CN117313931B - 一种基于火灾场景下地铁站台乘客疏散时间的预测方法 - Google Patents

一种基于火灾场景下地铁站台乘客疏散时间的预测方法 Download PDF

Info

Publication number
CN117313931B
CN117313931B CN202311247928.5A CN202311247928A CN117313931B CN 117313931 B CN117313931 B CN 117313931B CN 202311247928 A CN202311247928 A CN 202311247928A CN 117313931 B CN117313931 B CN 117313931B
Authority
CN
China
Prior art keywords
fire
snake
evacuation time
scene
subway
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
CN202311247928.5A
Other languages
English (en)
Other versions
CN117313931A (zh
Inventor
杨晓霞
王杰
董海荣
蔡彬彬
裴丽君
王小涛
马浩
王剑
姜敏
周成林
黄帅
曲大义
张永亮
杨磊
邢元元
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.)
Nanjing Metro Construction Co ltd
Qingdao University of Technology
China Railway Construction Electrification Bureau Group Co Ltd
National Institute of Natural Hazards
Original Assignee
Nanjing Metro Construction Co ltd
Qingdao University of Technology
China Railway Construction Electrification Bureau Group Co Ltd
National Institute of Natural Hazards
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 Nanjing Metro Construction Co ltd, Qingdao University of Technology, China Railway Construction Electrification Bureau Group Co Ltd, National Institute of Natural Hazards filed Critical Nanjing Metro Construction Co ltd
Priority to CN202311247928.5A priority Critical patent/CN117313931B/zh
Publication of CN117313931A publication Critical patent/CN117313931A/zh
Application granted granted Critical
Publication of CN117313931B publication Critical patent/CN117313931B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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"
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Educational Administration (AREA)
