CN114048917A

CN114048917A - 基于位置的人群疏散路径推荐方法及系统

Info

Publication number: CN114048917A
Application number: CN202111397538.7A
Authority: CN
Inventors: 杨晓霞; 蒋海龙; 康元磊; 潘福全; 杨晓丽; 李昕光; 陈德启
Original assignee: Qingdao University of Technology
Current assignee: Qingdao University of Technology
Priority date: 2021-11-23
Filing date: 2021-11-23
Publication date: 2022-02-15
Anticipated expiration: 2041-11-23
Also published as: CN114048917B

Abstract

本发明属于人群疏散路径推荐领域，提供了一种基于位置的人群疏散路径推荐方法及系统。其中，该方法包括构建疏散场景的三维模型并确定其内的所有预设关键位置的坐标信息；以疏散场景内每个个体的当前位置为起点，疏散场景的出口为终点，各个预设关键位置为中间节点，采用社会力模型结合最短路径来对每个个体的疏散路径进行优化；将优化后的个体疏散路径展示至疏散场景的三维模型中，并向对应个体终端进行推荐。其在为人群进行疏散路径优化时，充分考虑了在当前个体序列前的个体的时空状态，既可以避免个体在时空上的冲突，也可以充分利用个体之间的时间差，提高公共场所内个体疏散逃生的效率。

Description

基于位置的人群疏散路径推荐方法及系统

技术领域

本发明属于人群疏散路径推荐领域，尤其涉及一种基于位置的人群疏散路径推荐方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

人群疏散路径推荐对于公共场所的突发状况的应对具有重要意义。尤其是，地铁站建设于地下，空间封闭性强，当地铁站发生火灾、洪水倒灌等突发性事故时，个体紧急疏散显得尤为困难，这为选择地铁出行的个体带来了安全隐患。针对于公共场所(比如：地铁站)疏散路径优化研究普遍存在着以下几点问题：

(1)未考虑个体的服从率，在个体疏散的路径优化研究中，往往以全局最优为目标进行优化，这可能会导致部分个体的疏散路线对其自身而言并非最优路径，因此，可能会有部分个体未按优化路径进行疏散，而这些选择自主疏散的个体也许会对整个疏散方案造成影响；

(2)以群体为疏散对象进行路径分配，忽视了每位个体的具体位置，这可能会影响疏散结果的准确性；

(3)指挥中心与个体之间缺乏互动，即优化后的疏散方案如何迅速传达至个体手中的问题。

发明内容

为了解决上述背景技术中存在的技术问题，本发明提供一种基于位置的人群疏散路径推荐方法及系统，其在为人群进行疏散路径优化时，充分考虑了在当前个体序列前的个体的时空状态，既可以避免个体在时空上的冲突，也可以充分利用个体之间的时间差，提高公共场所内个体疏散逃生的效率。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一个方面提供一种基于位置的人群疏散路径推荐方法，其包括：

构建疏散场景的三维模型并确定其内的所有预设关键位置的坐标信息；

以疏散场景内每个个体的当前位置为起点，疏散场景的出口为终点，各个预设关键位置为中间节点，采用社会力模型结合最短路径来对每个个体的疏散路径进行优化；

将优化后的个体疏散路径展示至疏散场景的三维模型中，并向对应个体终端进行推荐；

其中，对每个个体的疏散路径进行优化的过程为：

采用只考虑障碍物和个体自身作用力的社会力模型对从起点至终点的各个路段进行赋值，寻找个体最短路径并按照最短路径所花费时间对所有个体排序；

根据个体排序且结合考虑已寻优后个体对待寻优个体作用力的社会力模型，依次对每个个体寻找最短路径，以实现疏散路径的寻优。

本发明的第二个方面提供一种基于位置的人群疏散路径推荐系统，其包括：

模型构建及坐标定位模块，其用于构建疏散场景的三维模型并确定其内的所有预设关键位置的坐标信息；

疏散路径优化模块，其用于以疏散场景内每个个体的当前位置为起点，疏散场景的出口为终点，各个预设关键位置为中间节点，采用社会力模型结合最短路径来对每个个体的疏散路径进行优化；

