CN116187608B - 水灾环境下地下交通设施疏散路径决策方法、系统、设备 - Google Patents
水灾环境下地下交通设施疏散路径决策方法、系统、设备 Download PDFInfo
- Publication number
- CN116187608B CN116187608B CN202310050123.5A CN202310050123A CN116187608B CN 116187608 B CN116187608 B CN 116187608B CN 202310050123 A CN202310050123 A CN 202310050123A CN 116187608 B CN116187608 B CN 116187608B
- Authority
- CN
- China
- Prior art keywords
- evacuation
- passengers
- passenger
- node
- model
- 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 abstract description 54
- 238000005457 optimization Methods 0.000 claims abstract description 78
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 57
- 230000033001 locomotion Effects 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 34
- 238000004088 simulation Methods 0.000 claims abstract description 22
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 51
- 230000006872 improvement Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 15
- 230000006399 behavior Effects 0.000 claims description 14
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 10
- 241000239290 Araneae Species 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 239000003795 chemical substances by application Substances 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 6
- 230000009545 invasion Effects 0.000 claims description 6
- 239000002352 surface water Substances 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 5
- 241000238866 Latrodectus mactans Species 0.000 claims description 4
- 238000007667 floating Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000000630 rising effect Effects 0.000 claims description 3
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 claims description 2
- 241000145313 Gymnocorymbus ternetzi Species 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 239000003016 pheromone Substances 0.000 description 3
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010000369 Accident Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000007758 mating behavior Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q50/265—Personal security, identity or safety
-
- 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)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Physiology (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Computer Security & Cryptography (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Genetics & Genomics (AREA)
- Alarm Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及紧急疏散技术领域，具体的涉及一种水灾环境下地下交通设施疏散路径决策方法、系统、设备，包括以下步骤：S1：使用BP神经网络算法建立节点通行时间预测模型，计算得到乘客通过闸机、楼梯和/或扶梯节点处的时间；S2：基于S1中所述的时间预测模型，使用目标函数计算水灾环境下乘客总疏散时间、总疏散风险、总拥挤度，构建乘客疏散路径多目标优化模型，确定乘客疏散推荐路线；S3：使用真实模拟行人运动的仿真软件搭建水灾环境下地下交通设施疏散模拟系统，融合S2中所述的乘客疏散路径多目标优化模型，模拟乘客的疏散逃生行为，评估疏散优化策略的安全性。现有技术相比，时间预测结果更加准确且快速，为疏散总时间的计算提供了数据基础。