  • Computer Security & Cryptography (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及疏散领域，具体的涉及一种基于火灾场景下地铁站台乘客疏散时间的预测方法，包括：1：基于火灾动力学，构建火灾模拟模型，计算火灾下乘客运动速度；2：基于仿真软件构建疏散仿真系统，得到疏散时间，构建基础数据集；3：基于基础数据集，选取影响疏散时间主因；4：利用蛇优化算法对随机森林模型优化，构建乘客疏散时间预测模型；5：利用基础数据集对预测模型进行训练，得到训练完成的预测模型，利用基础数据集中验证预测模型的有效性，将主因作为输入变量，得到疏散时间预测值，预测值为输出变量。本方案无需花费大量时间和精力构建火灾模拟系统和乘客疏散仿真系统，有助于快速评估地铁站规划设计和客流高峰时期管控措施的合理性。

Description

一种基于火灾场景下地铁站台乘客疏散时间的预测方法
技术领域
本发明涉及地铁站紧急疏散技术领域，具体的涉及一种基于火灾场景下地铁站台乘客疏散时间的预测方法。
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。
地铁因其在运量、速度、路权、土地利用等方面的优势而成为城市轨道交通系统中的骨干，是世界各大中型城市发展公共交通的首选，例如，2022年中国地铁运营线路占比高达77.8％，客流吸引量持续增长。车站作为地铁线路上的重要节点，大多建在封闭地下，站内设备集中且客流集散量大，站内最常见的火灾可能对其内高密度客流出行安全造成严重威胁。
疏散时间是地铁站结构设计和客流限流策略制定的重要依据。以往大多采用疏散演练或计算机微观模拟的方法得到疏散时间。疏散演练涉及到的疏散场景有限，需要花费巨大的人力和物力，且涉及伦理道德，获取的疏散时间准确度不高。进行计算机仿真模拟成为一种较为流行的获取疏散时间的方法。然而，不同城市、不同线路的地铁站结构差别较大，建立不同车站仿真场景一般需要人为地调整场景设计参数，工作量大且耗时较长，不利于进行火灾多场景下疏散安全的实时评估。
发明内容
针对现有技术中存在的地铁站不能进行火灾场景下疏散安全时间的实时评估的问题，本发明的目的在于：利用无限潜在特征选择方法辨识出影响火灾情况下地铁站台影响疏散时间的主因，将不同地铁站类型、不同突发火灾地点和火源热释放速率下乘客运动速度、不同站厅人数和站台人数、不同闸机数量、有/无站台-站厅楼梯栏杆、有/无站厅-出口楼梯栏杆、有/无通道栏杆、不同个体期望速度和半径作为预测模型的输入变量，将疏散时间作为输出变量，构建一种基于火灾场景下地铁站台乘客疏散时间的预测方法，为火灾突发事件下不同类型地铁站的设计和高密度客流管控措施制定提供理论数据支撑。
为实现上述目的，本发明采取的技术方案是：一种基于火灾场景下地铁站台乘客疏散时间的预测方法，包括以下步骤：
步骤1：基于火灾动力学，依托地铁站台实际场景，构建所述地铁站台的火灾模拟模型，根据火源参数和人员运动速度关系计算火灾场景下乘客运动速度；
步骤2：基于行人运动学仿真软件构建所述地铁站台的乘客疏散仿真系统，设置地铁站台场景参数，模拟乘客的疏散行为，得到对应场景下地铁站的疏散时间，构建基础数据集；
步骤3：基于所述基础数据集，利用无限潜在特征选择方法对影响乘客疏散时间的因素进行重要性排序，选取影响疏散时间的主因；
步骤4：利用蛇优化算法对随机森林模型进行优化，使用优化后的算法构建所述火灾模拟模型下所述地铁站台的乘客疏散时间预测模型；
步骤5：利用所述基础数据集中的部分数据对所述乘客疏散时间预测模型进行训练，得到训练完成的预测模型，利用所述基础数据集中的剩余部分数据验证所述训练完成的预测模型的有效性，将所述影响疏散时间的主因作为所述训练完成的预测模型的输入变量，得到对应火灾和地铁站台场景下人群在地铁站内的疏散时间预测值，所述疏散时间预测值为输出变量。
上述的基于火灾场景下地铁站台乘客疏散时间的预测方法，步骤1中，所述火源参数包括火源位置、热释放速率，以及通过不断更改火源位置和热释放速率，得到的地铁站台内不同位置处的能见度，根据能见度和系数得到消光系数Cs，CS＝K/VS，其中Vs是能见度，K是系数；乘客运动速度表示为：
