中央控制器模块；
所述人员位置感知模块，用于获取建筑内人员的实时位置信息，并将获取的建筑内人员的实时位置信息输入到决策优化模块；
所述安全信息检测模块，用于根据室内温度、湿度和氢气浓度信息和历史数据判断室内是否处于危险状态，并将判断结果输入到决策优化模块；
所述决策优化模块，用于在室内处于危险状态的前提下，根据输入的所有人员位置信息，进行疏散仿真，计算得到疏散策略集合，即在保证疏散过程有序的前提下最小化疏散总时间，并将疏散策略集合输入到中央控制器模块；
所述中央控制器模块，通过无线网络与室内智能设备相连，根据输入的最优疏散策略，将最优的疏散路线发送到室内智能设备上。
一种基于排队网络的室内人员疏散系统的优化装置，包括至少一个处理器以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的基于排队网络的室内人员疏散的优化方法。
与现有技术相比，本发明至少具有以下有益的技术效果：
总体来说，研究室内人员疏散问题包括两个方面，即数学建模和仿真模拟研究。在数学建模方面，采用排队网络模型对复杂网络系统进行建模，将环境复杂的疏散网络抽象为信息物理融合的排队网络，通过排队网络中精确的数据参数对疏散效果进行评估。社会力模型能够模拟人流的自组织现象，还可模拟人员在恐慌时的逃生行为，具有物理机理描述清晰、可解释性强的优点。考虑人员行为的不确定性，在排队网络模型中加入社会力的影响，具体表现为人员会有尽可能快的到达安全点和避开障碍物的意愿。本方法结合数据和机理建模的优势，采用数据机理双驱动建模的方法，对于机理清晰的环节，采用准确数学模型描述，对于机理模糊的环节，通过社会力模型划分区域人员密度边界，将其作为数据驱动建模的约束条件。
进一步的，在仿真模拟方面，采用事件驱动的方法对仿真的阶段进行划分，即不需要按照仿真系统的时间不断更新系统的状态信息，只需按照设定的事件发生的次数来更新系统状态，考虑关键节点处的人员到达情况，而简化非关键节点处的流程，大大降低计算的复杂度，也大幅降低了整个问题的求解时间，对于大规模复杂网络问题的优化具有重要意义。
进一步的，该方法采用强化学习中的价值迭代的方法来更新系统的疏散策略，相比于策略迭代等其他更新方法，具有计算复杂度较低、值估计随机性较小的特点。在更新过程中不需要遍历全局所有的状态，只需考虑当前状态和下一跳状态即可在有限的迭代次数中获得收敛的最优解。
附图说明
图1为基于排队网络的室内人员疏散系统的框架图；
图2为基于排队网络的室内人员疏散系统的整体流程图；
图3为基于排队网络的室内人员疏散系统的运行优化方法流程图；
图4为基于事件驱动的仿真流程图；
图5为基于排队网络的室内人员疏散系统的仿真流程图；
图6为基于排队网络的室内人员疏散系统的一种可能的结构示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
参照图1，本发明提供了基于排队网络的室内人员疏散系统，包括人员位置感知模块、安全信息检测模块、决策优化模块和中央控制器模块。
人员位置感知模块，通过部署在建筑内的红外传感器和人员自身携带的移动智能设备(智能手机、平板电脑等)获取建筑内人员的实时位置信息，并将获取的建筑内人员的实时位置信息输入到决策优化模块。其中通过红外传感器进行建筑内的人员位置区域识别，并采用无线定位技术通过感知建筑内人员携带的移动智能设备获得人员的位置信息，保证能够比较精确地得到建筑内人员的实时位置。
安全信息检测模块，通过部署在建筑内的温度传感器、湿度传感器、氢气传感器等分别采集室内温度、湿度和氢气浓度信息，传感器的部署水平方向一般间隔2米，垂直方向部署两层，保证能够全面检测室内空气信息。根据历史数据判断室内传感器所在区域是否处于危险状态，并将判断结果输入到决策优化模块。考虑建筑内的有害气体，以氢气为例，若有任意一个氢气传感器测量到期所在区域空气中的氢气浓度超标，则氢气传感器向决策优化模块发送警报信息，此时室内就处于危险状态，需要对室内人员进行疏散。