Description
技术领域
本发明涉及水灾环境下地下交通设施紧急疏散技术领域，具体的涉及一种水灾环境下地下交通设施疏散路径决策方法、系统、设备。
背景技术
当前社会道路交通压力大，因此，越来越多的地下交通系统走进人们的日常生活，当前的地下交通设置主要包括地下轨道交通以及地下隧道灯，地下交通系统大大提高了人们出行的便利性，随之而吸引的大规模客流给地下交通设施如地铁站的安全运营管理提出了新的考验。而在地下建设的交通设施，如何进行防水是对我们的重大考验，无论是特大暴雨倒灌地铁站，还是地铁站发生漏水渗水事故，这些都警示我们必须将水灾环境下地下交通设施中大客流的高效安全疏散预案纳入城市地下交通系统安全运营管理的研究之中。当突发水灾时，建于地下的交通设施一般仅有几个出入口与外界相连，而且通道相对狭窄，环境相对封闭会使水势更加快速扩散，地下交通设施内高密度客流疏散逃生时极易出现急速水流中人体失衡状况，甚至可能会导致踩踏事故发生。乘客疏散路径决策优化对提高水灾环境下地下交通设施内乘客疏散效率并减少水灾带来的人身安全危害具有重要意义。
目前针对地下交通设施中乘客紧急疏散方面的研究，主要集中在地铁站等车站设施存在安全隐患时的紧急清客和火灾事故下的紧急疏散这两种场景，而针对水灾环境这一典型场景下的地下交通设施中的乘客紧急疏散研究较为有限。水灾环境下水深是影响乘客具体运动的直接因素，如何构建洪水动力学参数影响下的异质性乘客运动模型，并构建高效安全的疏散路径决策方案是提高地下交通设施安全运营管理水平过程中重点需要解决的难题。
发明内容
针对现有技术中存在的问题，本发明的目的在于针对水灾这一紧急突发环境下，考虑到水灾演进可能影响地下交通设施中的可通行路段、人群、闸机、楼梯和/或扶梯等的通行时间、风险和拥挤程度，提供一种对处于地下交通设施中的人群疏散路径多目标优化方法，以及应用该方法的系统和设备，可为地下交通设施送人群的安全快速疏散提供决策支持。
为实现上述目的，本发明提供的技术方案是：一种水灾环境下地下交通设施疏散路径决策方法，包括以下步骤：
S1：使用BP神经网络算法建立节点通行时间预测模型，计算得到乘客通过闸机和楼梯和/或扶梯节点处的时间；
S2：基于S1中所述的时间预测模型，使用目标函数计算水灾环境下乘客总疏散时间、总疏散风险、总拥挤度，构建乘客疏散路径多目标优化模型，确定乘客疏散推荐路线；
S3：使用真实模拟行人运动的仿真软件搭建水灾环境下地下交通设施疏散模拟系统，融合S2中所述的乘客疏散路径多目标优化模型，模拟乘客的疏散逃生行为，评估疏散优化策略的安全性。
上述的水灾环境下地下交通设施疏散路径决策方法，所述S1中，使用黑寡妇算法优化BP神经网络算法，包括以下具体步骤：
a：通过实地观测和视频拍摄追踪相结合的方式，统计正常情况下地铁站内闸机、楼梯、扶梯疏散网络节点处的实际节点场景数据，包括设施尺寸与布局、客流的通行时间、乘客数量与异质性参数、乘客分布数据；
b：根据步骤a中所述的闸机、楼梯、扶梯的实际节点场景数据，使用仿真软件搭建实际节点场景模型，将实际场景中乘客数量与异质性参数、乘客初始分布数据输入至实际节点场景模型中，根据智能体模型驱动乘客完成节点通行；
c：通过对比节点处的实际通行时间和其相应的实际节点场景模型的模拟值，校验实际节点场景模型中乘客的初始速度、避障参数，得到校验后的节点场景模型；
d：根据洪水动力学参数和乘客运动速度的定量关系，得到不同洪水参数下对应的速度：
m＝1-h/hmax
θ＝1/(0.982+e(1.12t-4))
其中，h表示水深，hmax表示的是乘客无法走行的临界水深，hlittle表示对乘客走行速度几乎没有影响的水深，m表示不同水深下速度的折减系数，θ表示随时间变化的乘客疲劳指数，t表示时刻，vf表示乘客的自由流速度，ρ表示乘客密度，ρmax表示最大乘客密度；
e：计算不同水动力学参数下对应的乘客速度值，并将其设定为经过校验后的节点场景模型中智能体模型乘客速度设置的基准，仿真模拟不同水动力学参数下乘客通过节点的通行行为，记录水动力学参数、节点设施参数、乘客数量与属性参数、通行时间数据，获得乘客在节点通行的基础数据集；
f：将节点通行基础数据集按照一定的比例划分为训练集和测试集，将训练集中的数据输入到使用黑寡妇算法优化BP神经网络节点建立的通行时间预测模型中，通过训练网络得到优化后的网络模型，利用测试集中的数据进一步测试模型，可得到较为准确的节点通行时间预测结果wi。
上述的水灾环境下地下交通设施疏散路径决策方法，所述f中，使用黑寡妇算法优化BP神经网络算法建立节点通行时间预测的步骤包括：
将BP神经网络算法对应的权值和阈值作为黑寡妇算法中的候选解xi，候选解代表了黑寡妇算法中黑寡妇蜘蛛的位置，在黑寡妇算法中，黑寡妇蜘蛛在蜘蛛网内按照线性和螺旋的方式进行移动，其位置更新为：
其中，为t+1时刻更新后的个体位置，/>为当前最优个体位置，m为[0.4,0.9]之间随机生成的浮点数，rand为[0,1]的随机数，β为[-1,1]的随机数，r1为1到最大种群数量之间的随机整数，/>为随机选择的第r1个位置，/>为t时刻当前个体位置，π为圆周率；
根据达到终止条件时黑寡妇蜘蛛的位置，可得到BP神经网络的最优权值和阈值，利用优化后的黑寡妇算法优化BP神经网络模型实现节点通行时间的预测。
上述的水灾环境下地下交通设施疏散路径决策方法，所述S2中，包括以下具体步骤：
g：根据水灾入侵模型，计算不同时刻地铁站内站台层和站厅层的水动力学参数：
h(t)＝vt×t
q(t)＝1.98h(t)1.621
hu1(t)＝V1(t)/As1
hu2(t)＝V2(t)/As2
H＝h(t)cosθ
其中，h(t)为地表积水水深，q(t)为地下空间的单位宽度的入侵流量，V1(t)为t秒时负一楼地下空间水总量，hu1(t)为t秒时负一楼地下空间水深，V2(t)为t秒时负二楼地下空间水总量，hu2(t)为t秒时负一楼地下空间水深，H为t秒时楼梯处水深，vt为地表积水上升速度，B1为地下空间负一层入口楼梯宽度，B2为地下空间负二层入口楼梯宽度，As1为地下空间负一层表面积，As2为地下空间负二层表面积，θ为楼梯段的倾斜角度；
h：根据步骤g得到的水动力学参数，计算水灾下乘客运动速度vij；
i：根据节点与节点间的路段长度d、水灾下乘客运动速度vij，计算路段通行时间tij＝d/vij，则路段(i，j)通行时间Tij为：
