CN112668781A - 一种城市轨道交通地铁车厢内乘客的疏散预测方法 - Google Patents
一种城市轨道交通地铁车厢内乘客的疏散预测方法 Download PDFInfo
- Publication number
- CN112668781A CN112668781A CN202011594754.6A CN202011594754A CN112668781A CN 112668781 A CN112668781 A CN 112668781A CN 202011594754 A CN202011594754 A CN 202011594754A CN 112668781 A CN112668781 A CN 112668781A
- Authority
- CN
- China
- Prior art keywords
- passengers
- passenger
- subway
- evacuation
- vehicle door
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004088 simulation Methods 0.000 claims abstract description 26
- 230000001413 cellular effect Effects 0.000 claims abstract description 17
- 230000003068 static effect Effects 0.000 claims description 15
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
- G06N7/023—Learning or tuning the parameters of a fuzzy system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- G06Q50/40—
Abstract
本发明提供了一种城市轨道交通地铁车厢内乘客的疏散预测方法,包括以下步骤:1)、基于模糊逻辑理论构建乘客疏散出地铁车厢时的目标车门选择模型,计算获得乘客选择每个车门的概率值;2)、基于元胞自动机模型,结合乘客自身心理行为特点实时计算乘客的移动概率值,建立乘客疏散出地铁车厢的移动模型;3)、采用所构建的乘客目标车门选择模型与移动模型进行仿真实验,模拟地铁车厢内乘客疏散状况,预测地铁车厢突发事故时事故点的位置、车厢车门有效利用宽度以及车厢内座椅排布方式对乘客疏散的影响。本发明有效地预测地铁车厢发生突发事故下乘客的疏散行为,并为车厢内乘客的紧急快速疏散提供一定的辅助决策支持。
Description
技术领域
本发明属于行人安全疏散技术领域,涉及一种行人预测与疏散,特别是一种城市轨道交通地铁车厢内乘客的疏散预测方法。
背景技术
当前,我国经济快速发展,人口不断增加,公共交通的需求也越来越大。在新型城市化速度加快的情况下,城市传统的地面交通模式已经满足不了人们的需求,城市轨道交通作为传统地面交通系统的一种重要补充,其发展成为全国城市化进程中必不可少的一种需求。城市轨道交通以其运量大、速度快、安全无污染的技术特性成为城市公共交通的骨干,其发展对于提高公共交通分担率,缓解城市交通拥堵具有重要意义,因此,地铁也成为了备受大众欢迎的交通方式。据统计,截至2020年5月1日,中国已开通城市轨道交通的城市共有47 个,其中中国内地41个、中国港澳台地区6个。截至2019年底,中国内地已开通城轨交通线路长度共计6730.27千米。
伴随着地铁线路规模的不断扩大,地铁客流迅速增加,给地铁运营也带来了不小的压力。中国内地2019年总客运量为238.14亿人次,较2018年的213亿人次增长11.8%,据统计数据显示,2019年5月2日,青岛地铁3号线单日客运量为42.78万人次,创下青岛地铁自运行来日客运量的最高记录。通常,地铁车辆行驶于地下隧道内,一旦发生突发事故,需要就近找地铁站紧急停车,然后再进行乘客疏散,情况较为复杂。尤其是在上下班高峰期或者节假日期间,车厢内人员密集,若不能及时引导乘客进行疏散,在疏散过程中极易在地铁车厢车门处产生瓶颈效应,延长疏散时间,使得人员疏散更加困难。如何提高地铁站内乘客的疏散效率降低人员伤亡和财产损失是亟待解决的问题。
由于乘客在突发事故下疏散时目标车门的选择以及疏散过程中的移动路径将直接影响整体疏散效率,然而,实际的乘客在地铁车厢发生突发事故下的疏散很难被模拟,当前,现场数据的采集以及实际的调查工作十分耗费人力、物力和时间成本,因此对这方面的研究是非常重要的一项工作。乘客疏散的预测情况能够使工作人员及时监管客流并在突发事故发生时及时引导乘客疏散。