决策优化模块，在室内处于危险状态的前提下，根据输入的所有人员位置信息，进行疏散仿真，计算得到疏散策略集合，疏散策略集合包括所有室内人员的疏散路径，即在保证疏散过程有序的前提下最小化疏散总时间，并将疏散策略集合输入到中央控制器模块。根据当前时刻室内人员的位置，进行多次的疏散仿真，计算获得的最优解所采取的策略集合即为最优疏散策略，整个仿真过程是即时完成的，不会延误实际疏散过程。
中央控制器模块，通过无线网络与室内智能设备(智能手机、平板电脑等)相连，根据输入的最优疏散策略，将最优的疏散路线发送到室内智能设备上，指导疏散过程快速有效完成。该模块将计算得到的最优策略进行可视化，并将整个疏散过程具体到人员个体，使原本复杂的无序疏散过程变成已知疏散路线的有序疏散。
决策优化模块包括初始化模块、仿真模块、迭代优化模块和求解模块。
初始化模块，用于构建基于排队网络的室内人员疏散系统的数学模型，确定目标函数和约束条件，目标函数使得该系统总疏散时间最短。仿真模块，用于根据人员位置信息和室内安全信息进行室内人员疏散的仿真，采用事件驱动的方法来划分仿真的阶段。迭代优化模块，用于更新系统的疏散策略集合，保证当前采用的策略能够最小化系统的总疏散时间，疏散策略集合的元素为某一状态下，各个节点的疏散方向。求解模块，用于求解系统的目标函数，获得系统的疏散策略集合。
参照图2所示，本发明的实施提供一种基于排队网络的室内人员疏散系统的运行优化方法，构建基于排队网络的疏散系统的数学模型，确定目标函数及相关的约束条件，具体步骤如下：
S1、对建筑进行空间划分，将建筑内房间的空闲区域和走廊、楼梯提取出来，给出人员可移动的范围，并将人员容易聚集的区域划分为节点，人员的移动可以看做从一个节点转移到另一个节点，即能够进行人员直接移动的两个节点之间会有边相连，构成一个由点和边组成的无向图。其中节点作为排队网络的基本元素，针对每一个节点构建一个站，每个站即为一个单排队队列，采用先入先出的规则进入队列和离开队列；
S2、收集当前建筑内的人员位置信息和室内空气信息，人员位置信息为人员在建筑中对具体位置坐标，室内空气信息包括空气的温度、湿度及有害气体浓度；
S3、根据S2得到的室内空气信息，判断室内环境是否安全；根据S2得到的人员位置信息，设定人员的初始位置，采用基于排队网络的数学模型对疏散过程进行优化，得到疏散策略，并根据疏散策略和用户位置，得到各个位置到出口的路线，并发送至该位置的用户。其中排队网络模型以S1中的节点为基本元素，整个排队网络由有限个节点及其之间的边连接关系构成，两个节点之间有边连接表明这两个节点之间可以进行人员的转移；
参照图3所示，本发明的实施提供一种基于排队网络的室内人员疏散系统的仿真方法，得到室内人员的疏散策略的过程包括以下步骤：
S301、构建基于排队网络的疏散系统(以下简称疏散系统)的数学模型，数学模型包括目标函数及约束条件，确定目标函数及约束条件，目标函数使得疏散系统总疏散时间最短，约束条件为节点人流约束，总疏散时间是指：自建筑中的人员收到疏散路径至人员离开建筑所花费的时间；
目标函数为：约束条件为节点人流约束。其中，k为系统的时间阶段序号，k＝1,2,…,K，θ为当前系统的转移策略，即人员在某一节点处向其他节点转移的概率，也是系统的疏散策略，/>为在策略θ下第k个阶段的总时间，tk为第k个阶段的结束时间。总的疏散时间是将所有已经发生的时间求和，这里的阶段划分采用事件驱动的方式进行，事件驱动方法的细节在图4给出。
S302、采用事件驱动的方法对当前系统进行疏散仿真；在给定的节点人流约束下，根据疏散系统状态的变化，采用价值迭代的方法在线更新疏散系统的疏散策略集合，使得系统的总疏散时间最短，得到疏散系统各个状态的疏散策略集合。
其中，疏散系统状态Sk为k阶段的系统状态，i为系统中节点的编号，/>为节点i在k阶段时的到达率，/>为节点i在第k阶段时的排队等待时间，/>为节点i在k阶段时的排队队长，/>为节点i在k阶段时的节点人流密度评价指标。队列到达率/>排队等待时间/>和排队队长/>分别由下面公式得到。/>则根据排队队长和排队等待时间获得。