Tij＝tij·qij
其中，qij表示路段(i，j)上的乘客数量；
j：计算路段(i，j)上乘客的拥挤度Dij：
其中，Cij表示路段容量，Aij表示通道面积，π为圆周率，r表示乘客身体半径，κ为经验参数；
k：计算路段(i,j)的风险值Rij，楼梯和/或扶梯i的风险值
Ui＝2.09×q(t)0.5×S0.35
为处于人体滑动不稳定时洪水流速，Ui为楼梯处水的流动速度，q(t)为t时刻地下空间单位宽度的入侵流量，S为楼梯坡度，h为水深，ρf为水的密度，hp、mp分别为人的身高及体重，a1、b1、a2、b2表示由中国人平均身体结构特征率决定的拟合参数，根据真实人体跌倒失稳的水槽试验结果得到α＝2，β＝4，Hij为路段(i,j)处水深，Hmax为乘客无法走行的临界水深，qij为路段(i，j)上的乘客数量，qi为选择楼梯的乘客数量；
l：构建水灾下乘客疏散路径多目标优化模型：
No表示闸机、楼梯和/或扶梯等所有节点的集合，No’表示楼梯和/或扶梯节点的集合；
m：使用多目标遗传算法求解水灾环境下乘客疏散路径多目标优化模型，得到综合考虑疏散时间、拥挤成本、风险多因素的从起点到终点的路径优化方案，确定闸机、楼梯和/或扶梯节点处乘客对可行路径的选择概率，并根据选择概率的值的大小确定下一个关键节点；
上述的水灾环境下地下交通设施疏散路径决策方法，所述S3中，所述真实模拟行人运动的仿真软件使用PathFinder仿真软件，包括以下具体步骤：
n：根据乘客疏散路径多目标优化模型中乘客的初始数量、位置、属性，设置水灾环境下地下交通设施疏散三维仿真系统中乘客的异质性参数和初始分布情况；
o：将水动力学参数对乘客运动速度影响的修正值输入到疏散走行网络的关键节点处，并将其作为经过此节点处乘客的当前运动速率；
p：根据步骤n中设置好的水灾环境下地下交通设施疏散三维仿真系统中的多智能体模型定义的速度和避障规则，在步骤o中得到的当前运动速率的值的基础上不断更新从当前节点到下一节点间乘客的局部运动速率和方向，直至到达下一个目标节点；
q：根据步骤p中水灾环境下乘客疏散路径多目标优化模型得到的节点处乘客对可行路径的选择概率，确定下一个目标节点；
r：重复执行步骤p和步骤q，直至所有乘客到达疏散终点；
s：评估疏散优化策略的安全性ID，ID＝IDT*θ1+IDR*θ2+IDD*θ3
其中，ID表示总改善程度，IDT表示疏散时间的改善程度，IDR表示路段风险的改善程度，IDD表示拥挤成本的改善程度，θ1、θ2、θ3分别表示IDT、IDR、IDD的重要度。
一种水灾环境下地下交通设施疏散路径决策系统，包括：
通行时间预测模块：所述通行时间预测模块通过使用黑寡妇算法优化BP神经网络算法建立节点通行时间预测模型，计算得到乘客通过闸机和楼梯和/或扶梯节点处的时间；
乘客疏散路径多目标优化模块：所述乘客疏散路径多目标优化模块基于通行时间预测模块所述的时间预测模型，使用目标函数计算水灾环境下乘客总疏散时间、总疏散风险、总拥挤度，构建乘客疏散路径多目标优化模型，确定乘客疏散推荐路线；
疏散优化策略安全性评估模块：使用PathFinder真实模拟行人运动的仿真软件搭建水灾环境下地下交通设施疏散三维模拟系统，融合乘客疏散路径多目标优化模块中所述的乘客疏散路径多目标优化模型，模拟乘客的疏散逃生行为，评估疏散优化策略的安全性。
一种水灾环境下地下交通设施疏散路径决策设备，包括用于通信的总线，至少一个处理器，以及使用总线与所述处理器完成通信的至少一个存储器，以及至少一个与所述处理器通信的接收端，所述处理器用于调用所述存储器中的程序指令，以执行上述任一项所述的水灾环境下地下交通设施疏散路径决策方法，得到路径优化结果，所述路径优化结果通过处理器发送至接收端。
与现有技术相比，本发明得到一种用于在地下交通设施中突发水灾的紧急情况下进行人群疏散路径决策的方法、系统和设备，综合考虑洪水动力学参数对乘客运动行为的影响，构建了基于黑寡妇算法优化BP神经网络的闸机、楼梯、扶梯等节点通行时间预测模型，时间预测结果更加准确且快速，为疏散总时间的计算提供了可靠的数据基础；进而，综合考虑疏散总时间、总拥挤度、总风险，建立了一种水灾环境下地下交通设施中人群疏散路径决策多目标优化方法，通过相应的设备可实时发布疏散信息，明显提高了疏散过程中客流时空分布的协调性，缓解了楼梯、闸机等通道的不均衡利用度，避免了拥挤踩踏等二次事故的发生，具有较强的实际应用效果。
附图说明
图1为本发明的流程图；
图2为本发明基于PathFinder搭建的节点场景模型；
图3为本发明中黑寡妇算法优化BP神经网络模型预测精度分析图；
图4为本发明具体应用于某地铁站疏散走行网络示意图。
具体实施方式
为使本领域技术人员更好的理解本发明的技术方案，下面结合具体实施方式及附图对本发明的技术方案进行说明。
在本技术方案中涉及的算法模型及仿真系统中，其中：
BP(back propagation)神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训练的多层前馈神经网络，是应用最广泛的神经网络模型之一，BP神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络，其算法称为BP算法，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。
多目标遗传算法(NSGA-Ⅱ)是最流行的多目标遗传算法之一，它降低了非劣排序遗传算法的复杂性，具有运行速度快，解集的收敛性好的优点，成为其他多目标优化算法性能的基准。NSGA-Ⅱ算法是Srinivas和Deb于2000年在NSGA的基础上提出的，它比NSGA算法更加优越：它采用了快速非支配排序算法，计算复杂度比NSGA大大的降低；采用了拥挤度和拥挤度比较算子，代替了需要指定的共享半径shareQ，并在快速排序后的同级比较中作为胜出标准，使准Pareto域中的个体能扩展到整个Pareto域，并均匀分布，保持了种群的多样性；引入了精英策略，扩大了采样空间，防止最佳个体的丢失，提高了算法的运算速度和鲁棒性。