其中，Vfast表示快运动速度，Vmiddle表示中等运动速度，Vslow表示慢运动速度。
上述的基于火灾场景下地铁站台乘客疏散时间的预测方法，步骤2中，所述地铁站台场景参数包括地铁站类型、站厅面积、站台面积、突发火灾地点、火源热释放速率、乘客运动速度、站厅人数、站台人数、闸机数量、站台-站厅楼梯栏杆、站厅-出口楼梯栏杆、通道栏杆、个体期望速度和半径。
上述的基于火灾场景下地铁站台乘客疏散时间的预测方法，步骤3中，所述利用无限潜在特征选择方法对影响乘客疏散时间的因素进行重要性排序包括以下步骤：
步骤301：将所述地铁站台场景参数的特征变量编码成数值形式；
步骤302：使用无限潜在特征选择方法训练一个潜在特征空间模型，所述潜在特征空间模型将所述地铁站台场景参数中的原始特征映射到低维的潜在特征空间中；
步骤303：在训练完成后，计算每个所述地铁站台场景参数的特征在所述潜在特征空间模型中的重要性得分；
步骤304：根据所述重要性得分，对所述地铁站台场景参数的特征进行排序，以确定所述地铁站台场景参数的特征的重要性顺序。
上述的基于火灾场景下地铁站台乘客疏散时间的预测方法，步骤4中，所述随机森林模型通过抽样从数据量为N、特征值为K的训练集中随机有放回地抽取n个样本数据并随机选择k个特征，构成新的训练子集训练决策树，重复p次，建立p棵决策树，将p棵决策树集成为随机森林，最后计算p棵决策树的算术平均值作为所述随机森林模型的最终预测结果，得到所述随机森林模型的树木个数和最小叶子数；
所述蛇优化算法将蛇群分为个体数量相等的雄性蛇群和雌性蛇群，所述蛇群个数总数为N，所述雄性蛇群和雌性蛇群个体数分别为Nm＝Nf＝N/2，所述蛇优化算法包括全局探索阶段和局部开发阶段，通过所述全局探索阶段和局部开发阶段，得到所述雄性蛇群和雌性蛇群的最优适应度值和当前所处的最优位置；
所述蛇优化算法将所述最优位置反馈给所述随机森林模型的树木个数和最小叶子数，对所述随机森林模型中的参数进行优化。
上述的基于火灾场景下地铁站台乘客疏散时间的预测方法，所述随机森林模型在所述抽样过程中使用Bootstrap方法进行有放回地随机抽样。
上述的基于火灾场景下地铁站台乘客疏散时间的预测方法，所述全局探索阶段的方法包括：
假设求解空间为蛇群觅食空间，定义空间内的食物量为：
式中，tc为当前迭代次数，Nmax为最大迭代次数；
设置食物阈值，当所述食物量低于所述食物阈值时，所述蛇群进入所述全局探索阶段，此时所述雄性个体和雌性个体的位置更新可以表示为：
式中，Xi,m和Xi,f分别为第i个雄性蛇和雌性蛇的位置，Xr,m和Xr,f分别为雄性蛇群和雌性蛇群中随机个体的位置，“±”为正负号，计算中随机选取，frm和frf分别为Xr,m和Xr,f对应的适应度值，fim和fif分别为第i个雄性蛇和雌性蛇的适应度值，b1和b0分别为解空间的上界和下界，γd为(0,1)之间的随机数。
上述的基于火灾场景下地铁站台乘客疏散时间的预测方法，所述局部开发阶段的方法包括：
当所述食物量高于所述食物阈值时，所述蛇群进入所述局部开发阶段，所述蛇群的行为主要受环境温度影响，定义所述环境温度为：
设置温度阈值，当环境温度高于所述温度阈值时，所述蛇群仅在栖息地食用储存的食物，此时所述雄性个体和雌性个体的位置更新表示为：
式中，Xfd为蛇群食物的位置，即全局最优解；
当环境温度不高于所述温度阈值时，所述蛇群会进行求偶，在求偶过程中，所述蛇群根据随机概率Pr选择与异性交配或者同性攻击，当Pr>0.6时，所述蛇群进行异性交配行为，此时所述雄性个体和雌性个体的位置更新为：
当Pr≤0.6时，所述蛇群停止异性交配行为，转而进行同性攻击，此时所述雄性个体和雌性个体的位置更新为：
式中，fb,m和fb,f分别为雄性蛇群和雌性蛇群的最优适应度值；Xb,m和Xb,f分别为雄性蛇群和雌性蛇群当前所处的最优位置。
上述的基于火灾场景下地铁站台乘客疏散时间的预测方法，在所述步骤5中，所述部分数据为所述基础数据集中的70％，所述剩余部分数据为所述基础数据集中的30％，所述部分数据根据适应度函数的均方误差值不断训练所述训练完成的疏散时间预测模型，利用剩余部分数据采用、平均绝对误差和决定系数三个评价指标对所述训练完成的疏散时间预测模型进行评价。
