CN113988408B - 基于多目标规划的地铁站内客流疏散人工诱导方法 - Google Patents
基于多目标规划的地铁站内客流疏散人工诱导方法 Download PDFInfo
- Publication number
- CN113988408B CN113988408B CN202111252196.XA CN202111252196A CN113988408B CN 113988408 B CN113988408 B CN 113988408B CN 202111252196 A CN202111252196 A CN 202111252196A CN 113988408 B CN113988408 B CN 113988408B
- Authority
- CN
- China
- Prior art keywords
- evacuation
- guide
- pedestrian
- path
- pedestrians
- 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
- 238000000034 method Methods 0.000 title claims description 25
- 230000006698 induction Effects 0.000 title claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000009826 distribution Methods 0.000 claims abstract description 11
- 239000000203 mixture Substances 0.000 claims abstract description 5
- 230000006855 networking Effects 0.000 claims abstract description 4
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 230000001939 inductive effect Effects 0.000 claims 2
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000011160 research Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 206010027940 Mood altered Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 240000004282 Grewia occidentalis Species 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000009828 non-uniform distribution Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Classifications
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman problem
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Evolutionary Biology (AREA)
- General Business, Economics & Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Remote Sensing (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Alarm Systems (AREA)
Abstract
本发明公开了一种基于多目标规划的地铁站内客流疏散人工诱导方法,在进行地铁站内空间网络化并确定初始行人位置后,首先建立了一个考虑被引导群体数量、引导员人力成本、被引导行人迷茫指数等因素的引导员成本函数,指挥台用户通过微信小程序设置成本函数系数后,将引导员成本函数与高斯混合模型结合,根据初始行人分布确定引导员分配方案;接着基于确定的引导员分配方案建立了一种以疏散时间最短和拥挤成本最小的多目标引导员疏散路线规划模型;最后用改进的NSGA‑II算法对模型进行求解后得到最优引导员疏散路线并通过微信小程序显示于引导员用户界面。本发明的有益效果是,为提高紧急情况下行人疏散效率,确保群众安全有着重大意义。
Description
技术领域
本发明涉及城市轨道交通安全技术领域,尤其涉及一种基于多目标规划的地铁站内客流疏散人工诱导方法。
背景技术