其中，pj,i为人员从节点j转移到节点i的概率；为节点j在k阶段时的到达率，即一个节点的人员到达率，等于所有从其他节点转移到该节点的所有人员的到达速率，按人员的到达时间进行排队，构建一个单排队队列，人员进出服从先入先出原则。μi为节点i的服务率，等于人员通过该节点的延迟时间的倒数，物理意义为单位时间内可以使多少个人通过该节点，由每个节点自身的空闲区域大小决定，不会随时间发生变化。
表1节点人流指标
其中，为节点i在k阶段时的队列队长，/>为节点i在k阶段时的排队等待时间，指标参数/>为节点i在k阶段时的节点人流密度评价指标。Ll为排队队长的最小值，Lm为介于排队队长最小值和最大值之间的一个常数，Lh为排队队长的最大值，Wm为排队等待时间的一个常数。排队队长的最小值一般取0，排队队长的最大值根据节点的区域大小进行选取，节点区域越大，排队队长最大值越大，排队等待时间常数一般取初始时刻系统的平均排队等待时间。当/>为0时，节点的人流密度较低；当/>为1时，节点的人流密度中等；当/>为2或3时，节点的人流密度高。对节点人流进行约束，若一个节点的指标参数为3，则人员不能向该节点进行转移。
S303、基于S302的仿真结果获得疏散系统的总疏散时间和在仿真过程中不同的系统状态对应的疏散策略，根据实际疏散系统的状态选取对应疏散策略进行疏散。
参照图4所示，事件驱动的方法，包括以下步骤：
将排队网络中每一个节点作为事件的触发点，每当有节点的指标参数发生变化，事件发生，疏散系统由当前的k阶段变为k+1阶段；系统正常运行，人员进入排队队列与离开队列，直到下一个事件发生，当前阶段结束。
即不需要按照仿真系统的时间不断更新系统的状态信息，只需按照设定的事件发生的次数来更新系统状态，这样可以大大减少仿真计算的数据量，减小这个复杂系统优化问题的复杂度，也大幅降低了整个问题的求解时间。
参照图5所示，本发明的实施提供一种基于排队网络的室内人员疏散系统的仿真方法，其中具体仿真过程包括以下步骤：
S3021、初始化疏散系统，包括系统的疏散策略集合和系统状态；
S3022、根据输入的人员位置信息，开始进行疏散仿真；
S3023、若疏散系统中任意节点的人流密度评价指标发生变化，则通过价值迭代的方法对系统的疏散策略集合进行更新，最终获得当前阶段使目标函数最小的疏散策略集合；
S3024、不断进行仿真迭代，直到所有人员都安全疏散，获得疏散总时间，将在仿真过程中出现的疏散策略及对应的系统状态记录下来，用于指导实际疏散过程。
其中S3021中的系统疏散策略为人员在疏散系统中任意一个节点处的转移概率，即人员在该节点处应该向哪个节点进行转移以到达安全点，系统状态为包括疏散系统每个节点的人员到达率、排队等待时间、排队队长、节点人流密度评价指标。初始疏散策略为人员会以最短的路径向安全点转移，对应路径上的节点之间的转移概率为1。
进一步的，S3023中价值迭代的方法更新系统的疏散策略集合，包括以下步骤：
S30231、获取当前阶段的系统状态、价值函数v(Sk)和疏散策略集合θ。给定一个足够小的常数τ(远小于1且大于0)，参数Δ＝0；
其中，价值函数值初始设定为在系统状态为s时，疏散系统的每个节点到安全点的最短疏散时间，即在系统状态已知的情况下，每个节点对应一个价值函数的值v(Sk,i)。系统状态为包括疏散系统每个节点的人员到达率、排队等待时间、排队队长、节点人流密度评价指标。
S30232、对于疏散系统的每一个节点，执行以下步骤：
V←v(Sk,i)
Δ←max(Δ,|V-v(Sk,i)|)
其中，V为中间参数，用于存储当前节点的价值函数值，v(Sk,i)为系统状态为Sk时，节点i处的价值函数；←表示赋值；
p(i′,R|i,a)则表示人员在节点i处采取行为a，到达节点i′的概率；R为采取行为a的回报，为疏散系统的在k阶段在节点i处采取行为a的回报函数；γ为折扣参数，γ∈(0,1)；v(Sk,i′)为系统状态为Sk时，节点i′处的价值函数。价值函数的值与疏散时间成正比关系，即价值函数的值越小，对应节点的疏散时间会越短。循环过程会遍历疏散系统的每一个节点，更新每个节点的价值函数值，每次都会选取使当前节点价值函数值最小的行为，保证每一次循环获得的策略比前一次更优，除非前一个已经达到最优，这时Δ会无限趋近于0。