上述的基于火灾场景下地铁站台乘客疏散时间的预测方法，所述均方根误差的评价表示为：
所述平均绝对误差的评价表示为：
所述决定系数的评价表示为：其中，N表示样本总数，fi表示预测值，yi表示真实值，/>表示平均值。
本发明一种基于火灾场景下地铁站台乘客疏散时间的预测方法的有益效果是：利用蛇优化算法优化随机森林模型以预测地铁站乘客疏散时间，仅需输入不同地铁站的站台和站厅面积及内部闸机和栏杆参数、乘客数量和火源参数后便可迅速且准确得到乘客疏散时间，无需花费大量时间和精力构建地铁站火灾模拟系统和乘客疏散仿真系统，有助于快速评估地铁站规划设计和客流高峰时期管控措施的合理性。
通过计算得到不同的火源位置和火源的热释放速率下的能见度，计算得到乘客的运动速度，为模拟火灾场景下乘客在地铁站内的疏散运动提供数据支持。
基于基础数据集，利用无限潜在特征选择方法可以对影响乘客疏散时间的因素进行重要性排序，获得主要影响原因。
通过使用蛇优化算法对随机森林模型中的参数进行优化，并构建优化后的模型，克服有放回地随机抽样过程中产生的数据集的不平衡性导致的在处理低维不平衡数据集时具有一定的局限性。
通过向训练完成的预测模型中输入待测试地铁站台的场景参数，及能够实时得到作为输出变量的疏散时间。
附图说明
图1为本发明整体流程示意图；
图2为本发明某一地铁站的三维仿真模型图；
图3为本发明蛇优化算法优化随机森林模型的流程图；
图4本发明地铁站站台层和站厅层火源可能发生位置分布图；
图5本发明楼梯设置栏杆示意图。
具体实施方式
为使本领域技术人员更好地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。
本发明以某一地铁站为例来详细说明地铁站乘客疏散时间预测的方法过程，本发明整体流程示意图如图1所示，地铁站的三维仿真模型图如图2所示。
蛇优化算法是由Hashim等在2022年提出的优化算法，该算法的灵感源于蛇群的觅食和交配行为，这两种行为主要受食物量和环境温度的影响，随机森林是一种基于决策树和集成学习的监督式机器学习方法，蛇优化算法优化随机森林模型的流程图如图3所示。
一种火灾场景下地铁站乘客疏散时间的预测方法，包括：
S101：依据实际地铁站场景，基于火灾动力学仿真软件CFAST构建不同类型地铁站的火灾模拟系统，通过不断更改火源位置和热释放速率，得到多地铁站内不同位置处的能见度，根据火源参数与人员运动速度关系计算火灾场景下乘客运动速度。
地铁站的火灾模拟系统可以采用火灾动力学软件如CFAST、FDS和Pyrosim等进行搭建，乘客疏散仿真系统可以基于行人运动学仿真软件如PathFinder和Anylogic等进行搭建。本发明以火灾动力学软件CFAST软件，行人运动学仿真软件如PathFinder软件为例。
CFAST是一款专门用于模拟火灾演化动力学的仿真软件，可以准确地预测分析烟气的运动、能见度的变化情况。火灾发生时，在给定空间场景下火灾的动力学参数遵循质量守恒定律、能量守恒定律和动量守恒定律。本发明主要应用CFAST软件模拟得到地铁站内发生火灾时的相关动力学参数，为火灾场景下人员运动速度的修订提供数据支持。地铁站站台层和站厅层火源可能发生位置分布如图4中所标记的数字1-18所示，图中，1、4、7、10是站厅层通道处火源设置地，2、3、5、6、8、9是站厅层楼梯和闸机处火源设置地，11、12、13、14、15、16、17、18是站台层楼梯和通道处火源设置地。
本发明通过能见度变化计算烟雾中乘客的紧急疏散速度，以描述火灾场景下人员的疏散行为。能见度和消光系数Cs之间的计算公式为：
CS＝K/VS (1)。
这里，Vs是能见度，K是系数。
乘客疏散运动速度可用下式表示：
通过CFAST火灾模拟软件得到不同的火源位置和火源的热释放速率下的能见度，计算得到乘客的运动速度，为模拟火灾场景下乘客在地铁站内的疏散运动提供数据支持。