疏散路径推荐模块，其用于将优化后的个体疏散路径展示至疏散场景的三维模型中，并向对应个体终端进行推荐；

其中，对每个个体的疏散路径进行优化的过程为：

本发明的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于位置的人群疏散路径推荐方法中的步骤。

本发明的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于位置的人群疏散路径推荐方法中的步骤。

与现有技术相比，本发明的有益效果是：

本发明采用社会力模型结合最短路径来对每个个体的疏散路径进行优化，以每个个体为对象的路径进行优化，并且每个个体的疏散路径都是其自身的最快疏散路径，符合个体在疏散时的“就近原则”心理，容易被个体所采纳；本发明着重于个体的整体路径最优，以社会力模型对路段进行赋值，再寻找个体的最快路径，实现了此个体路网的整体最优，并可以得到个体在此路径上疏散时的时空数据。而且，在为乘客进行疏散路径优化时，充分考虑了在个体序列前的个体的时空状态，既可以避免个体在时空上的冲突，也可以充分利用个体之间的时间差。并且，社会力模型能够很好地模拟出个体之间的相互影响，所以得到的计算数据也较为准确。

本发明在能够准确定位站内个体位置的基础上，在考虑前方个体的情况下为每个个体定制出专属的最快疏散路径并可以及时让个体接收到此路径信息，这大大提高了疏散场景内的个体疏散逃生的效率，并提升了个体的安全性。

本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本发明实施例的基于位置的人群疏散路径推荐方法流程图；

图2是本发明实施例的结合社会力模型的Dijkstra算法流程图；

图3是本发明实施例的地铁站三维模型图；

图4是本发明实施例的以某地铁站为例绘制的网络节点图；

图5是本发明实施例的地铁站客流疏散路径推荐系统示意图；

图6(a)是本发明实施例的微信小程序首页；

图6(b)是本发明实施例的微信小程序展示的路径；

图6(c)是本发明实施例的微信小程序展示的疏散三维场景；

图6(d)是本发明实施例的微信小程序个体中心；

图7是本发明实施例的基于位置的人群疏散路径推荐系统结构示意图。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例一

参照图1，本实施例提供了一种基于位置的人群疏散路径推荐方法，其具体包括如下步骤：

S101：构建疏散场景的三维模型并确定其内的所有预设关键位置的坐标信息。

需要说明的是，疏散场景可为地铁站或是商场等。预设关键位置可为扶梯、电梯或安全出口等位置。

S102：以疏散场景内每个个体的当前位置为起点，疏散场景的出口为终点，各个预设关键位置为中间节点，采用社会力模型结合最短路径来对每个个体的疏散路径进行优化。

在一些实施例中，采用基于超宽带的室内定位方法获取疏散场景内每个个体的当前位置。

其中，对每个个体的疏散路径进行优化的过程为：

具体地，采用Dijkstra算法寻找个体的最短路径。

具体地，在对每个个体的疏散路径进行优化的过程中，还绘制出每个个体与出口之间的网络节点图。所述网络节点图各路段的权重值由相应社会力模型进行赋值，基于赋予权重的网络节点图来寻找每个个体的最小权重值路径。

与已有的结合社会力模型的A星算法不同，本算法模型着重于乘客的整体路径规划。已有的结合社会力模型的A星算法以个体当前的时空信息来决定乘客下一步的路径选择，其虽然考虑了其他个体对其路线的影响，但其余个体的位置也是随时间变化的，随着站内其他乘客位置的变化，上一步的路径选择在下一步时可能就变成了一个糟糕的选择。本发明所提出的路径算法着重于个体的整体路径最优，以社会力模型对路段进行赋值，再用Dijkstra算法寻找此乘客的最快路径，则实现了个体路网的整体最优，并可以得到个体在此路径上疏散时的时空数据，如图2所示。