进一步的，S30232中，系统的回报函数由下面公式计算得到。
其中ti,j为人员从节点i转移到节点j的时间；di为在节点i处与安全点的最短距离；v为人员在疏散时的移动速度，2＜v＜4；ξ为权重系数。当节点i是系统的安全节点时，采用公式(2)计算，否则采用公式(1)计算，作为疏散路径的终点的节点为安全节点。价值函数这里参考的是Helbing D提出的社会力模型，社会力模型规定每一个人员都被施加了由周围环境、其他人员以及目标地点所叠加产生的力向量，这个力向量称为社会力。具体在我们的场景中，社会力表现为人员会有尽可能快的到达安全点和避开拥挤区域的意愿。若下一步的节点离安全出口越近，回报函数的值越小，对应到价值函数的值就越小，该节点被选取的概率就越大。同时，若下一步节点的人员密度越低，该节点的排队等待时间就会越短，回报函数的值越小，对应到价值函数的值就越小，该节点被选取的概率就越大。
S30233、若Δ<τ，执行S30234，否则，令Δ＝0，跳转至S30232；
S30234、计算得到疏散系统当前阶段最优疏散策略集合θ*；
最优疏散策略集合θ*为使得当前节点价值函数最小的行为集合，即对应行为的概率值设为1，该节点其他行为的概率值设为0。
其中A为疏散系统的行为空间；为在节点i处采取行为an的概率，1≤n≤N，a∈a1～aN。
其中p(j|i,a)为在节点i处采取行为a使得人员转移到节点j处的概率，概率值为0或1，保证每一个行为对应一个下一跳节点；pi,j为从节点i转移到节点j的概率。通过上述公式将疏散策略转化为具体的转移节点。在实际的疏散指导中，我们选取每个节点转移概率最高的方向作为每个节点的疏散策略。
为检验本发明的有效性，选取了3种不同的方法与本发明的方法进行对比。
第一种方法是随机疏散的方法，室内人员没有任何疏散引导，自行进行疏散；第二种方法是最短路径疏散的方法，人员已知疏散的最短路径，并按该路径进行疏散；第三种方法是自组织疏散的方法，人们已知疏散的最短路径，并且会主动避开人流密集区域；第四种方法是本发明的方法，命名为智能自组织疏散，人们已知疏散的最短路径，并且会主动避开人流密集区域，而且在选择是否让人员避开时会考虑全局疏散的收益，使得总的疏散时间最短。
表2本发明方法和其他3种疏散方法性能表现分析
疏散方法 疏散时间(秒) 均方误差
随机疏散 5742.14 32.27
最短路径疏散 5113.49 24.71
自组织疏散 4083.86 25.82
本发明(智能自组织疏散) 3432.87 25.39
表2是本发明方法和其他3种疏散方法性能表现分析，可以很明显地看出本方法的总疏散时间最短，相比于随机疏散、最短路径疏散、自组织疏散方法，总疏散时间分别减少了40.21％,32.86％,15.94％。可以看出本方法相比于其他疏散方法能够有效减少疏散时间，大大提高疏散效率。
参照图6所示，给出了基于排队网络的室内人员疏散系统的一种可能的结构示意图。基于排队网络的室内人员疏散系统的决策优化模块包括：处理器和存储器。至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述的基于排队网络的室内人员疏散的优化方法。处理器用于对基于排队网络的室内人员疏散系统的疏散仿真和疏散策略计算；存储器用于存储基于排队网络的室内人员疏散系统的决策优化模块的程序代码和数据，数据主要包括每次仿真得到的总疏散时间和对应不同系统状态的疏散策略集合。
尽管结合具体实例对本发明进行了描述，显而易见的，在不脱离本发明的精神实质和必要特征的情况下，可对其进行各种修改和组合。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的。所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。