S102：基于行人运动学仿真软件Pathfinder构建不同地铁站的乘客疏散仿真系统，设置不同地铁站类型、不同突发火灾地点和火源热释放速率下乘客运动速度、不同站厅人数和站台人数、不同闸机数量、有/无站台-站厅楼梯栏杆、有/无站厅-出口楼梯栏杆、有/无通道栏杆、不同个体期望速度和半径，模拟乘客的疏散行为，得到对应场景下地铁站的疏散时间，构建包含训练集和验证集的基础数据集。训练集为基础数据集中的部分数据，一般占70％，基础数据集中的剩余部分数据为验证集，一般占30％。
PathFinder是一款能够直观、智能地模拟人员疏散逃生的仿真软件。它基于智能体模型进行人员运动行为的刻画，可较为准确地估计灾难发生时行人的逃生路径和逃生时间。PathFinder软件中的Steering模式采用路径规划、指导机制和碰撞处理这三种方式规划行人的运动，该模式下行人可根据总距离以及人员之间的距离确定疏散路径，可有效避免人员间的碰撞，更加符合人们的实际出行规律。因此，本发明采用PathFinder软件的Steering模式进行地铁站内乘客逃生运动行为的建模。在进行地铁站乘客疏散仿真系统构建的过程中，楼梯设置栏杆的示意图如图5中19所示。
本发明通过在仿真实验中设置不同地铁站类型、不同突发火灾地点和火源热释放速率下乘客运动速度、不同站厅人数和站台人数、不同闸机数量、有/无站台-站厅楼梯栏杆、有/无站厅-出口楼梯栏杆、有/无通道栏杆、不同个体期望速度和半径，获取基础数据集，所用方法是基于火灾动力学和行人运动学仿真软件构建的地铁站场景三维仿真模型进行仿真，可较为准确地模拟火灾场景下的个体运动，因此仿真所得疏散数据的可信度较高。
S103：无限潜在特征选择是一种用于特征选择和特征重要性排序的算法。它可以应用于分类特征变量的特征重要性排序。
无限潜在特征选择方法的基本思想是通过学习一个潜在特征空间，并将原始特征映射到该潜在特征空间中。通过量化每个特征对特征空间的影响程度来计算特征的重要性。基于基础数据集，利用无限潜在特征选择方法对影响乘客疏散时间的因素进行重要性排序，选取重要度靠前的站厅面积、站台面积、站厅人数、站台人数、突发火灾地点、火源热释放速率、闸机数量、站台-站厅楼梯栏杆、站厅-出口楼梯栏杆、通道栏杆、个体期望速度和半径作为影响疏散时间的主因。以下是使用无限潜在特征选择算法对分类特征变量进行特征重要性排序的步骤：
1.将分类特征变量编码成数值形式。
2.使用无限潜在特征选择方法训练一个潜在特征空间模型，该模型将原始特征映射到低维的潜在特征空间中。
3.在训练完成后，计算每个特征在潜在特征空间中的重要性得分。
4.根据特征的重要性得分，对特征进行排序，以确定它们的重要性顺序。
S104：利用蛇优化算法对随机森林模型进行优化，构建火灾场景下不同类型地铁站乘客疏散时间预测模型。
随机森林模型是一种基于决策树和集成学习的监督式机器学习方法，基本原理是通过Bootstrap法从数据量为N、特征值为K的训练集中随机有放回地抽取n个样本数据并随机选择k(k<＝K)个特征，构成新的训练子集训练决策树，重复p次，建立p棵决策树，应用Bagging思想将p棵决策树集成为随机森林，最后计算p棵决策树的算术平均值作为该算法的最终预测结果。随机森林算法具有模型稳定、抗拟合能力、抗噪能力和泛化能力强、对数据要求低等优点，能够有效地处理非线性问题。该算法在抽样过程中使用Bootstrap方法进行有放回地随机抽样，这种随机性会加剧数据集的不平衡性，在处理低维不平衡数据集时具有一定的局限性。为了克服此问题以提高随机森林模型对数据预测的准确性，本发明利用蛇优化算法对随机森林模型中的参数即树木个数和最小叶子数进行优化。
具体方法包括：
(1)数据预处理，随机选择基础数据集中的70％数据作为训练集，即部分数据，剩余的30％数据作为验证集，即剩余部分数据。
(2)建立随机森林模型，设置参数树木个数和最小叶子数。
(3)使用蛇优化算法对随机森林参数树木个数和最小叶子数进行迭代寻优，通过蛇群空间位置的全局探索更新和局部开发更新得到最优位置，即为模型最优的树木个数和最小叶子数。
(4)训练验证，得出结果并评价，适应度函数为随机森林模型对于训练集和验证集的均方误差，均方误差越低越好。