发明内容
本发明的目的是针对现有的技术存在上述问题,提出了一种用于预测乘客的疏散车门选择及运动过程,可为车厢内乘客的紧急快速疏散提供一定辅助决策支持的城市轨道交通地铁车厢内乘客的疏散预测方法。
本发明的目的可通过下列技术方案来实现:一种城市轨道交通地铁车厢内乘客的疏散预测方法,包括以下步骤:
S1)、基于模糊逻辑理论构建乘客疏散出地铁车厢时的目标车门选择模型,计算获得乘客选择每个车门的概率值;
S2)、基于元胞自动机模型,结合乘客自身心理行为特点实时计算乘客的移动概率值,建立乘客疏散出地铁车厢的移动模型;
S3)、采用所构建的乘客目标车门选择模型与移动模型进行仿真实验,模拟地铁车厢内乘客疏散状况,预测地铁车厢突发事故时事故点的位置、车厢车门有效利用宽度以及车厢内座椅排布方式对乘客疏散的影响。
在上述的城市轨道交通地铁车厢内乘客的疏散预测方法中,所述步骤S1)包括以下具体步骤:
其中,Sp、Mp、Lp分别表示选择某个车门的概率p为低、中、高,d1表示车门与乘客之间的距离,分别表示车门与乘客之间的距离为短、中、长;d2表示车门与事故点之间的距离,分别表示车门事故点客之间的距离为短、中、长,ρ表示车门周围乘客的密度,Sρ、Mρ、Lρ分别表示车门周围乘客的密度为小、中、大;
b)、分别设定模糊输入变量和模糊输出变量的隶属度函数:选取高斯型隶属度函数,影响乘客疏散时目标车门选择的三个模糊量以及乘客选择目标车门的模糊输出量的隶属度函数为:
其中d1、d2的取值范围是根据B型地铁列车的实际物理尺寸确定,ρ的取值范围根据日常实践的平均值确定;
c)、模糊推理:根据实践平均值设置乘客在疏散时目标车门选择的模糊规则,根据模糊规则推论出乘客的目标车门的选择概率;
d)、解模糊:将所述推论得到的乘客目标车门选择概率的模糊值转换为明确的输出值,转换方式采用质心去模糊化方法:
其中X是输出变量p的模糊集合,μ(x)为p的隶属度函数。
在上述的城市轨道交通地铁车厢内乘客的疏散预测方法中,所述步骤S2)包括以下具体步骤:
a)、将影响乘客移动时心理和行为的量引入元胞自动机模型,建立乘客下一步移动位置的静态场模型和动态场模型;
b)、乘客可移动位置的静态场模型为:
其中,(i,j)表示乘客可移动位置的每一个元胞坐标,(p,q)和(mk,nk)分别表示事故点的位置坐标和每一个地铁车厢车门的位置坐标,以B型地铁车辆为例搭建仿真环境展开模拟仿真试验,因此,k表示B型地铁列车车厢车门的数量,共有24个车门,k∈[1,24]。
乘客可移动位置的动态场模型为:
其中,M(i,j,n)表示乘客邻胞累计通过的乘客数量,n表示乘客下一步可以移动的元胞位置,通过摩尔型元胞自动机模型来模拟乘客的疏散,乘客下一步的可移动的元胞位置总共有8个,故n=8;
c)、基于建立乘客可移位置的静态场模型和动态场模型,计算乘客下一步的移动概率为:
Pij=Nexp(KSSij)exp(KDDij)(1-ηij)αij
N={Σexp(KsSij)exp(KDDij)(1-ηij)αij}-1
其中Sij和Dij分别表示每个元胞的静态场值和动态场值,Ks和Kd分别为静态场和动态场的比例系数,ηij表示元胞是否被障碍物占据,当元胞被障碍物占据时ηij=0,否则,ηij=1,αij表示元胞是否被乘客占据,当元胞被乘客占据时,αij=0,否则,αij=1;
d)、利用乘客的移动概率进行实时更新计算乘客每一步的移动位置。
在上述的城市轨道交通地铁车厢内乘客的疏散预测方法中,所述步骤S2)的步骤a)中,影响乘客移动时心理和行为的量包括乘客到事故点的距离、乘客到车门的距离。
在上述的城市轨道交通地铁车厢内乘客的疏散预测方法中,所述步骤S2)的步骤c)中,在模拟实验中所述障碍物主要指火源或座椅。
在上述的城市轨道交通地铁车厢内乘客的疏散预测方法中,所述步骤S3)具体包括:
将基于模糊逻辑理论建立的乘客疏散时目标车门的选择模型以及基于元胞自动机模型建立的乘客的疏散移动模型相结合,通过模拟仿真实验,进一步预测地铁车厢内发生突发事故时乘客的疏散情况。
与现有技术相比,本城市轨道交通地铁车厢内乘客的疏散预测方法具有以下有益效果:
本方案考虑到车门到乘客的距离、车门到事故点的距离、车门周围乘客的密度、乘客到事故点的距离,以及乘客的趋利避害和从众心理等因素,基于改进的元胞自动机模型和模糊逻辑理论,建立了一种城市轨道交通地铁车厢内乘客的疏散预测方法,充分结合了元胞自动机模型计算量小以及模糊逻辑理论不需要建立复杂数学模型的优势,可以预测地铁车厢内发生突发事故下,乘客的疏散车门选择及运动过程,有效地预测地铁车厢发生突发事故下乘客的疏散行为,并为车厢内乘客的紧急快速疏散提供一定的辅助决策支持,具有很强的创新性和实用性。