黑寡妇算法(Black Widow Optimization Algorithm,BWO)是2020年由VahidehHayyolalam等人受黑寡妇蜘蛛独特的交配行为启发而提出的，该算法模拟了黑寡妇蜘蛛的生命周期。具有收敛速度快，精度高等特点。通过初始化种群、蜘蛛运动、信息素等算法原理，运用步骤1：初始化种群评估适应度函数值；步骤2：随机生成参数m和β；步骤3：生成随机数rand并更新黑寡妇位置；步骤4：计算信息素；步骤5：更新低信息素水平的黑寡妇位置；步骤6：重新评估适应度函数值，并更新最优黑寡妇的位置及最优解；步骤7：判断是否满足最大迭代次数，若满足，则输出最优黑寡妇位置和全局最优解，否则，返回步骤2重新迭代计算的算法流程得到算法结果。
PathFinder是一款可以较为真实地模拟行人运动的仿真软件，提供了可视化的用户界面和三维动画效果，该仿真软件是一个完整的三维三角网格设计，可定制人群，可以计算每个乘员独立运动并给予了一套独特的参数(最高速度，出口的选择，等等)，对于分析人员疏散，争取疏散时间，减轻人员伤亡有重要作用。该软件内嵌智能体模型用于模拟行人具体运动行为，智能体模型主要使用路径规划机制、指导机制、碰撞处理机制相结合的方法来描述运动行为。
在本发明的技术方案中，主要针对地铁站这一人群分布较为密集的地下交通设施进行说明，其中在地下隧道中人群密集场合同样适应本技术方案中记载的疏散路径决策方法、系统、设备。
如图1所示，一种水灾环境下地下交通设施疏散路径决策方法，包括以下步骤：
S1：使用BP神经网络算法建立节点通行时间预测模型，计算得到乘客通过闸机和楼梯和/或扶梯节点处的时间；
S2：基于S1中所述的时间预测模型，使用目标函数计算水灾环境下乘客总疏散时间、总疏散风险、总拥挤度，构建乘客疏散路径多目标优化模型，确定乘客疏散推荐路线；
S3：使用真实模拟行人运动的仿真软件搭建水灾环境下地下交通设施疏散模拟系统，融合S2中所述的乘客疏散路径多目标优化模型，模拟乘客的疏散逃生行为，评估疏散优化策略的安全性。
具体的，在步骤S1使用黑寡妇算法优化BP神经网络算法，包括以下具体步骤：
a：通过实地观测和视频拍摄追踪相结合方式，统计正常情况下地铁站内闸机、楼梯和/或扶梯等疏散网络节点处客流通行时间、设施尺寸与布局、乘客位置、乘客数量与异质性参数(如速度、性别、年龄等)、乘客分布等数据；
b：根据闸机、楼梯和/或扶梯等的实际节点场景数据，基于PathFinder搭建节点场景模型，如图2所示，将实际场景中乘客数量与异质性参数、乘客初始分布等数据输入至节点场景模型中，根据智能体模型驱动乘客完成节点通行；
c：通过对比节点处的实际通行时间和其相应的模拟值，校验节点场景模型中乘客的初始速度、避障参数，得到校验后的节点场景模型；
d：根据洪水动力学参数和乘客运动速度的定量关系，得到不同洪水参数下对应的速度：
m＝1-h/hmax
θ＝1/(0.982+e(1.12t-4))
其中，h表示水深，hmax表示的是乘客无法走行的临界水深，通常设置为hmax＝0.7m，hlittle表示对乘客走行速度几乎没有影响的水深，通常设置为hlittle＝0.1m，m表示不同水深下速度的折减系数，θ表示随时间变化的乘客疲劳指数，t表示时刻，vf表示乘客的自由流速度，通常取值为1.2m/s，ρ表示乘客密度，ρmax表示最大乘客密度；
e：计算不同水动力学参数下对应的乘客速度值，并将其作为经过校验后的节点场景模型中智能体模型乘客速度设置的基准，仿真模拟不同水动力学参数下乘客通过节点的通行行为，记录水动力学参数、节点设施参数、乘客数量与属性参数、通行时间等数据，获得乘客在节点通行的基础数据集；
f：将节点通行基础数据集按照一定的比例划分为训练集和测试集，将训练集中的数据输入到构建的节点通行时间预测BWO-BP神经网络模型中，通过训练网络得到优化后的网络模型，利用测试集中的数据进一步测试模型，可得到节点通行时间的较为准确的预测结果wi；
BWO-BP神经网络模型是黑寡妇算法优化的BP神经网络模型的简写。
在BP神经网络中，BP神经网络通过层与层向前传播，将得到的最终输出与期望输出进行对比，通过“梯度下降”策略，逐层调节权重和阈值，最终建立输出结果在误差允许范围内的神经网络模型，为了避免因BP神经网络权值选取不合适而造成的预测误差，本技术方案设计采用黑寡妇算法BWO优化BP神经网络权值和阈值，提出一种BWO-BP神经网络模型用于节点通行时间的预测，
进一步，在步骤S1的步骤f中包括以下具体步骤：
将BP神经网络算法对应的权值和阈值作为黑寡妇算法中的候选解xi，候选解代表了黑寡妇蜘蛛的位置，黑寡妇蜘蛛在蜘蛛网内按照线性和螺旋的方式进行移动，根据黑寡妇算法的算法原理中涉及的蜘蛛运动，其位置更新为：
其中，为t+1时刻更新后的个体位置，/>为当前最优个体位置，m为[0.4,0.9]之间随机生成的浮点数，rand为[0,1]的随机数，β为[-1,1]的随机数，r1为1到最大种群数量之间的随机整数，/>为随机选择的第r1个位置，/>为t时刻当前个体位置，π为圆周率；
根据达到终止条件时黑寡妇蜘蛛的位置，可得到BP神经网络的最优权值和阈值，利用优化后的BWO-BP神经网络模型可实现节点通行时间的预测；
下面通过设置闸机处具体的仿真场景对本发明作进一步说明。在BWO-BP神经网络预测模型中，设置的初始种群规模为100，最大迭代次数为1000，BP神经网络中权值的上下界区间为[-5.495,5.538]，在109组乘客在闸机处通行基础数据样本中随机选择80个样本作为训练集，剩余29个样本作为测试集。如图3所示，给出了基于BWO-BP神经网络模型得到的闸机处通行时间的预测结果精度情况，可观察到拟合直线斜率为0.9898，接近于1，这说明预测结果与实际值吻合程度较高。在表1记载中，BWO-BP神经网络预测模型的平均绝对误差、均方误差、均方根误差和平均绝对百分比误差相对于原始BP神经网络的误差范围要小，性能得到了明显提升。
表1节点通行时间预测模型对比结果
| 平均绝对误差 | 均方误差 | 均方根误差 | 平均绝对百分比误差 | |
| BP神经网络 | 0.7842 | 1.4028 | 1.1844 | 0.0230 |
| BWO-BP神经网络 | 0.6835 | 0.9139 | 0.9560 | 0.0198 |
在步骤S2包括以下具体步骤：
g:根据水灾入侵模型，计算不同时刻地铁站内站台层和站厅层的水动力学参数：
h(t)＝vt×t
q(t)＝1.98h(t)1.621
hu1(t)＝V1(t)/As1
hu2(t)＝V2(t)/As2
H＝h(t)cosθ