地铁以节省路面土地、无交通干扰和节能环保等特点获得了大多数人民的认可,极大地方便了人民的生活,是城市轨道交通的主体。但与大多数交通方式不同,地铁建在封闭的地下,行人与站内设备集中。随着乘坐地铁行人数量的增加,地铁交通安全问题突出。一旦出现紧急事故,如若没有合理有效的行人疏散策略,行人很难迅速从地铁站内疏散出去。对地铁站内行人运动及疏散问题的研究最早可以追溯到20世纪50年代,至今已有将近70年的历史。在此期间,有学者表明,在地铁站内发生紧急事故时,提前规划客流疏散路径与动态引导对提高站内行人的疏散效率具有显著作用。因此,地铁站内疏散策略的研究具有重要的研究价值与现实意义。
人类的行为是极其复杂的,地铁站内行人的疏散过程更是复杂多变的。行人在疏散过程中会产生一些自组织现象,这些现象会影响地铁站内的通行率,容易造成某一路段的拥堵。路段的拥堵会影响行人的路径选择,行人的个体行为与地铁站内的通行率是相互影响的。尤其是发生一些紧急情况的时候,行人通常会产生焦虑不安、紧张,甚至恐惧等不良情绪,这些不良情绪很容易造成客流混乱,极易产生踩踏事故等二次伤害。一般来说,常用的疏散引导方式可分为物体引导与人的引导两种。物体引导是通过一些固定的指示标识引导行人疏散,人的引导是通过设置地铁站内引导员对行人疏散方向进行指引或者带领行人疏散。与物体引导相比,人的引导更加灵活,并可以在一定程度上给行人更高的安全感。众多实验表明,在地铁站内设置引导员能有效提高疏散效率。如今,越来越多的学者关注地铁站内引导员引导行人疏散的问题。对于引导员的研究,以微观引导下行人行为、宏观引导员分配方案以及引导员路径规划为主。
引导员的研究需要基于行人运动的微观模型,常见的用于研究有引导员下行人变化的模型有社会力模型和基于Agent的模型等。研究结果表明,引导员向行人传播每条疏散路径信息时,行人有接受、认知和反映信息的过程。行人的疏散效率与引导员自身情况有着密不可分的关系,比如有过专门训练的引导员的引导能力强于没有受过训练的引导员。与此同时,行人的视野范围对疏散效率也有很大的影响。引导员通常有两种引导方式,即吸附式引导与方向式引导。在不同行人群体分类和不同的引导属性下,引导员对行人疏散过程的影响也有着较大的差别。基于社会力模型行人在引导下的行人动力学修正方法和追踪行人跟随运动改进方法的提出极大地促进了引导下人群疏散的研究。但并不是在所有疏散情况下引入引导员都是最好的,在行人密度适中的情况下,有引导员的疏散效率才更高。
引导员的分配方案主要体现在确定引导员数量与位置。对于有引导疏散策略,确定引导员的数量与位置对疏散效率有着至关重要的影响。联邦准则认为当引导员与疏散行人比例达到1:20时的疏散效果最优。Pelechano等人认为引导员与疏散行人的最佳比例为1:9。Hou等人认为在引导员数量等于出口数量时的引导效果最优。现有研究并没有统一确定引导员的数量,只有所需引导员的一个下界。对于引导员的分布,均匀分布引导员时的疏散效率高于非均匀分布。但这些研究并没有得出的固定最佳比例并没有明确考虑在不同疏散人数与要求下的情况。
对于引导员路线的规划,现有研究较少。随机效用理论和博弈论等方法常用于在复杂情况下引导员对出口的选择问题上,但用这些方法规划出引导员的疏散路径是固定的,无法应对疏散过程中的突发情况。使用联合仿真启发式方法以确定每个引导员的疏散路线的方法取得了不错的成绩,但相关研究太少。综上所述,对于引导员路线规划的研究还需完善。
发明内容
为解决现有技术中缺乏完整的引导疏散策略的技术问题,本发明公开了一种基于多目标规划的地铁站内客流疏散人工诱导方法,首先确定引导员的数量与位置,然后利用多目标规划引导员疏散路线,对引导员后期的疏散路线进行规划。
为实现上述目的,本发明采用下述技术方案:
一种基于多目标规划的地铁站内客流疏散人工诱导方法,具体包括以下步骤:具体包括以下步骤:
S1:将地铁站内空间网络化,并确定初始行人位置;
S2:指挥台用户界面输入引导员成本函数系数,系统构建引导员成本函数,并结合高斯混合模型确定引导员的分配方案;
S3:构建以疏散时间最短和拥挤成本最小的多目标引导员疏散路线规划模型;
S4:用改进的NSGA-II算法对以疏散时间最短和拥挤成本最小的多目标引导员疏散路线规划模型进行求解,确定引导员疏散路线并显示于引导员用户界面。
进一步地,步骤S1,确定初始行人位置包括建立初始地铁站内网络空间,将网络空间环境抽象成有向图G,表示为:G=(N,E);
N为疏散节点集合,即N=(O,D,W);其中,O为初始节点集合;D为终止节点,即地铁站内各个安全出口的集合;W为中间节点,即在地铁站内设置的避障节点与不同设施连接处的点的集合;
E={emn}为各个节点之间的连线,即可行疏散路径,其中m、n属于节点集合N;将节点N设置为表示位置坐标的、尽可能小的点;将可行疏散路径E设置为无重叠部分的、面积总和为行人可行区域的、具有一定行人容量的路径。利用监控设备,对行人位置进行提取,把行人位置对应在网络化后的地铁站内。