附图说明
图1示出本发明的流程图;
图2示出本发明的摩尔型元胞自动机模型的示意图;
图3示出本发明的地铁车厢内的仿真环境的示意图;
图4示出本发明的乘客疏散时间与事故点位置关系的示意图;
图5示出本发明的乘客疏散时间与地铁车厢车门有效利用宽度关系的示意图;
图6示出本发明的乘客疏散时间与地铁车厢内座椅排布方试关系的示意图。
具体实施方式
下面结合附图和具体实施例对本发明的具体实施方式做进一步说明:
如图1和图2所示,本城市轨道交通地铁车厢内乘客的疏散预测方法,包括以下步骤:
S1)、基于模糊逻辑理论构建乘客疏散出地铁车厢时的目标车门选择模型,计算获得乘客选择每个车门的概率值;
S2)、基于元胞自动机模型,结合乘客自身心理行为特点实时计算乘客的移动概率值,建立乘客疏散出地铁车厢的移动模型;
S3)、采用所构建的乘客目标车门选择模型与移动模型进行仿真实验,模拟地铁车厢内乘客疏散状况,预测地铁车厢突发事故时事故点的位置、车厢车门有效利用宽度以及车厢内座椅排布方式对乘客疏散的影响。
步骤S1)包括以下具体步骤:
a)、模糊化:将影响乘客疏散时目标车门选择的概率p进行模糊化,作为模糊逻辑的输入量,并建立模糊集{Sp,Mp,Lp},具体建立三个模糊集:{Sd1,Md1,Ld1}、{Sd2,Md2,Ld2}、{Sρ,Mρ,Lρ};
其中,Sp、Mp、Lp分别表示选择某个车门的概率p为低、中、高,d1表示车门与乘客之间的距离,Sd1、Md1、Ld1分别表示车门与乘客之间的距离为短、中、长;d2表示车门与事故点之间的距离,Sd2、Md2、Ld2分别表示车门事故点客之间的距离为短、中、长,ρ表示车门周围乘客的密度,Sρ、Mρ、Lρ分别表示车门周围乘客的密度为小、中、大;
b)、分别设定模糊输入变量和模糊输出变量的隶属度函数:选取高斯型隶属度函数,影响乘客疏散时目标车门选择的三个模糊量以及乘客选择目标车门的模糊输出量的隶属度函数为:
其中d1、d2的取值范围是根据B型地铁列车的实际物理尺寸确定,ρ的取值范围根据日常实践的平均值确定;
c)、模糊推理:根据实践平均值设置乘客在疏散时目标车门选择的模糊规则,根据模糊规则推论出乘客的目标车门的选择概率;
d)、解模糊:将推论得到的乘客目标车门选择概率的模糊值转换为明确的输出值,转换方式采用质心去模糊化方法:
其中X是输出变量p的模糊集合,μ(x)为p的隶属度函数。
步骤S2)包括以下具体步骤:
a)、将影响乘客移动时心理和行为的量引入元胞自动机模型,建立乘客下一步移动位置的静态场模型和动态场模型;
b)、乘客可移动位置的静态场模型为:
其中,(i,j)表示乘客可移动位置的每一个元胞坐标,(p,q)和(mk,nk)分别表示事故点的位置坐标和每一个地铁车厢车门的位置坐标,以B型地铁车辆为例搭建仿真环境展开模拟仿真试验,因此,k表示B型地铁列车车厢车门的数量,共有24个车门,k∈[1,24]。
乘客可移动位置的动态场模型为:
其中,M(i,j,n)表示乘客邻胞累计通过的乘客数量,n表示乘客下一步可以移动的元胞位置,通过摩尔型元胞自动机模型来模拟乘客的疏散,乘客下一步的可移动的元胞位置总共有8个,故n=8;
c)、基于建立乘客可移位置的静态场模型和动态场模型,计算乘客下一步的移动概率为:
Pij=Nexp(KSSij)exp(KDDij)(1-ηij)αij
N={Σexp(KsSij)exp(KDDij)(1-ηij)αij}-1
其中Sij和Dij分别表示每个元胞的静态场值和动态场值,Ks和Kd分别为静态场和动态场的比例系数,ηij表示元胞是否被障碍物占据,当元胞被障碍物占据时ηij=0,否则,ηij=1,αij表示元胞是否被乘客占据,当元胞被乘客占据时,αij=0,否则,αij=1;
d)、利用乘客的移动概率进行实时更新计算乘客每一步的移动位置。
步骤S2)的步骤a)中,影响乘客移动时心理和行为的量包括乘客到事故点的距离、乘客到车门的距离。
步骤S2)的步骤c)中,在模拟实验中障碍物主要指火源或座椅。
步骤S3)具体包括:
将基于模糊逻辑理论建立的乘客疏散时目标车门的选择模型以及基于元胞自动机模型建立的乘客的疏散移动模型相结合,通过模拟仿真实验,进一步预测地铁车厢内发生突发事故时乘客的疏散情况。
如图3所示,标识出了乘客从地铁车厢内疏散的仿真车厢示意图,本方案以三节B型地铁列车车厢的实际物理尺寸为依据,通过MATLAB软件搭建了相应的地铁车厢仿真环境图,通过仿真实验可实时获取当前乘客的疏散动态情况以及最终的疏散时间与影响因素包括事故点位置、车厢车门有效利用宽度和车厢内座椅排布方式对乘客疏散的影响,为了保证本发明的准确性,每一个影响因素都重复进行了20次的仿真实验。如图4至图6所示,得到乘客疏散时间与事故点位置、车厢车门有效利用宽度和车厢内座椅排布方式的关系示意图。