其中，h(t)为地表积水水深，q(t)为地下空间的单位宽度的入侵流量，V1(t)为t秒时负一楼地下空间水总量，hu1(t)为t秒时负一楼地下空间水深，V2(t)为t秒时负二楼地下空间水总量，hu2(t)为t秒时负一楼地下空间水深，H为t秒时楼梯处水深，vt为地表积水上升速度，B1为地下空间负一层入口楼梯宽度，B2为地下空间负二层入口楼梯宽度，As1为地下空间负一层表面积，As2为地下空间负二层表面积，θ为楼梯段的倾斜角度；
h：根据得到的水动力学参数，计算水灾下乘客运动速度vij；
i：根据节点与节点间的路段长度d、水灾下乘客运动速度vij，计算路段通行时间tij＝d/vij，则路段(i，j)通行时间Tij为：
Tij＝tij·qij
其中，qij表示路段(i，j)上的乘客数量；
j：计算路段(i，j)上乘客的拥挤度Dij：
其中，Cij表示路段容量，Aij表示通道面积，π为圆周率，选取3.14，r表示乘客身体半径，通常取值为0.25m，κ为经验参数，通常设定为0.0929m2；
k：计算路段(i,j)的风险值Rij和楼梯和/或扶梯i的风险值
Ui＝2.09×q(t)0.5×S0.35
其中，为处于人体滑动不稳定时洪水流速，Ui为楼梯处水的流动速度，q(t)为t时刻地下空间单位宽度的入侵流量，S为楼梯坡度，h为水深，ρf为水的密度，hp、mp分别为人的身高及体重，a1、b1、a2、b2表示由中国人平均身体结构特征率决定的拟合参数，a1＝0.633、b1＝0.367、a2＝1015x103、b2＝-4937x10-3，具体可参照《水利学报》基于二维水动力学过程的洪泛区避难逃生路线优化模型及应用中所记载，根据真实人体跌倒失稳的水槽试验结果得到α＝2，β＝4，Hij为路段(i,j)处水深，Hmax为乘客无法走行的临界水深，设置为0.7m，qij为路段(i，j)上的乘客数量，qi为选择楼梯的乘客数量；
l：构建水灾下乘客疏散路径多目标优化模型：
其中，No表示闸机、楼梯和/或扶梯等所有节点的集合，No’表示楼梯和/或扶梯节点的集合；
m：基于NSGAII算法求解水灾下乘客疏散路径多目标优化模型，可得到综合考虑疏散时间、拥挤成本、风险多因素的从起点到终点的路径优化方案，从而可确定闸机、楼梯和/或扶梯等节点处乘客对可行路径的选择概率，并根据选择概率值的大小确定下一个关键节点。
基于PathFinder搭建水灾环境下地铁站乘客疏散三维模拟系统，在步骤S3中包括以下具体步骤：
n：根据乘客疏散路径多目标优化模型中乘客的初始数量、位置、属性，设置水灾环境下地下交通设施疏散三维仿真系统中乘客的异质性参数和初始分布情况；
o：将水动力学参数对乘客运动速度影响的修正值输入到疏散走行网络的关键节点处，并将其作为经过此节点处乘客的当前运动速率；
p：根据PathFinder中多智能体模型定义的速度和避障规则，在节点处乘客的当前运动速率的值的基础上不断更新从当前节点到下一节点间乘客的局部运动速率和方向，直至到达下一个目标节点；
q：根据水灾环境下乘客疏散路径多目标优化模型得到的节点处乘客对可行路径的选择概率，确定下一个目标节点；
r：重复执行步骤p和步骤q，直至所有乘客到达疏散终点；
s：设计疏散优化策略的评估标准ID，评估疏散的安全性：ID＝IDT*θ1+IDR*θ2+IDD*θ3，θ1、θ2、θ3分别表示IDT、IDR、IDD的重要度，其中重要度值根据需求自行定义，看重哪个指标，其重要度值可以适当增大，我们给出的重要度值只是一种示例，在本技术方案中，根据对IDT、IDR、IDD的重要度指的需要，θ1取值为0.34、θ2取值为0.33、θ3取值为0.33，θ1、θ2、θ3的取值按照平均值1/3来确定，因为除不尽，所以，将第一个重要度四舍五入，根据实际情况，可以不同的重要度值进行设置。
ID＝IDT*0.34+IDR*0.33+IDD*0.33
其中，ID表示总改善程度，IDT表示疏散时间的改善程度，IDR表示路段风险的改善程度，IDD表示拥挤成本的改善程度，T、R和D分别表示优化前的疏散时间、路段风险和拥挤成本，可直接基于PathFinder的水灾下地铁站乘客疏散三维仿真系统仿真得到。TO、RO和DO是基于水灾下乘客疏散路径多目标优化模型得到的疏散优化策略所对应的疏散时间、路段风险和拥挤成本。St，Sr和Sd为常数，分别代表所需的疏散时间、路段风险和拥挤成本的标准。根据《地铁设计规范》，将St设置为360s，表示地铁站乘客安全疏散的时间上限值。同时，Sr设置为55，以及Sd设置为18。α表示目标函数对改善程度的贡献水平高于标准时的系数，β表示低于标准时各因素对改善程度的贡献程度，根据黑寡妇算法中的蜘蛛运动原则，设定α和β分别为0.8和0.2，因为当目标值高于标准时，改进更为重要。
本发明构建的乘客疏散路径多目标优化模型可提供地铁站疏散走行网络每个节点上乘客对可行路径的选择概率，该概率可设置在PathFinder搭建的地铁站场景对应的闸机、楼梯和/或扶梯等节点上，从而实现了乘客对路径的优化选择模拟。需要注意的是从当前节点到下一节点间的具体行走轨迹是基于PathFinder中的智能体模型模拟得到的。可以总结为由起点、中间节点、终点连接所构成的完整路径是基于本发明提出的乘客疏散路径多目标优化模型得到的，而节点之间具体的行走路径是基于PathFinder内嵌的智能体模型确定的。
下面以某地铁站为例，通过设置具体的水灾下疏散场景来对本发明作进一步的说明。此地铁站经网络拓扑后可得到如图4所示的疏散走行网络，节点1、2、3、4、5、6表示站台层楼梯口，节点7、8、9、10、11、12表示站厅层楼梯口，节点13、14、15、16、17、18表示闸机，为疏散走行网络的中间节点。节点D、E、A1、A2、B1、B2、C表示出口，为疏散走行网络的终止节点。假设站内乘客随机分布，待疏散的乘客总人数为1000人。采用本发明构建的优化策略后以及直接基于PathFinder的水灾下地铁站乘客疏散三维仿真系统得到的疏散对比结果如表2所示。将时间、拥挤、风险结果带入疏散优化策略的评估标准ID中，可得到疏散效果提高了12.7％。
表2疏散结果对比
进一步，一种水灾环境下地下交通设施疏散路径决策系统，包括：
通行时间预测模块：所述通行时间预测模块通过使用黑寡妇算法优化BP神经网络节点建立通行时间预测模型，计算得到乘客通过闸机和楼梯和/或扶梯节点处的时间；通行时间预测模块执行一种水灾环境下地下交通设施疏散路径决策方法中步骤S1中的方法，得到通行时间预测模型。