进一步地,步骤S2中,具体包括:
S2.1,指挥台用户界面输入引导员成本函数系数,系统构建引导员成本函数考虑因素包括:被引导行人迷茫因素、不被引导行人因素、引导员人力成本因素、各引导员带领行人数的均衡因素与各引导员带领行人数量限制因素;
S2.2,Y1为行人迷茫系数,表示处于两个及以上引导员的引导范围内的被引导行人数量;
Y1=qgy*(1-cl)
其中,qgy是站厅层被引导行人的总量,是站厅层第i个引导员带领的行人数量,/>cl为轮廓系数,/>其中/>在/>中,ai表示聚类后得到的第i类中每个行人与本类中其他行人的平均距离,bi表示聚类后得到的第i类中每个行人与本类距离最近的类中行人的平均距离;
S2.3,Y2是不被引导行人系数,表示不在引导员影响范围内的行人数量;
Y2=Qg-qgy
S2.4,Y3是引导员人力成本系数;
Y3=ac*Kg
其中,ac表示人力成本投入与不同安全需求的调节系数,本发明中取ac为10;
S2.5,Y4是各引导员带领行人数的均衡系数,用来评价每个引导员带领行人数差异的大小,期望每个引导员带领行人数量均等;
S2.6,Y5是各引导员带领行人数量限制系数,期望每个引导员带领行人数量不要超过20人,因引导员所带人数过多会造成事故;bc为每个引导员带领行人超限成本系数;
S2.7,综上所述,引导员成本函数Y如下所示:
Y=p1Y1-rβ2Y2+β3Y3+β4Y4+β5Y5
其中,β1、β2、β3、β4和β5为加权系数,且β1+β2+β3+β4+β5=1;
S2.8,根据不同疏散需求确定引导员成本函数中各因素的加权系数;
S2.9,输入行人位置参数作为样本数据,令站厅层引导员个数Kg=1;
S2.10,随机确定各高斯分布函数的参数均值μw、方差σw和概率εw;
S2.11,进入EM算法;
每个样本数据xb(1≤b≤Qg)属于每个高斯成分的概率为z(b);
z(b)符合多项分布,如下:
故p(x(b)|z(b))服从第w个高斯分布,表示为:x(b)|z(b)=w~N(μw,σw);
则所有样本数据的似然函数的表达式如式:
E-step:计算z(b)的后验概率:即
M-step:更新参数:
S2.12,通过重复步骤S2.5进行迭代,直至模型参数变化小于阈值δ;
S2.13,计算Kg值下的引导员成本函数值Y;
S2.14,令Kg=Kg+1,重复步骤S2.10~S2.13,直到引导员成本函数值Y大于阈值τ;
S2.15,取引导员成本函数值Y的最小值作为最优聚类结果,得到引导员个数Kg与各引导员位置。
进一步地,步骤S3中,多目标引导员疏散路线规划模型以引导员带领被引导人员疏散时间最小和每条路径的拥挤成本最小作为目标函数,目标函数如下式:
其中,
j=1,2,...,Ka+Kg,表示第j个引导员所选择的可行疏散路径集合,即Ei中各个节点的连线,Ei是从引导员位置到任一安全出口的一条完整疏散路径;f1表示各引导员带领被引导行人到达安全出口的疏散时间最大值,即在此时间,所有被引导行人均被成功疏散;在f1中,Vj(t)表示第j个引导员经过疏散路径时的速度集合,Vj(t)中每一个取值与/>中的每一段疏散路径一一对应,此值与引导员到达路径的时间有关;f2表示各引导员所选路径的拥挤度成本之和;θj表示第j个引导员在走每段所选路径时,每段路径的拥挤度成本之和;
路径emn的拥挤度成本θmn,表达式如下:
其中,表示疏散路径emn的路径长度;/>表示在t时刻下疏散路径emn上的行人行走速度;/>表示在t时刻下疏散路径emn上的行人密度,表示式为;
其中,是t时刻下疏散路径emn上的行人数量;/>是疏散路径emn的容量, 分别为疏散路径emn的长和宽,r为行人半径;
问题的约束如下:
Ej∈[1,nj]
其中,Ej是整数,nj是可选择的完整的疏散路径Ej的条数,Ej是的集合。
进一步地,步骤S4,具体包括:
S4.1,设定多目标函数以及约束条件,设置疏散场景,输入每个引导员与带领行人位置数据;
S4.2,确定多目标规划问题的约束类型,然后根据约束类型对多目标规划问题进行求解;先产生初始种群作为父种群,在此之后会得到各目标的值,判断是否可以退出算法,若退出,则得到Pareto最优解,若不退出,则进行下一代种群的进化;
S4.3,下一代种群进化步骤为:对父种群进行选择、交叉和变异后产生子种群,若此时子种群与父种群不同,则进行步骤S4.4;若子种群与父种群相同,则进行编码操作,即重新把每个引导群分配到每个节点,计算每个引导群的适应度值与两个目标函数的适应度值,然后进行选择、分割交叉操作与分割变异操作,再进行非支配排序,基于适应值对种群进行分层产生新的父种群,继而重复步骤S4.3;
S4.4,父、子种群合并,计算序值与拥挤距离后,进行非支配排序后分别使用排序函数sort按升序排序时间目标与拥挤成本目标,在此之后,修建种群得到新一代子种群;
S4.5,判断函数是否达到终止条件,若达到,则退出程序得到Pareto最优解,若不退出,则重复步骤S4.3。