Claims (3)

1.基于排队网络的室内人员疏散方法，其特征在于，包括以下步骤：
S1、对建筑进行空间划分，将建筑内房间的空闲区域和走廊、楼梯提取出来，给出人员可移动的范围，并将人员容易聚集的区域划分为节点，能够进行人员直接移动的两个节点之间由边相连，形成排队网络；
S2、收集当前建筑内的人员位置信息和室内空气信息，人员位置信息为人员在建筑中对具体位置坐标，室内空气信息包括空气的温度、湿度及有害气体浓度；
S3、根据S2得到的室内空气信息，判断室内环境是否安全；根据S2得到的人员位置信息，设定人员的初始位置，采用基于排队网络的数学模型对疏散过程进行优化，得到室内人员的疏散策略，并根据疏散策略和用户位置，得到各个位置到出口的路线，并发送至该位置的用户；
步骤S3中，得到室内人员的疏散策略的过程包括以下步骤：
S301、构建基于排队网络的疏散系统的数学模型：确定目标函数及约束条件，目标函数使得疏散系统总疏散时间最短，约束条件为节点人流约束；
S302、采用事件驱动的方法对当前系统进行疏散仿真；在给定的节点人流约束下，根据基于排队网络的疏散系统中状态的变化，采用价值迭代的方法更新基于排队网络的疏散系统的疏散策略集合，使得系统的总疏散时间最短，得到疏散系统在各个状态下的疏散策略集合；
S303、根据当前疏散系统的状态选取对应疏散策略；
所述S303中，事件驱动的方法过程为：将排队网络中每一个节点作为事件的触发点，每当有节点的人流密度评价指标参数发生变化时，事件发生，系统由当前的k阶段变为k+1阶段；
S301中的目标函数为：其中，k为系统的时间阶段序号，k＝1,2,…,K，θ为当前系统的疏散策略，即人员在某一节点采取不同行为的概率，/>为在策略θ下第k个阶段的总时间，tk为第k个阶段的结束时间；
所述S302中，疏散系统状态Sk的表达式为，i为系统中节点的编号，为节点i在k阶段时的到达率，/>为节点i在第k阶段时的排队等待时间，/>为节点i在k阶段时的排队队长，/>为节点i在k阶段时的节点人流密度评价指标；
S302包括以下步骤：
S3021、初始化基于排队网络的疏散系统的疏散策略集合和系统状态；
S3022、根据人员位置信息，开始进行疏散仿真；
S3023、若疏散系统中任意节点的人流密度评价指标发生变化，则通过价值迭代的方法对系统的疏散策略集合进行更新，获得当前阶段使目标函数最小的疏散策略集合；
S3024、进行仿真迭代，直到所有人员都安全疏散，获得疏散总时间，将使得疏散系统在某一状态下的的总疏散时间最短时的疏散策略集合作为疏散系统在该个状态下的疏散策略集合；
S3023中，采用价值迭代的方法更新系统的疏散策略集合，包括以下步骤：
S30231、获取当前阶段的系统状态Sk、价值函数v(Sk)和疏散策略集合θ，给定一个足够小的常数τ，参数Δ＝0；
其中，为节点i在k阶段时的到达率，/>为节点i在第k阶段时的排队等待时间，/>为节点i在k阶段时的排队队长，/>为节点i在k阶段时的节点人流密度评价指标；