具体的，蛇优化算法是由Hashim等在2022年提出的优化算法，该算法的灵感源于蛇群的觅食和交配行为，这两种行为主要受食物量和环境温度的影响。如果温度较低且有食物可用，则会发生交配，否则蛇只会寻找食物或吃掉现有的食物，根据这些信息，将搜索过程分为两个阶段即探索和开发。探索代表了环境因素，即寒冷的地方和食物，在这种情况下，蛇只在周围寻找食物。对于开发，该阶段包括许多转换阶段，以提高全局效率。在有食物但温度很高的情况下，蛇只会专注于吃可用的食物。如果食物充足而环境寒冷，就会导致交配过程的发生。如果交配过程发生在搜索空间内，雌蛇就有可能产卵孵化成新的蛇。
蛇优化算法将蛇群分为个体数量相等的雄性蛇群和雌性蛇群，假设蛇群个数总数为N，雄性蛇群和雌性蛇群个体数分别为Nm＝Nf＝N/2。该算法主要分为全局搜索和局部开发两个阶段。
①全局探索阶段。
假设求解空间为蛇群觅食空间，定义空间内的食物量为
式中，tc为当前迭代次数，Nmax为最大迭代次数。
设置食物阈值，食物阈值一般设置为0.25，当食物量低于食物阈值Th1＝0.25，即Q<0.25时，蛇群进入全局探索阶段，此时雄性个体和雌性个体的位置更新可以表示为：
式中，Xi,m和Xi,f分别为第i个雄性蛇和雌性蛇的位置，Xr,m和Xr,f分别为雄性蛇群和雌性蛇群中随机个体的位置，“±”为正负号，计算中随机选取，fr,m和fr,f分别为Xr,m和Xr,f对应的适应度值，fi,m和fi,f分别为第i个雄性蛇和雌性蛇的适应度值，b1和b0分别为解空间的上界和下界，γd为(0,1)之间的随机数。
通过全局探索阶段，得到食物量低于食物阈值时，雄性个体和雌性个体的位置。
②局部开发阶段。
当食物量高于食物阈值Th1，即Q>0.25时，蛇群进入局部开发阶段，在此阶段，蛇群的行为主要受环境温度影响，定义环境温度为：
定义温度阈值，温度阈值一般设置为Th2＝0.6，在局部开发阶段，当环境温度高于温度阈值，即Q>0.25且T>0.6时，蛇群仅在栖息地食用储存的食物，此时雄性个体和雌性个体的位置更新表示为：
式中，Xfd为蛇群食物的位置，即全局最优解；
否则，在环境温度不高于温度阈值时，蛇群会进行求偶，在求偶过程中，蛇群根据随机概率Pr(Pr属于(0，1))选择与异性交配或者同性攻击，当Pr>0.6时，蛇群进行异型交配行为，此时雄性个体和雌性个体的位置更新为：
当Pr≤0.6时，蛇群停止异性交配行为，转而进行同性攻击，此时雄性个体和雌性个体的位置更新为：
式中，fb,m和fb,f分别为雄性蛇群和雌性蛇群的最优适应度值；Xb,m和Xb,f分别为雄性蛇群和雌性蛇群当前所处的最优位置，蛇优化算法将此处得到的最优位置反馈给随机森林模型的树木个数和最小叶子数。
S105：利用训练集对优化后的疏散时间预测模型进行训练，得到训练完成的预测模型，利用验证集验证预测模型的有效性，向训练完成的预测模型中输入待预测地铁站的站厅面积、站台面积、站厅人数、站台人数、突发火灾地点、火源热释放速率、闸机数量、站台-站厅楼梯栏杆、站厅-出口楼梯栏杆、通道栏杆、个体期望速度和半径，得到对应火灾和地铁站场景下人群在地铁站内的疏散时间预测值。
进一步的，训练完成的模型其树木数量和最小叶子数是由蛇优化算法中觅食和交配后雌性蛇群和雄性蛇群的最优位置确定的，影响疏散时间的主因，即待预测地铁站的站厅面积、站台面积、站厅人数、站台人数、突发火灾地点、火源热释放速率、闸机数量、站台-站厅楼梯栏杆、站厅-出口楼梯栏杆、通道栏杆、个体期望速度和半径作为输入变量，疏散时间作为输出变量。
随机选择基础数据集中的70％数据作为训练集，根据适应度函数即均方误差值不断训练疏散时间预测模型，均方误差越低越好，剩余的30％数据作为验证集，为了保证疏散时间预测模型的准确性，本发明采用均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R2)三个评价指标进行评价，如下所示：
式中，N表示样本总数，fi表示预测值，yi表示真实值，表示平均值。
上述实施例只是为了说明本发明的发明构思和特点，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 (8)