S4.6,将程序得到的Pareto最优解对应的疏散路线显示于引导员用户界面。
本发明的有益效果是,本发明提出了一种基于多目标规划的地铁站内客流疏散人工诱导方法,科学确定引导员的分配方案与疏散路径,在缓解紧急事故下行人心理压力的同时,提高疏散效率,提升紧急事故下地铁站内服务水平。
附图说明
图1为本发明流程示意图;
图2为本发明指挥台用户设置引导员成本函数系数的微信小程序页面截图;
图3为本发明利用仿真软件MassMotion搭建某地铁站后站厅层引导员分配方案图;
图4为本发明引导员用户微信小程序页面截图;
图5为本发明指挥台用户“疏散”功能界面微信小程序截图;
图6为本发明利用仿真软件MassMotion搭建某地铁站后加入引导员和未加引导员时累计人数疏散时间的对比图;
图7为本发明利用仿真软件MassMotion搭建某地铁站的系统展示图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明公开了一种基于多目标规划的地铁站内客流疏散人工诱导方法,如图1所示。
具体方法包括以下步骤:
S1:将地铁站内空间网络化,并确定初始行人位置,初始行人指疏散开始时的行人位置。
建立初始地铁站内网络空间,将网络空间环境抽象成有向图G,G=(N,E),在有向图G中,N为疏散节点集合,即N=(O,D,W)。
其中,O为初始节点集合;D为终止节点,即地铁站内各个安全出口的集合;W为中间节点,即在地铁站内设置的避障节点与不同设施连接处的点的集合。
E={emn}为各个节点之间的连线,即可行疏散路径,其中m、n属于节点集合N。本发明将节点N设置为表示位置坐标的、尽可能小的点。
本发明将可行疏散路径E设置为无重叠部分的、面积总和为行人可行区域的、具有一定行人容量的路径。利用监控设备,对行人位置进行提取,把行人位置对应在网络化后的地铁站内。
S2:指挥台用户界面输入引导员成本函数系数,系统构建引导员成本函数,并结合高斯混合模型确定引导员的分配方案。
在引导员成本函数的建立时,本发明考虑了被引导行人迷茫因素、不被引导行人因素、引导员人力成本因素、各引导员带领行人数的均衡因素与各引导员带领行人数量限制因素。指挥台用户界面通过微信小程序确定引导员成本函数系数,指挥台用户设置引导员成本函数系数界面如图2所示。
其中,Y1为行人迷茫系数,表示处于两个及以上引导员的引导范围内的被引导行人数量。
Y1=qgy*(1-ct) (1)
在式(1)中,qgy是站厅层被引导行人的总量,是站厅层第i个引导员带领的行人数量,/>cl为轮廓系数,/>其中/>在/>中,ai表示聚类后得到的第i类中每个行人与本类中其他行人的平均距离,bi表示聚类后得到的第i类中每个行人与本类距离最近的类中行人的平均距离。
Y2是不被引导行人系数,表示不在引导员影响范围内的行人数量。
Y2=Qg-qgy (2)
Y3是引导员人力成本系数。
Y3=ac*Kg (3)
其中,ac表示人力成本投入与不同安全需求的调节系数。本发明中取ac为10。
Y4是各引导员带领行人数的均衡系数,用来评价每个引导员带领行人数差异的大小,期望每个引导员带领行人数量均等。
Y5是各引导员带领行人数量限制系数,期望每个引导员带领行人数量不要超过20人,因引导员所带人数过多会造成事故。bc为每个引导员带领行人超限成本系数。
综上所述,引导员成本函数Y如式(7)所示。
Y=β1Y1+β2Y2+β3Y3+β4Y4+β5Y5 (7)
其中,β1、β2、β3、β4和β5为加权系数,且β1+β2+β3+β4+β5=1。
高斯混合模型简称为GMM,GMM由Kg个高斯分布的线性组合而成,均值μw和方差σw决定每个高斯分布函数Hw(1≤w≤Kg),每个高斯分布函数的权重由概率εw决定。
S2.1,指挥台用户界面输入引导员成本函数系数,系统构建引导员成本函数考虑因素包括:被引导行人迷茫因素、不被引导行人因素、引导员人力成本因素、各引导员带领行人数的均衡因素与各引导员带领行人数量限制因素;
S2.2,根据不同疏散需求确定引导员成本函数中各因素的重要系数;
S2.3,输入行人位置参数作为样本数据,令站厅层引导员个数Kg=1;这意味着聚类个数为1;
S2.4,随机确定各高斯分布函数的参数均值μw、方差σw和概率εw;
S2.5,进入EM算法;
每个样本数据xb(1≤b≤Qg)属于每个高斯成分的概率为z(b);
z(b)符合多项分布,如下:
故p(x(b)|z(b))服从第w个高斯分布,表示为:x(b)|z(b)=w~N(μw,σw);
则所有样本数据的似然函数的表达式如式:
E-step:计算z(b)的后验概率:即,
该步骤的目的是为了计算每个样本数据属于每个聚类的概率;
M-step:更新参数:
S2.6,通过重复步骤S2.5进行迭代,直至模型参数变化小于阈值δ;
S2.7,计算Kg值下的引导员成本函数值Y;