S30232、对于疏散系统的每一个节点，执行以下步骤：
V←v(Sk,i)
Δ←max(Δ,|V-v(Sk,i)|)
其中，V为中间参数；p(i′,R|i,a)则表示人员在节点i处采取行为a，到达节点i′的概率；为疏散系统的在k阶段在节点i处采取行为a的回报函数；γ为折扣参数，γ∈(0,1)；v(Sk,i′)为系统状态为Sk时，节点i′处的价值函数；
S30233、若Δ<τ，执行S30234；否则，令Δ＝0，跳转至S30232；
S30234、计算当前阶段最优疏散策略集合θ*；
最优疏散策略集合θ*为使得当前节点价值函数最小的行为，即对应行为的概率值设为1，该节点其他行为的概率值设为0；
其中A为疏散系统的行为空间；θi,a为在节点i处采取行为a的概率，a∈a1～aN；
S30232中，系统的回报函数由下面公式计算得到；
其中ti,j为人员从节点i转移到节点j的时间；di为在节点i处与安全点的最短距离；v为人员在疏散时的移动速度；ξ为权重系数；当节点i是系统的安全节点时，疏散路径的终点为安全节点；采用公式(2)计算，否则采用公式(1)计算。
2.一种基于排队网络的室内人员疏散系统，其特征在于，用于实现权利要求1所述的基于排队网络的室内人员疏散的优化方法，包括人员位置感知模块、安全信息检测模块、决策优化模块和中央控制器模块；
所述人员位置感知模块，用于获取建筑内人员的实时位置信息，并将获取的建筑内人员的实时位置信息输入到决策优化模块；
所述安全信息检测模块，用于根据室内温度、湿度和氢气浓度信息和历史数据判断室内是否处于危险状态，并将判断结果输入到决策优化模块；
所述决策优化模块，用于在室内处于危险状态的前提下，根据输入的所有人员位置信息，进行疏散仿真，计算得到疏散策略集合，即在保证疏散过程有序的前提下最小化疏散总时间，并将疏散策略集合输入到中央控制器模块；
所述中央控制器模块，通过无线网络与室内智能设备相连，根据输入的最优疏散策略，将最优的疏散路线发送到室内智能设备上。
3.一种基于排队网络的室内人员疏散系统，其特征在于，包括至少一个处理器以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1所述的基于排队网络的室内人员疏散的优化方法。
CN202011053175.0A 2020-09-29 2020-09-29 基于排队网络的室内人员疏散方法和疏散系统 Active CN112199747B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011053175.0A CN112199747B (zh) 2020-09-29 2020-09-29 基于排队网络的室内人员疏散方法和疏散系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011053175.0A CN112199747B (zh) 2020-09-29 2020-09-29 基于排队网络的室内人员疏散方法和疏散系统