乘客疏散路径多目标优化模块：所述乘客疏散路径多目标优化模块基于通行时间预测模块所述的时间预测模型，使用目标函数计算水灾环境下乘客总疏散时间、总疏散风险、总拥挤度，构建乘客疏散路径多目标优化模型，确定乘客疏散推荐路线；乘客疏散路径多目标优化模块执行一种水灾环境下地下交通设施疏散路径决策方法中步骤S2中的方法，构建乘客疏散路径多目标优化模型。
疏散优化策略安全性评估模块：使用PathFinder真实模拟行人运动的仿真软件搭建水灾环境下地下交通设施疏散三维仿真系统，融合乘客疏散路径多目标优化模块中所述的乘客疏散路径多目标优化模型，模拟乘客的疏散逃生行为，评估疏散优化策略的安全性；疏散优化策略安全性评估模块执行一种水灾环境下地下交通设施疏散路径决策方法中步骤S3中的方法，模拟乘客的疏散逃生行为，评估疏散优化策略的安全性。
进一步，为了便于将评估得到的疏散优化策略提供给地铁站内的乘客，需要一种水灾环境下地下交通设施疏散路径决策设备，包括用于通信的总线，至少一个处理器，以及使用总线与所述处理器完成通信的至少一个存储器，以及至少一个与所述处理器通信的接收端，所述处理器用于调用所述存储器中的程序指令，以执行上述的水灾环境下地下交通设施疏散路径决策方法，得到路径优化结果，路径优化结果通过处理器发送至接收端。接收端包括但不局限于手机APP，小程序或地铁站内公示设施。
本发明提供一种水灾下地铁站乘客疏散路径决策优化方法以疏散总时间、总拥挤度、总风险为优化目标，可为乘客实时提供较为合理的疏散路径，构建了一种闸机、楼梯和/或扶梯等节点通行时间预测模型，预测结果精度高，使得疏散路径优化过程中涉及到的疏散总时间的计算结果更加准确，从而路径分配结果更加合理，避免了节点过度拥堵情况的发生；同时，针对的疏散场景是水灾，并将这一危险源的演化参数与行人运动模型和路径决策优化模型相结合，能够更加准确地模拟水灾下的疏散行为，可更好地评估路径优化效果。为水灾环境下地铁站乘客紧急疏散提供了一种安全、高效的疏散策略，提升了车站的应急管理水平。
上述实施例只是为了说明本发明的结构构思和特点，其目的在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限定本发明的保护范围。凡是根据本发明内容的实质所做出的等效变化或修饰，都应该涵盖在本发明的保护范围之内。
Claims (4)
1.一种水灾环境下地下交通设施疏散路径决策方法，其特征在于，包括以下步骤：
S1：使用BP神经网络算法建立节点通行时间预测模型，计算得到乘客通过闸机、楼梯和/或扶梯节点处的时间，使用黑寡妇算法优化所述BP神经网络算法，包括以下具体步骤：
a：通过实地观测和视频拍摄追踪相结合的方式，统计正常情况下地铁站内闸机、楼梯、扶梯疏散网络节点处的实际节点场景数据，包括设施尺寸与布局、客流的通行时间、乘客数量与异质性参数、乘客分布数据；
b：根据步骤a中所述的闸机、楼梯、扶梯的实际节点场景数据，使用仿真软件搭建实际节点场景模型，将实际场景中乘客数量与异质性参数、乘客初始分布数据输入至实际节点场景模型中，根据智能体模型驱动乘客完成节点通行；
c：通过对比节点处的实际通行时间和其相应的实际节点场景模型的模拟值，校验实际节点场景模型中乘客的初始速度、避障参数，得到校验后的节点场景模型；
d：根据洪水动力学参数和乘客运动速度的定量关系，得到不同洪水参数下对应的速度：
m＝1-h/hmax
θ＝1/(0.982+e(1.12t-4))
其中，h表示水深，hmax表示的是乘客无法走行的临界水深，hlittle表示对乘客走行速度几乎没有影响的水深，m表示不同水深下速度的折减系数，θ表示随时间变化的乘客疲劳指数，t表示时刻，vf表示乘客的自由流速度，ρ表示乘客密度，ρmax表示最大乘客密度；
e：计算不同水动力学参数下对应的乘客速度值，并将其设定为经过校验后的节点场景模型中智能体模型乘客速度设置的基准，仿真模拟不同水动力学参数下乘客通过节点的通行行为，记录水动力学参数、节点设施参数、乘客数量与属性参数、通行时间数据，获得乘客在节点通行的基础数据集；
f：将节点通行基础数据集按照一定的比例划分为训练集和测试集，将训练集中的数据输入到使用黑寡妇算法优化BP神经网络节点建立的通行时间预测模型中，通过训练网络得到优化后的网络模型，利用测试集中的数据进一步测试模型，可得到较为准确的节点通行时间预测结果wi，使用所述黑寡妇算法优化所述BP神经网络算法建立节点通行时间预测的步骤包括：
将BP神经网络算法对应的权值和阈值作为黑寡妇算法中的候选解xi，候选解代表了黑寡妇算法中黑寡妇蜘蛛的位置，在黑寡妇算法中，黑寡妇蜘蛛在蜘蛛网内按照线性和螺旋的方式进行移动，其位置更新为：
其中，为t+1时刻更新后的个体位置，/>为当前最优个体位置，m为[0.4,0.9]之间随机生成的浮点数，rand为[0,1]的随机数，β为[-1,1]的随机数，r1为1到最大种群数量之间的随机整数，/>为随机选择的第r1个位置，/>为t时刻当前个体位置，π为圆周率；
根据达到终止条件时黑寡妇蜘蛛的位置，可得到BP神经网络的最优权值和阈值，利用优化后的黑寡妇算法优化BP神经网络模型实现节点通行时间的预测；
S2：基于S1中所述的时间预测模型，使用目标函数计算水灾环境下乘客总疏散时间、总疏散风险、总拥挤度，构建乘客疏散路径多目标优化模型，确定乘客疏散推荐路线，包括以下具体步骤：
g：根据水灾入侵模型，计算不同时刻地铁站内站台层和站厅层的水动力学参数：
h(t)＝vt×t
q(t)＝1.98h(t)1.621
hu1(t)＝V1(t)/As1
hu2(t)＝V2(t)/As2
H＝h(t)cosθ
其中，h(t)为地表积水水深，q(t)为地下空间的单位宽度的入侵流量，V1(t)为t秒时负一楼地下空间水总量，hu1(t)为t秒时负一楼地下空间水深，V2(t)为t秒时负二楼地下空间水总量，hu2(t)为t秒时负一楼地下空间水深，H为t秒时楼梯处水深，vt为地表积水上升速度，B1为地下空间负一层入口楼梯宽度，B2为地下空间负二层入口楼梯宽度，As1为地下空间负一层表面积，As2为地下空间负二层表面积，θ为楼梯段的倾斜角度；
h：根据步骤g得到的水动力学参数，计算水灾下乘客运动速度vij；
i：根据节点与节点间的路段长度d、水灾下乘客运动速度vij，计算路段通行时间tij＝d/vij，则路段(i，j)通行时间Tij为：
Tij＝tij·qij
其中，qij表示路段(i，j)上的乘客数量；
j：计算路段(i，j)上乘客的拥挤度Dij：