S2.8,令Kg=Kg+1,重复步骤S2.4~S2.7,直到引导员成本函数值Y大于阈值τ;
S2.9,取引导员成本函数值Y的最小值作为最优聚类结果,得到引导员个数Kg与各引导员位置。
本发明利用仿真软件MassMotion搭建某地铁站为例进行结果展示,站厅层引导员分配方案如图3所示。
S3:构建以疏散时间最短和拥挤成本最小的多目标引导员疏散路线规划模型。
本发明将引导员带领被引导人员疏散时间最小和每条路径的拥挤度成本最小作为目标函数,创建了一个多目标规划模型。其目标函数如式(13)所示。
其中,j=1,2,…,Ka+Kg;/>表示第j个引导员所选择的可行疏散路径集合,即Ei中各个节点的连线,Ei是从引导员位置到任一安全出口的一条完整疏散路径;f1表示各引导员带领被引导行人到达安全出口的疏散时间最大值,即在此时间,所有被引导行人均被成功疏散;在f1中,Vj(t)表示第j个引导员经过疏散路径时的速度集合,Vj(t)中每一个取值与/>中的每一段疏散路径一一对应,此值与引导员到达路径的时间有关。f2表示各引导员所选路径的拥挤度成本之和;θj表示第j个引导员在走每段所选路径时,每段路径的拥挤度成本之和。
路径emn的拥挤度成本emn的表达式如下式(14)所示。需要注意的是,由于对行人拥挤度成本研究较少,此处用道路交通拥挤度成本的计算方式计算行人拥挤度成本。
其中,表示疏散路径emn的路径长度;/>表示在t时刻下疏散路径emn上的行人行走速度;/>表示在t时刻下疏散路径emn上的行人密度。
的由来如下式(15)所示。
其中,是t时刻下疏散路径emn上的行人数量。/>是疏散路径emn的容量, 分别为疏散路径emn的长和宽,r为行人半径。
问题的约束如下:
Ej∈[1,nj] (17)
其中,Ej是整数,式(16)是为了约束每条路径上的行人密度为非负值;式(17)是为了约束变量的取值,nj是可选择的完整的疏散路径Ej的条数,Ej是/>的集合。
S4:用改进的NSGA-II算法对以疏散时间最短和拥挤成本最小的多目标引导员疏散路线规划模型进行求解确定引导员疏散路线,并利用微信小程序展示于引导员用户界面,如图4所示。
S41:设定多目标函数以及约束条件,设置疏散场景,输入每个引导员与带领行人位置数据。
S42:确定多目标规划问题的约束类型,然后根据约束类型对多目标规划问题进行求解。先产生初始种群作为父种群,在此之后会得到各目标的值,判断是否可以退出算法,若退出,则得到Pareto最优解,若不退出,则进行下一代种群的进化。
S43:下一代种群进化步骤为:对父种群进行选择、交叉和变异后产生子种群,若此时子种群与父种群不同,则进行步骤S44;若子种群与父种群相同,则进行编码操作,即重新把每个引导群分配到每个节点,计算每个引导群的适应度值与两个目标函数的适应度值,然后进行选择、分割交叉操作与分割变异操作,再进行非支配排序,基于适应值对种群进行分层产生新的父种群,继而重复步骤S43。
S44:父、子种群合并,计算序值与拥挤距离后,进行非支配排序后分别使用排序函数sort按升序排序时间目标与拥挤成本目标。在此之后,修建种群得到新一代子种群。
S45:判断函数是否达到终止条件,若达到,则退出程序得到Pareto最优解,若不退出,则重复步骤S43。
S46:将程序得到的Pareto最优解对应的疏散路线显示于引导员用户界面。
利用仿真软件MassMotion搭建某地铁站为例,对疏散结果进行展示。在疏散开始时,指挥台通过“疏散”功能界面点击“疏散开始?”按钮(如图5所示)后,每位引导员用户界面都会出现一条引导路径(如图4所示);引导员到达疏散路径起点(图4中四角星位置)时按下“我已到达疏散起点”按钮(如图4所示),系统将告知指挥台某引导员已到达疏散起点;引导员引导人群按照疏散路线到达疏散终点时按下“我已到达疏散终点”按钮(如图4所示),系统将告知指挥台某引导员已到达疏散终点;若系统出现错误,引导员用户界面未出现疏散路线,引导员按下“请求重新分配路线”按钮(如图4所示),系统将重新规划引导员路线并告知指挥台。图6为是否设置引导员时一定疏散时间下的累计人数对比图。站内初始行人数为594人。由图6可知,在疏散开始的时候,两种案例疏散效果类似;在疏散中前期,没有设置引导员的疏散结果优于设置引导员的疏散结果,这是因为在没有设置引导员的情况下多数站厅层行人都选择了最近的同一出口,在有引导员的情况下,为避免加重最近出口处的拥挤,有部分引导员会绕路选择较远出口;在疏散中前期以后,可以明显看出在相同的时间下,设置引导员疏散的人数比没有设置引导员疏散的人数多,设置引导员的整体疏散效率比未设置引导员的整体疏散效率提高了13%。
本发明采用的确定引导员数量方法充分结合实际情况,对于引导员疏散路线规划采用多目标优化方法,信息传递采用微信小程序进行,这是之前发明没有涉及到的。
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 (3)