下面通过设置具体的仿真情景来对本发明作进一步的说明。针对地铁车厢内发生突发事故时的事故点位置、车厢车门的有效利用宽度以及车厢内座椅排布方式对于乘客疏散的影响进行仿真实验。本方案设置了以下几个仿真情景并得到了相应的仿真结果:
表1仿真情景与结果
其中,情景2与情景1、3相比,乘客的疏散效率明显提高;情景4与情景5相比,当车厢车门的有效利用宽度增加时更有利于乘客的疏散;情景6、7、8、9模拟了车厢内四种不同的座椅排布方式包括单排纵向、单排横向、单排纵向与双排横向相结合以及双排横向排布对乘客疏散时间的影响,四种情境下的座椅排布方式不仅坐席的数量不同,其疏散通道的有效利用面积也不同。根据本方案的仿真结果可以得到采用情景6即单排纵向的座椅排布方式更利于提高疏散效率。
综上所述,本发明公开的一种城市轨道交通地铁车厢内乘客的疏散预测方法以元胞自动机模型为基础,其创新性主要在于加入了模糊逻辑理论,在分考虑了乘客在突发事故下疏散时的趋利避害和从众心理等情况下,结合模糊逻辑理论建立了乘客的车门选择模型并改进乘客移动模型,得到乘客在城市轨道交通地铁车厢内的疏散模型,可用于地铁车厢预测突发事故下乘客的疏散车门选择及运动过程,进而指导乘客在紧急情况下的快速疏散。为车厢内引导乘客的紧急快速疏散、减少人员伤亡和在产损失提供一定的辅助决策支持。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (6)
1.一种城市轨道交通地铁车厢内乘客的疏散预测方法,其特征在于,包括以下步骤:
S1)、基于模糊逻辑理论构建乘客疏散出地铁车厢时的目标车门选择模型,计算获得乘客选择每个车门的概率值;
S2)、基于元胞自动机模型,结合乘客自身心理行为特点实时计算乘客的移动概率值,建立乘客疏散出地铁车厢的移动模型;
S3)、采用所构建的乘客目标车门选择模型与移动模型进行仿真实验,模拟地铁车厢内乘客疏散状况,预测地铁车厢突发事故时事故点的位置、车厢车门有效利用宽度以及车厢内座椅排布方式对乘客疏散的影响。
2.如权利要求1所述的城市轨道交通地铁车厢内乘客的疏散预测方法,其特征在于,所述步骤S1)包括以下具体步骤:
其中,Sp、Mp、Lp分别表示选择某个车门的概率p为低、中、高,d1表示车门与乘客之间的距离,分别表示车门与乘客之间的距离为短、中、长;d2表示车门与事故点之间的距离,分别表示车门事故点客之间的距离为短、中、长,ρ表示车门周围乘客的密度,Sρ、Mρ、Lρ分别表示车门周围乘客的密度为小、中、大;
b)、分别设定模糊输入变量和模糊输出变量的隶属度函数:选取高斯型隶属度函数,影响乘客疏散时目标车门选择的三个模糊量以及乘客选择目标车门的模糊输出量的隶属度函数为:
其中d1、d2的取值范围是根据B型地铁列车的实际物理尺寸确定,ρ的取值范围根据日常实践的平均值确定;
c)、模糊推理:根据实践平均值设置乘客在疏散时目标车门选择的模糊规则,根据模糊规则推论出乘客的目标车门的选择概率;
d)、解模糊:将所述推论得到的乘客目标车门选择概率的模糊值转换为明确的输出值,转换方式采用质心去模糊化方法:
其中X是输出变量p的模糊集合,μ(x)为p的隶属度函数。
3.如权利要求1所述的城市轨道交通地铁车厢内乘客的疏散预测方法,其特征在于,所述步骤S2)包括以下具体步骤:
a)、将影响乘客移动时心理和行为的量引入元胞自动机模型,建立乘客下一步移动位置的静态场模型和动态场模型;
b)、乘客可移动位置的静态场模型为:
其中,(i,j)表示乘客可移动位置的每一个元胞坐标,(p,q)和(mk,nk)分别表示事故点的位置坐标和每一个地铁车厢车门的位置坐标,以B型地铁车辆为例搭建仿真环境展开模拟仿真试验,因此,k表示B型地铁列车车厢车门的数量,共有24个车门,k∈[1,24]。
乘客可移动位置的动态场模型为:
其中,M(i,j,n)表示乘客邻胞累计通过的乘客数量,n表示乘客下一步可以移动的元胞位置,通过摩尔型元胞自动机模型来模拟乘客的疏散,乘客下一步的可移动的元胞位置总共有8个,故n=8;
c)、基于建立乘客可移位置的静态场模型和动态场模型,计算乘客下一步的移动概率为:
Pij=Nexp(KSSij)exp(KDDij)(1-ηij)αij
N={Σexp(KsSij)exp(KDDij)(1-ηij)αij}-1
其中Sij和Dij分别表示每个元胞的静态场值和动态场值,Ks和Kd分别为静态场和动态场的比例系数,ηij表示元胞是否被障碍物占据,当元胞被障碍物占据时ηij=0,否则,ηij=1,αij表示元胞是否被乘客占据,当元胞被乘客占据时,αij=0,否则,αij=1;