其中，Cij表示路段容量，Aij表示通道面积，π为圆周率，r表示乘客身体半径，κ为经验参数；
k：计算路段(i,j)的风险值Rij，楼梯和/或扶梯i的风险值
Ui＝2.09×q(t)0.5×S0.35
为处于人体滑动不稳定时洪水流速，Ui为楼梯处水的流动速度，q(t)为t时刻地下空间单位宽度的入侵流量，S为楼梯坡度，h为水深，ρf为水的密度，hp、mp分别为人的身高及体重，a1、b1、a2、b2表示由中国人平均身体结构特征率决定的拟合参数，根据真实人体跌倒失稳的水槽试验结果得到α＝2，β＝4，Hij为路段(i,j)处水深，Hmax为乘客无法走行的临界水深，qij为路段(i，j)上的乘客数量，qi为选择楼梯的乘客数量；
l：构建水灾下乘客疏散路径多目标优化模型：
No表示闸机、楼梯和/或扶梯等所有节点的集合，No’表示楼梯和/或扶梯节点的集合；
m：使用多目标遗传算法求解水灾环境下乘客疏散路径多目标优化模型，得到综合考虑疏散时间、拥挤成本、风险多因素的从起点到终点的路径优化方案，确定闸机、楼梯和/或扶梯节点处乘客对可行路径的选择概率，并根据选择概率的值的大小确定下一个关键节点；
S3：使用真实模拟行人运动的仿真软件搭建水灾环境下地下交通设施疏散模拟系统，融合S2中所述的乘客疏散路径多目标优化模型，模拟乘客的疏散逃生行为，评估疏散优化策略的安全性。
2.根据权利要求1所述的水灾环境下地下交通设施疏散路径决策方法，其特征是，所述S3中，所述真实模拟行人运动的仿真软件使用PathFinder仿真软件，包括以下具体步骤：
n：根据乘客疏散路径多目标优化模型中乘客的初始数量、位置、属性，设置水灾环境下地下交通设施疏散三维仿真系统中乘客的异质性参数和初始分布情况；
o：将水动力学参数对乘客运动速度影响的修正值输入到疏散走行网络的关键节点处，并将其作为经过此节点处乘客的当前运动速率；
p：根据步骤n中设置好的水灾环境下地下交通设施疏散三维仿真系统中的多智能体模型定义的速度和避障规则，在步骤o中得到的当前运动速率的值的基础上不断更新从当前节点到下一节点间乘客的局部运动速率和方向，直至到达下一个目标节点；
q：根据步骤m中水灾环境下乘客疏散路径多目标优化模型得到的节点处乘客对可行路径的选择概率，确定下一个目标节点；
r：重复执行步骤p和步骤q，直至所有乘客到达疏散终点；
s：评估疏散优化策略的安全性ID，ID＝IDT*θ1+IDR*θ2+IDD*θ3
其中，ID表示总改善程度，IDT表示疏散时间的改善程度，IDR表示路段风险的改善程度，IDD表示拥挤成本的改善程度，θ1、θ2、θ3分别表示IDT、IDR、IDD的重要度。
3.一种水灾环境下地下交通设施疏散路径决策系统，其特征在于，执行如权利要求1-2任一项所述的水灾环境下地下交通设施疏散路径决策方法，包括：
通行时间预测模块：所述通行时间预测模块通过使用黑寡妇算法优化BP神经网络算法建立节点通行时间预测模型，计算得到乘客通过闸机和楼梯和/或扶梯节点处的时间；
乘客疏散路径多目标优化模块：所述乘客疏散路径多目标优化模块基于通行时间预测模块所述的时间预测模型，使用目标函数计算水灾环境下乘客总疏散时间、总疏散风险、总拥挤度，构建乘客疏散路径多目标优化模型，确定乘客疏散推荐路线；
疏散优化策略安全性评估模块：使用PathFinder真实模拟行人运动的仿真软件搭建水灾环境下地下交通设施疏散三维模拟系统，融合乘客疏散路径多目标优化模块中所述的乘客疏散路径多目标优化模型，模拟乘客的疏散逃生行为，评估疏散优化策略的安全性。
4.一种水灾环境下地下交通设施疏散路径决策设备，其特征在于：包括用于通信的总线，至少一个处理器，以及使用总线与所述处理器完成通信的至少一个存储器，以及至少一个与所述处理器通信的接收端，所述处理器用于调用所述存储器中的程序指令，以执行如权利要求1-2任一项所述的水灾环境下地下交通设施疏散路径决策方法，得到路径优化结果，所述路径优化结果通过处理器发送至接收端。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310050123.5A CN116187608B (zh) | 2023-02-01 | 2023-02-01 | 水灾环境下地下交通设施疏散路径决策方法、系统、设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310050123.5A CN116187608B (zh) | 2023-02-01 | 2023-02-01 | 水灾环境下地下交通设施疏散路径决策方法、系统、设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116187608A CN116187608A (zh) | 2023-05-30 |
| CN116187608B true CN116187608B (zh) | 2023-09-15 |
Family
ID=86450094
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310050123.5A Active CN116187608B (zh) | 2023-02-01 | 2023-02-01 | 水灾环境下地下交通设施疏散路径决策方法、系统、设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116187608B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117313931B (zh) * | 2023-09-26 | 2024-03-12 | 青岛理工大学 | 一种基于火灾场景下地铁站台乘客疏散时间的预测方法 |
| CN117251973B (zh) * | 2023-11-13 | 2024-02-20 | 中国水利水电科学研究院 | 一种洪水避灾路线确定方法 |
| 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 |
| CN117541083B (zh) * | 2024-01-09 | 2024-05-28 | 青岛理工大学 | 疏散平台疏散能力的预测方法和装置 |