S103：将优化后的个体疏散路径展示至疏散场景的三维模型中，并向对应个体终端进行推荐。

下面以疏散场景为地铁站为例来详细说明基于位置的人群疏散路径推荐方法的过程：

(1)对地铁站进行建模，并采集地铁站内各位置处的坐标信息，地铁站三维模型如图3所示；

(2)对站内乘客的位置进行定位(如：运用基于超宽带的室内定位技术进行定位)，然后基于乘客的位置信息，采用结合社会力模型的Dijkstra算法，对乘客的疏散路径进行优化；

对乘客的疏散路径进行优化的具体过程为：

(2.1)行人位置为起点，以地铁站出口为终点，以处于两者之间的关键位置如楼/扶梯或闸机为节点，绘制每位乘客与出口之间的网络节点图，如图4所示，保存至集合W；

(2.2)以社会力模型为行人驱动力模型，在社会力模型驱动下，乘客从一个节点走到另一个节点所花费的时间值即为此路段的权重值，此时的社会力模型只考虑障碍物和其自身的作用力，此社会力模型公式为

其中m_i为行人i的质量；

是行人的实际行走速度；

为行人i的自驱动力；

为周围物体对行人i的作用力。

行人的自驱动力反映了行人以期望的速度到达目的地的意愿，其公式为

是行人在t时刻的期望速度；

是行人在t时刻的期望速度方向；τ_i是行人变速的反应时间。

行人和墙等障碍物间的作用力为

其公式为

A_i、B_i为常数，分别表示行人与物体之间的作用强度和作用范围，A_i＝2000N，B_i＝0.08m；k_n为刚度系数，k_n＝1.2×10⁵，单位为kg·s^-2；k_t为摩擦系数，k_t＝2.4×10⁵，单位为kg·m^-1·s^-1；r_i为行人i的半径尺寸，单位为m；d_iw是行人和障碍物之间的距离，

是行人和障碍物的法线方向，

是行人和障碍物的切线方向。

(2.3)采用Dijkstra算法计算出每位乘客的最快路径并记录此路径的权重值，保存至集合S；至此，完成了社会力模型与Dijkstra算法的第一次结合；

(2.4)对S中的数据进行由小到大排序，并生成一个与其序列相对应的乘客信息集合D，令D中乘客所对应的乘客序号为{1，2，3，…,i-1,i,i+1,…,N}，即按照乘客最快路径所花费的时间进行排序，将时间短的排在序列前面；

(2.5)按集合D中的顺序对乘客进行路径规划时需考虑周围乘客对其产生的影响，具体步骤为：

步骤一、首先对序号为1的乘客进行路径规划，此时不考虑周围乘客对其的作用力，同样以社会力模型衡量1号乘客对应的网络节点图各路段的权重值，然后以Dijkstra算法求出1号乘客的最小权重值路径，由于使用社会力模型对乘客路径权重进行计算，所以可以得到此乘客在整条路径上行走时的详细数据；

步骤二、以1s为单位记录乘客的坐标位置、速度及其方向，将其数据储存至集合I₁，令H＝{I₁}；

矩阵第一列代表乘客的疏散时间，t₀代表开始疏散的时刻，t_f代表结束疏散的时刻，单位为s；第二、三、四列代表乘客的三维坐标，单位为m；第五列代表了乘客在此刻的速度值，单位为m/s；第六列代表了乘客此时所面向的方向，以正北方向为基准，逆时针旋转的角度即为此数值，单位为°。

步骤三、对于序号为2的乘客，在对其进行路径规划时需考虑到已规划好路径的1号乘客对其产生的影响，此时用社会力模型进行路径权重计算时，需考虑1号乘客对其行走过程中的作用力，调用集合H中乘客的同一时刻位置数据，从而计算出1号乘客对2号乘客行走过程中每一时刻的作用力，结合周围环境的作用力和乘客自身的作用力，确定乘客下一刻的行走状态，得到2号乘客在此路段行走所用时间，即为此路段的权重值，然后采用Dijkstra算法确定2号乘客最快疏散路径；