Publications (2)

Publication Number Publication Date
CN112199747A CN112199747A (zh) 2021-01-08
CN112199747B true CN112199747B (zh) 2024-04-02

Family

ID=74007979

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011053175.0A Active CN112199747B (zh) 2020-09-29 2020-09-29 基于排队网络的室内人员疏散方法和疏散系统

Country Status (1)

Country Link
CN (1) CN112199747B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115474172B (zh) * 2022-11-14 2023-01-24 成都大学 结合uwb采集的室内密集人流组群行人群体疏散方法
CN115865988B (zh) * 2023-02-21 2023-05-26 武汉理工大学三亚科教创新园 利用手机传感器网络的客船旅客踩踏事件监测系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017084326A1 (zh) * 2015-11-17 2017-05-26 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
CN111611749A (zh) * 2020-05-25 2020-09-01 山东师范大学 基于rnn的室内人群疏散自动引导仿真方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017084326A1 (zh) * 2015-11-17 2017-05-26 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
CN111611749A (zh) * 2020-05-25 2020-09-01 山东师范大学 基于rnn的室内人群疏散自动引导仿真方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
姚加林 ; 龙舜 ; .基于元胞自动机的地铁车站行人疏散仿真.铁道科学与工程学报.2019,(11),全文. *
张培红,陈宝智.人员应急疏散随机服务系统的网络流模型研究.人类工效学.2001,(02),全文. *

Also Published As

Publication number Publication date
CN112199747A (zh) 2021-01-08

Similar Documents

Publication Publication Date Title
Mirahadi et al. IFC-centric performance-based evaluation of building evacuations using fire dynamics simulation and agent-based modeling
CN112199747B (zh) 基于排队网络的室内人员疏散方法和疏散系统
Chen et al. Cellular automaton model for social forces interaction in building evacuation for sustainable society
Radianti et al. A spatio-temporal probabilistic model of hazard-and crowd dynamics for evacuation planning in disasters
Mirahadi et al. EvacuSafe: Building evacuation strategy selection using route risk index
Bina et al. BIM-ABM simulation for emergency evacuation from conference hall, considering gender segregation and architectural design
CN112488401A (zh) 一种火灾逃生路线指引方法及系统
Huo et al. An extended model describing pedestrian evacuation considering pedestrian crowding and stampede behavior
CN111414681A (zh) 基于共享深度强化学习的建筑物内疏散仿真方法及系统
Shi et al. An agent-based evacuation model to support fire safety design based on an integrated 3D GIS and BIM platform
CN112488423A (zh) 一种火场中被困人员逃生路径的规划方法
Xie et al. Application of cellular automata with improved dynamic analysis in evacuation management of sports events
Chen Agent-based research on crowd interaction in emergency evacuation
CN116502763A (zh) 一种基于时空图神经网络的人群拥堵预测方法及系统
Yang et al. Multi-objective optimization of evacuation route for heterogeneous passengers in the metro station considering node efficiency
Zhang et al. Ex-ante online risk assessment for building emergency evacuation through multimedia data
Wang et al. Risk‐Field Based Modeling for Pedestrian Emergency Evacuation Combined with Alternative Route Strategy
Yang et al. An efficient evacuation path optimization for passengers in subway stations under floods
KR102592101B1 (ko) 인공지능 기반 건축구조물 내의 최적 대피경로 안내시스템 및 안내방법
Dong et al. An optimization method for evacuation guidance under limited visual field
Zhai et al. A PEDESTRIAN EVACUATION MODEL BASED ON ANT COLONY ALGORITHM CONSIDERING DYNAMIC PANIC SPREAD.
Ko Comparison of evacuation times using Simulex and EvacuatioNZ based on trial evacuations
Wang Bidirectional ACO intelligent fire evacuation route optimization
Weinroth An adaptable microcomputer model for evacuation management
Zhang et al. An Event-based Optimization Method for Building Evacuation with Queuing Network Model

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