d)、利用乘客的移动概率进行实时更新计算乘客每一步的移动位置。
4.如权利要求3所述的城市轨道交通地铁车厢内乘客的疏散预测方法,其特征在于,所述步骤S2)的步骤a)中,影响乘客移动时心理和行为的量包括乘客到事故点的距离、乘客到车门的距离。
5.如权利要求3所述的城市轨道交通地铁车厢内乘客的疏散预测方法,其特征在于,所述步骤S2)的步骤c)中,在模拟实验中所述障碍物主要指火源或座椅。
6.如权利要求1所述的城市轨道交通地铁车厢内乘客的疏散预测方法,其特征在于,所述步骤S3)具体包括:
将基于模糊逻辑理论建立的乘客疏散时目标车门的选择模型以及基于元胞自动机模型建立的乘客的疏散移动模型相结合,通过模拟仿真实验,进一步预测地铁车厢内发生突发事故时乘客的疏散情况。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011594754.6A CN112668781B (zh) | 2020-12-29 | 2020-12-29 | 一种城市轨道交通地铁车厢内乘客的疏散预测方法 |
LU501032A LU501032B1 (en) | 2020-12-29 | 2021-12-16 | Method of prediction for passenger evacuation in subway carriage of urban rail transit |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011594754.6A CN112668781B (zh) | 2020-12-29 | 2020-12-29 | 一种城市轨道交通地铁车厢内乘客的疏散预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112668781A true CN112668781A (zh) | 2021-04-16 |
CN112668781B CN112668781B (zh) | 2022-08-02 |
Family
ID=75411988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011594754.6A Active CN112668781B (zh) | 2020-12-29 | 2020-12-29 | 一种城市轨道交通地铁车厢内乘客的疏散预测方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112668781B (zh) |
LU (1) | LU501032B1 (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113421424A (zh) * | 2021-06-23 | 2021-09-21 | 青岛科技大学 | 一种考虑公交车内不同占用率下的乘客分布模拟及上车时间预测方法 |
CN114580308A (zh) * | 2022-05-07 | 2022-06-03 | 西南交通大学 | 一种人员疏散时间预测方法、装置、存储介质及终端设备 |
CN117455073A (zh) * | 2023-11-22 | 2024-01-26 | 青岛理工大学 | 一种水灾场景下车厢式交通工具内乘客疏散效率预测方法 |
CN117575109A (zh) * | 2024-01-16 | 2024-02-20 | 青岛理工大学 | 水灾场景下地下车站人容量的预测方法和装置 |
CN117455073B (zh) * | 2023-11-22 | 2024-05-10 | 青岛理工大学 | 一种水灾场景下车厢式交通工具内乘客疏散效率预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909190A (zh) * | 2017-10-27 | 2018-04-13 | 天津理工大学 | 一种毒气泄漏事故下人群疏散行为动态预测模拟装置及其工作方法 |
CN111159854A (zh) * | 2019-12-11 | 2020-05-15 | 华侨大学 | 一种养老院火灾疏散仿真模型构建方法和装置 |
CN112149305A (zh) * | 2020-09-25 | 2020-12-29 | 中车长春轨道客车股份有限公司 | 轨道车辆火灾人员疏散仿真方法及系统 |
-
2020
- 2020-12-29 CN CN202011594754.6A patent/CN112668781B/zh active Active