步骤四、将2号乘客在最快疏散路径上的行走数据记录下来，保存至I₂，更新H，此时H＝{I₁,I₂}；

步骤五、重复此过程，依次对序列中的乘客进行路径规划，直到为所有乘客规划完路径。至此，完成了社会力模型与Dijkstra算法的第二次结合。

具体地，步骤(2.5)中的社会力模型公式为

其中，

为行人之间的相互作用力，

与步骤(2.2)中一样，

公式为：

其中，A_i、B_i均为常数，A_i＝2000N，B_i＝0.08m；以d_ij表示两个行人重心的距离；

表示行人j指向行人i的单位向量,

为行人i所在的位置，

为行人j所在的位置，

代表行人i与行人j之间的位置矢量差；r_ij＝r_i+r_j，r_i、r_j分别代表行人i与行人j的身体尺寸半径；

为切向速度差；

为行人i与行人j之间的切线方向；g(x)是分段函数，

实施例二

如图7所示，本实施例提供了一种基于位置的人群疏散路径推荐系统，其包括如下模块：

其中，对每个个体的疏散路径进行优化的过程为：

在具体实施中，在所述疏散路径优化模块中，采用Dijkstra算法寻找个体的最短路径。

在所述疏散路径优化模块中，采用基于超宽带的室内定位方法获取疏散场景内每个个体的当前位置。

此处需要说明的是，本实施例中的各个模块与实施例一中的各个步骤一一对应，其具体实施过程相同，此处不再累述。

在图5中给出了以疏散场景为地铁站的基于位置的人群疏散路径推荐系统，其中，室内定位系统用于获取疏散场景(如地铁站)内每个个体的当前位置，服务器用于优化每个个体的疏散路径，并经个体终端的程序(比如微信小程序)推荐给个人。其中，图6(a)给出了微信小程序首页，图6(b)给出了微信小程序展示的路径，图6(c)给出了微信小程序展示的疏散三维场景，图6(d)给出了微信小程序个体中心。

实施例三

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于位置的人群疏散路径推荐方法中的步骤。

实施例四

本实施例提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于位置的人群疏散路径推荐方法中的步骤。

本发明是参照本发明实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种基于位置的人群疏散路径推荐方法，其特征在于，包括：

其中，对每个个体的疏散路径进行优化的过程为：

2.如权利要求1所述的基于位置的人群疏散路径推荐方法，其特征在于，采用Dijkstra算法寻找个体的最短路径。

3.如权利要求1所述的基于位置的人群疏散路径推荐方法，其特征在于，采用基于超宽带的室内定位方法获取疏散场景内每个个体的当前位置。

4.如权利要求1所述的基于位置的人群疏散路径推荐方法，其特征在于，在对每个个体的疏散路径进行优化的过程中，还绘制出每个个体与出口之间的网络节点图。

5.如权利要求4所述的基于位置的人群疏散路径推荐方法，其特征在于，所述网络节点图各路段的权重值由相应社会力模型进行赋值，基于赋予权重的网络节点图来寻找每个个体的最小权重值路径。

6.一种基于位置的人群疏散路径推荐系统，其特征在于，包括：

其中，对每个个体的疏散路径进行优化的过程为：

7.如权利要求6所述的基于位置的人群疏散路径推荐系统，其特征在于，在所述疏散路径优化模块中，采用Dijkstra算法寻找个体的最短路径。

8.如权利要求6所述的基于位置的人群疏散路径推荐系统，其特征在于，在所述疏散路径优化模块中，采用基于超宽带的室内定位方法获取疏散场景内每个个体的当前位置。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的基于位置的人群疏散路径推荐方法中的步骤。

10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5中任一项所述的基于位置的人群疏散路径推荐方法中的步骤。