| 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 (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006323569A (ja) * | 2005-05-18 | 2006-11-30 | Foundation Of River & Basin Integrated Communications Japan | 防災・避難行動シミュレーションシステム |
| CN113988408A (zh) * | 2021-10-27 | 2022-01-28 | 青岛理工大学 | 基于多目标规划的地铁站内客流疏散人工诱导方法 |
| CN114298438A (zh) * | 2022-01-04 | 2022-04-08 | 青岛理工大学 | 多危险源下的地铁站内人员疏散仿真路径规划方法及系统 |
-
2023
- 2023-02-01 CN CN202310050123.5A patent/CN116187608B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006323569A (ja) * | 2005-05-18 | 2006-11-30 | Foundation Of River & Basin Integrated Communications Japan | 防災・避難行動シミュレーションシステム |
| CN113988408A (zh) * | 2021-10-27 | 2022-01-28 | 青岛理工大学 | 基于多目标规划的地铁站内客流疏散人工诱导方法 |
| CN114298438A (zh) * | 2022-01-04 | 2022-04-08 | 青岛理工大学 | 多危险源下的地铁站内人员疏散仿真路径规划方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116187608A (zh) | 2023-05-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116187608B (zh) | 水灾环境下地下交通设施疏散路径决策方法、系统、设备 | |
| Kurdi et al. | Effect of exit placement on evacuation plans | |
| Hoogendoorn et al. | Pedestrian behavior at bottlenecks | |
| CN107330147B (zh) | 一种地铁车站人员应急疏散仿真方法及系统 | |
| Izquierdo et al. | Forecasting pedestrian evacuation times by using swarm intelligence | |
| CN115270506B (zh) | 一种人群沿楼梯上行的通行时间预测方法及系统 | |
| CN111710162B (zh) | 一种城市路网交通运行状况监测方法及系统 | |
| Liu et al. | Modeling the effect of visibility on upstairs crowd evacuation by a stochastic FFCA model with finer discretization | |
| 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 | |
| CN109866798B (zh) | 一种基于引导员的轨道交通车站乘客疏散方法 | |
| CN111611749A (zh) | 基于rnn的室内人群疏散自动引导仿真方法及系统 | |
| CN109583628A (zh) | 一种基于元胞自动机的洪涝人员动态疏散路径分析方法 | |
| CN116882606A (zh) | 一种邮轮应急疏散路径规划方法及装置 | |
| Lui et al. | Constructal design of evacuation from a three-dimensional living space | |
| CN115545359B (zh) | 一种面向复杂建筑火灾的动态智能疏散方法及装置 | |
| CN114757014A (zh) | 基于邮轮火灾与路段容量限制的人员疏散仿真方法 | |
| CN114461931A (zh) | 一种基于多关系融合分析的用户轨迹预测方法和系统 | |
| CN117371760B (zh) | 考虑截止时间和拥塞缓解的分层式客船人员应急疏散方法 | |
| CN112884229B (zh) | 基于差分进化算法的大型公共场所人流引导路径规划方法 | |
| Yang et al. | An efficient evacuation path optimization for passengers in subway stations under floods | |
| Yang et al. | Alighting and boarding time prediction in different types of waiting areas at subway stations | |
| Bargegol et al. | Presentation of regression analysis, GP and GMDH models to predict the pedestrian density in various urban facilities | |
| Chu | A computer model for selecting facility evacuation design using cellular automata | |
| CN102354380A (zh) | 地铁枢纽人员疏散的路径分配方法 | |
| Cheng et al. | A modified particle swarm optimization-based human behavior modeling for emergency evacuation simulation system |
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 |