-
2021
- 2021-12-16 LU LU501032A patent/LU501032B1/en active IP Right Grant
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107909190A (zh) * | 2017-10-27 | 2018-04-13 | 天津理工大学 | 一种毒气泄漏事故下人群疏散行为动态预测模拟装置及其工作方法 |
CN111159854A (zh) * | 2019-12-11 | 2020-05-15 | 华侨大学 | 一种养老院火灾疏散仿真模型构建方法和装置 |
CN112149305A (zh) * | 2020-09-25 | 2020-12-29 | 中车长春轨道客车股份有限公司 | 轨道车辆火灾人员疏散仿真方法及系统 |
Non-Patent Citations (6)
Title |
---|
LIU SHAOBO等: ""Evacuation from a classroom considering the occupant density around exits"", 《PHYSICA A:STATISTICAL MECHANICS AND ITS APPLICAIONS》 * |
XIAOXIA YANG等: ""A Fuzzy-Theory-Based Social Force Model for Studying the Impact of Alighting Area Width on Alighting and Boarding Behaviors"", 《IEEE ACCESS》 * |
XIAOXIA YANG等: ""Pedestrian evacuation under guides in a multiple-exit room via the fuzzy logic method"", 《COMMUNICATIONS IN NONLINEAR SCIENCE AND NUMERICAL SIMULATION》 * |
刘天宇 等: ""基于高斯混合模型的受引导人群疏散研究"", 《复杂系统与复杂性科学》 * |
姚加林 等: ""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》 * |
田鑫 等: ""地铁车站火灾疏散仿真分析"", 《科学技术与工程》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113421424A (zh) * | 2021-06-23 | 2021-09-21 | 青岛科技大学 | 一种考虑公交车内不同占用率下的乘客分布模拟及上车时间预测方法 |
CN114580308A (zh) * | 2022-05-07 | 2022-06-03 | 西南交通大学 | 一种人员疏散时间预测方法、装置、存储介质及终端设备 |
CN117455073A (zh) * | 2023-11-22 | 2024-01-26 | 青岛理工大学 | 一种水灾场景下车厢式交通工具内乘客疏散效率预测方法 |
CN117455073B (zh) * | 2023-11-22 | 2024-05-10 | 青岛理工大学 | 一种水灾场景下车厢式交通工具内乘客疏散效率预测方法 |
CN117575109A (zh) * | 2024-01-16 | 2024-02-20 | 青岛理工大学 | 水灾场景下地下车站人容量的预测方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
LU501032B1 (en) | 2022-06-16 |
CN112668781B (zh) | 2022-08-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112668781B (zh) | 一种城市轨道交通地铁车厢内乘客的疏散预测方法 | |
Khondaker et al. | Variable speed limit: A microscopic analysis in a connected vehicle environment | |
Yang et al. | Eco-driving system for connected automated vehicles: Multi-objective trajectory optimization | |