1.一种基于多目标规划的地铁站内客流疏散人工诱导方法,其特征在于,具体包括以下步骤:
S1:将地铁站内空间网络化,并确定初始行人位置;
S2:指挥台用户界面输入引导员成本函数系数,系统构建引导员成本函数,并结合高斯混合模型确定引导员的分配方案;
S3:构建以疏散时间最短和拥挤成本最小的多目标引导员疏散路线规划模型;
S4:用改进的NSGA-II算法对以疏散时间最短和拥挤成本最小的多目标引导员疏散路线规划模型进行求解,确定引导员疏散路线并显示于引导员用户界面;
步骤S2中,具体包括:
S2.1,指挥台用户界面输入引导员成本函数系数,系统构建引导员成本函数考虑因素包括:被引导行人迷茫因素、不被引导行人因素、引导员人力成本因素、各引导员带领行人数的均衡因素与各引导员带领行人数量限制因素;
S2.2,Y1为行人迷茫系数,表示处于两个及以上引导员的引导范围内的被引导行人数量;
Y1=qgy*(1-cl)
其中,qgy是站厅层被引导行人的总量,是站厅层第i个引导员带领的行人数量,cl为轮廓系数,/>Kg表示引导员个数,其中在/>中,ai表示聚类后得到的第i类中每个行人与本类中其他行人的平均距离,bi表示聚类后得到的第i类中每个行人与本类距离最近的类中行人的平均距离;
S2.3,Y2是不被引导行人系数,表示不在引导员影响范围内的行人数量;
Y2=Qg-qgy
S2.4,Y3是引导员人力成本系数;
Y3=ac*Kg
其中,ac表示人力成本投入与不同安全需求的调节系数,本发明中取ac为10;
S2.5,Y4是各引导员带领行人数的均衡系数,用来评价每个引导员带领行人数差异的大小,期望每个引导员带领行人数量均等;
S2.6,Y5是各引导员带领行人数量限制系数,期望每个引导员带领行人数量不要超过20人,因引导员所带人数过多会造成事故;bc为每个引导员带领行人超限成本系数;
S2.7,综上所述,引导员成本函数Y如下所示:
Y=β1Y1+β2Y2+β3Y3+β4Y4+β5Y5
其中,β1、β2、β3、β4和β5为加权系数,且β1+β2+β3+β4+β5=1;
S2.8,根据不同疏散需求确定引导员成本函数中各因素的加权系数;
S2.9,输入行人位置参数作为样本数据,令站厅层引导员个数Kg=1;
S2.10,随机确定各高斯分布函数的参数均值μw、方差σw和概率εw;
S2.11,进入EM算法;
每个样本数据xb(1≤b≤Qg)属于每个高斯成分的概率为z(b);
z(b)符合多项分布,如下:
故p(x(b)|z(b))服从第w个高斯分布,表示为:
x(b)|z(b)=w~N(μw,σw);
则所有样本数据的似然函数的表达式如式:
E-step:计算z(b)的后验概率:
即,
M-step:更新参数:
S2.12,通过重复步骤S2.5进行迭代,直至模型参数变化小于阈值δ;
S2.13,计算Kg值下的引导员成本函数值Y;
S2.14,令Kg=Kg+1,重复步骤S2.10~S2.13,直到引导员成本函数值Y大于阈值τ;
S2.15,取引导员成本函数值Y的最小值作为最优聚类结果,得到引导员个数Kg与各引导员位置;
步骤S4,具体包括:
S4.1,设定多目标函数以及约束条件,设置疏散场景,输入每个引导员与带领行人位置数据;
S4.2,确定多目标规划问题的约束类型,然后根据约束类型对多目标规划问题进行求解;
先产生初始种群作为父种群,在此之后会得到各目标的值,判断是否可以退出算法,若退出,则得到Pareto最优解,若不退出,则进行下一代种群的进化;
S4.3,下一代种群进化步骤为:对父种群进行选择、交叉和变异后产生子种群,若此时子种群与父种群不同,则进行步骤S4.4;若子种群与父种群相同,则进行编码操作,即重新把每个引导群分配到每个节点,计算每个引导群的适应度值与两个目标函数的适应度值,然后进行选择、分割交叉操作与分割变异操作,再进行非支配排序,基于适应值对种群进行分层产生新的父种群,继而重复步骤S4.3;
S4.4,父、子种群合并,计算序值与拥挤距离后,进行非支配排序后分别使用排序函数sort按升序排序时间目标与拥挤成本目标,在此之后,修建种群得到新一代子种群;
S4.5,判断函数是否达到终止条件,若达到,则退出程序得到Pareto最优解,若不退出,则重复步骤S4.3;
S4.6,将程序得到的Pareto最优解对应的疏散路线显示于引导员用户界面。
2.如权利要求1所述的基于多目标规划的地铁站内客流疏散人工诱导方法,其特征在于,步骤S1,确定初始行人位置包括建立初始地铁站内网络空间,将网络空间环境抽象成有向图G,表示为:G=(N,E);
N为疏散节点集合,即N=(O,D,W);其中,O为初始节点集合;D为终止节点,即地铁站内各个安全出口的集合;W为中间节点,即在地铁站内设置的避障节点与不同设施连接处的点的集合;
E={emn}为各个节点之间的连线,即可行疏散路径,其中m、n属于节点集合N;将可行疏散路径E设置为无重叠部分的、面积总和为行人可行区域的、具有一定行人容量的路径。
3.如权利要求1所述的基于多目标规划的地铁站内客流疏散人工诱导方法,其特征在于,步骤S3中,多目标引导员疏散路线规划模型以引导员带领被引导人员疏散时间最小和每条路径的拥挤成本最小作为目标函数,目标函数如下式:
其中,
j=1,2,...,Ka+Kg,表示第j个引导员所选择的可行疏散路径集合,即Ei中各个节点的连线,Ei是从引导员位置到任一安全出口的一条完整疏散路径;f1表示各引导员带领被引导行人到达安全出口的疏散时间最大值,即在此时间,所有被引导行人均被成功疏散;在f1中,Vj(t)表示第j个引导员经过疏散路径时的速度集合,Vj(t)中每一个取值与/>中的每一段疏散路径一一对应,此值与引导员到达路径的时间有关;f2表示各引导员所选路径的拥挤度成本之和;θj表示第j个引导员在走每段所选路径时,每段路径的拥挤度成本之和;
路径emn的拥挤度成本θmn,表达式如下:
其中,表示疏散路径emn的路径长度;/>表示在t时刻下疏散路径enn上的行人行走速度;/>表示在t时刻下疏散路径emn上的行人密度,表示式为;
其中,是t时刻下疏散路径emn上的行人数量;/>是疏散路径emn的容量, 分别为疏散路径emn的长和宽,r为行人半径;
问题的约束如下:
Ej∈[1,nj]
其中,Ej是整数,nj是可选择的完整的疏散路径Ej的条数,Ej是的集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111252196.XA CN113988408B (zh) | 2021-10-27 | 2021-10-27 | 基于多目标规划的地铁站内客流疏散人工诱导方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111252196.XA CN113988408B (zh) | 2021-10-27 | 2021-10-27 | 基于多目标规划的地铁站内客流疏散人工诱导方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113988408A CN113988408A (zh) | 2022-01-28 |
CN113988408B true CN113988408B (zh) | 2024-04-09 |
Family
ID=79742167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111252196.XA Active CN113988408B (zh) | 2021-10-27 | 2021-10-27 | 基于多目标规划的地铁站内客流疏散人工诱导方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113988408B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114527757B (zh) * | 2022-02-24 | 2024-05-31 | 哈尔滨工程大学 | 基于虚拟节点的远洋客船人员应急疏散路径规划算法 |
CN114548604B (zh) * | 2022-04-25 | 2022-08-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种客流动态引导方法、系统、电子设备及存储介质 |
CN116187608B (zh) * | 2023-02-01 | 2023-09-15 | 青岛理工大学 | 水灾环境下地下交通设施疏散路径决策方法、系统、设备 |
CN117575109B (zh) * | 2024-01-16 | 2024-05-28 | 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 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701754A (zh) * | 2016-01-04 | 2016-06-22 | 北京交通大学 | 一种基于引导员位置优化的城市轨道交通车站疏散方法 |
CN109866798A (zh) * | 2019-01-10 | 2019-06-11 | 北京交通大学 | 一种基于引导员的轨道交通车站乘客疏散方法 |
CN111767789A (zh) * | 2020-05-13 | 2020-10-13 | 北京交通大学 | 一种基于多载体智能引导的人群疏散方法及系统 |
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 |
-
2021