He et al. | Incident duration prediction with hybrid tree-based quantile regression | |
Jia et al. | Long short‐term memory and convolutional neural network for abnormal driving behaviour recognition | |
CN105741551A (zh) | 一种无信号交叉口交通安全评价方法 | |
CN103544850A (zh) | 车联网中基于车间距离概率分布的碰撞预测方法 | |
CN113326974B (zh) | 一种基于多任务超图卷积网络的多源交通流预测方法 | |
CN108986461B (zh) | 一种基于时间的交叉路口车辆碰撞概率分析方法 | |
Xie et al. | A hybrid method combining Markov prediction and fuzzy classification for driving condition recognition | |
Zhang et al. | MaaS in bike-sharing: smart phone GPS data based layout optimization and emission reduction potential analysis | |
CN112330135A (zh) | 基于改进元胞自动机模型的城市交通拥堵空间演化方法 | |
Ran et al. | Energy‐efficient approach combining train speed profile and timetable optimisations for metro operations | |
Wu et al. | Research on joint control of on-ramp metering and mainline speed guidance in the urban expressway based on MPC and connected vehicles | |
Mou et al. | Reliability optimization model of stop-skipping bus operation with capacity constraints | |
Sun et al. | Demand prediction of railway emergency resources based on case-based reasoning | |
CN105632174B (zh) | 一种基于语义技术的交通事件检测系统及其方法 | |
Dai et al. | Short-term traffic flow prediction: An ensemble machine learning approach | |
Jin et al. | Energy-optimal speed control for connected electric buses considering passenger load | |
Liao et al. | A real-world data-driven approach for estimating environmental impacts of traffic accidents | |
CN112862196A (zh) | 一种基于模糊逻辑理论的地铁站台乘客分布预测系统 | |
Li et al. | Electric vehicle charging station deployment for minimizing construction cost | |
Xie et al. | A hybrid temporal-spatio forecasting approach for passenger flow status in chinese high-speed railway transport hub | |
CN115565365A (zh) | 一种高速公路数据处理方法、装置、设备及计算机程序产品 | |
Argenzio et al. | The use of automatic vehicle location (AVL) data for improving public transport service regularity |
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 |