- 2021-10-27 CN CN202111252196.XA patent/CN113988408B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105701754A (zh) * | 2016-01-04 | 2016-06-22 | 北京交通大学 | 一种基于引导员位置优化的城市轨道交通车站疏散方法 |
CN109866798A (zh) * | 2019-01-10 | 2019-06-11 | 北京交通大学 | 一种基于引导员的轨道交通车站乘客疏散方法 |
CN111767789A (zh) * | 2020-05-13 | 2020-10-13 | 北京交通大学 | 一种基于多载体智能引导的人群疏散方法及系统 |
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 |
Non-Patent Citations (1)
Title |
---|
突发事件对隧道行人疏散时间的影响;廖灿;郭海湘;唐健;诸克军;;系统管理学报;20200729(04);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113988408A (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113988408B (zh) | 基于多目标规划的地铁站内客流疏散人工诱导方法 | |
CN104875774B (zh) | 一种基于城市轨道交通运行图的列车延迟调整方法及系统 | |
CN107330147B (zh) | 一种地铁车站人员应急疏散仿真方法及系统 | |
CN111767789B (zh) | 一种基于多载体智能引导的人群疏散方法及系统 | |
CN106910337A (zh) | 一种基于萤火虫算法与rbf神经网络的交通流预测方法 | |
Yang et al. | Optimal toll design in second-best link-based congestion pricing | |
CN109815523A (zh) | 基于分解的列车运行多目标差分进化算法 | |
CN104636801A (zh) | 一种基于优化bp神经网络的预测输电线路可听噪声方法 | |
CN111414681B (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 | |
CN103544547A (zh) | 一种基于离散化全局分布搜索的可信服务组合方法 | |
CN106781465A (zh) | 一种道路车流量预测方法 | |
CN107767011A (zh) | 一种轨道车站行人特性采集系统和服务水平动态评价方法 | |
CN115270506B (zh) | 一种人群沿楼梯上行的通行时间预测方法及系统 | |
CN116187608A (zh) | 水灾环境下地下交通设施疏散路径决策方法、系统、设备 | |
Ma et al. | An intelligence-based approach for prediction of microscopic pedestrian walking behavior | |
CN108093085A (zh) | 一种大数据系统实时服务参数自适应调整方法 | |
CN112862192A (zh) | 基于蚁群算法和改进社会力模型的人群疏散辅助决策系统 | |
CN116542408A (zh) | 毒气泄漏情况下地下交通设施内乘客疏散路径规划方法 | |
CN106845696A (zh) | 一种智能优化水资源配置方法 | |
CN104680257B (zh) | 面向抽油机工作过程的智能优化方法 | |
CN112381470B (zh) | 基于智能体的交通流量分配方法、设备及存储介质 | |
CN108921438A (zh) | 一种基于级联权重的配电网调控管理薄弱环节辨识方法 | |
US20230367930A1 (en) | Method and apparatus for setting evacuation exit under crowd emergency evacuation scenario | |
Zhong et al. | An evolutionary guardrail layout design framework for crowd control in subway stations | |
Yin et al. | Balise arrangement optimization for train station parking via expert knowledge and genetic algorithm |
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 |