1.一种基于火灾场景下地铁站台乘客疏散时间的预测方法，其特征在于，包括以下步骤：
步骤1：基于火灾动力学，依托地铁站台实际场景，构建所述地铁站台的火灾模拟模型，根据火源参数和人员运动速度关系计算火灾场景下乘客运动速度，所述火源参数包括火源位置、热释放速率，以及通过不断更改火源位置和热释放速率，得到的地铁站台内不同位置处的能见度，根据能见度和系数得到消光系数Cs，CS＝K/VS，其中Vs是能见度，K是系数；乘客运动速度表示为：
其中，Vfast表示快运动速度，Vmiddle表示中等运动速度，Vslow表示慢运动速度；
步骤2：基于行人运动学仿真软件构建所述地铁站台的乘客疏散仿真系统，设置地铁站台场景参数，模拟乘客的疏散行为，得到对应场景下地铁站的疏散时间，构建基础数据集；
步骤3：基于所述基础数据集，利用无限潜在特征选择方法对影响乘客疏散时间的因素进行重要性排序，选取影响疏散时间的主因，所述利用无限潜在特征选择方法对影响乘客疏散时间的因素进行重要性排序包括以下步骤：
步骤301：将所述地铁站台场景参数的特征变量编码成数值形式；
步骤302：使用无限潜在特征选择方法训练一个潜在特征空间模型，所述潜在特征空间模型将所述地铁站台场景参数中的原始特征映射到低维的潜在特征空间中；
步骤303：在训练完成后，计算每个所述地铁站台场景参数的特征在所述潜在特征空间模型中的重要性得分；
步骤304：根据所述重要性得分，对所述地铁站台场景参数的特征进行排序，以确定所述地铁站台场景参数的特征的重要性顺序；
步骤4：利用蛇优化算法对随机森林模型进行优化，使用优化后的算法构建所述火灾模拟模型下所述地铁站台的乘客疏散时间预测模型；
步骤5：利用所述基础数据集中的部分数据对所述乘客疏散时间预测模型进行训练，得到训练完成的预测模型，利用所述基础数据集中的剩余部分数据验证所述训练完成的预测模型的有效性，将所述影响疏散时间的主因作为所述训练完成的预测模型的输入变量，得到对应火灾和地铁站台场景下人群在地铁站内的疏散时间预测值，所述疏散时间预测值为输出变量。
2.根据权利要求1所述的基于火灾场景下地铁站台乘客疏散时间的预测方法，其特征在于，步骤2中，所述地铁站台场景参数包括地铁站类型、站厅面积、站台面积、突发火灾地点、火源热释放速率、乘客运动速度、站厅人数、站台人数、闸机数量、站台-站厅楼梯栏杆、站厅-出口楼梯栏杆、通道栏杆、个体期望速度和半径。
3.根据权利要求1所述的基于火灾场景下地铁站台乘客疏散时间的预测方法，其特征在于，步骤4中，所述随机森林模型通过抽样从数据量为N、特征值为K的训练集中随机有放回地抽取n个样本数据并随机选择k个特征，构成新的训练子集训练决策树，重复p次，建立p棵决策树，将p棵决策树集成为随机森林，最后计算p棵决策树的算术平均值作为所述随机森林模型的最终预测结果，得到所述随机森林模型的树木个数和最小叶子数；
所述蛇优化算法将蛇群分为个体数量相等的雄性蛇群和雌性蛇群，所述蛇群个数总数为N，所述雄性蛇群和雌性蛇群个体数分别为Nm＝Nf＝N/2，所述蛇优化算法包括全局探索阶段和局部开发阶段，通过所述全局探索阶段和局部开发阶段，得到所述雄性蛇群和雌性蛇群的最优适应度值和当前所处的最优位置；
所述蛇优化算法将所述最优位置反馈给所述随机森林模型的树木个数和最小叶子数，对所述随机森林模型中的参数进行优化。
4.根据权利要求3所述的基于火灾场景下地铁站台乘客疏散时间的预测方法，其特征在于，所述随机森林模型在所述抽样过程中使用Bootstrap方法进行有放回地随机抽样。
5.根据权利要求3所述的基于火灾场景下地铁站台乘客疏散时间的预测方法，其特征在于，所述全局探索阶段的方法包括：
假设求解空间为蛇群觅食空间，定义空间内的食物量为：式中，tc为当前迭代次数，Nmax为最大迭代次数；
设置食物阈值，当所述食物量低于所述食物阈值时，所述蛇群进入所述全局探索阶段，此时雄性个体和雌性个体的位置更新可以表示为：
式中，Xi,m和Xi,f分别为第i个雄性个体和雌性个体的位置，Xr,m和Xr,f分别为雄性蛇群和雌性蛇群中随机个体的位置，“±”为正负号，计算中随机选取，fr,m和fr,f分别为Xr,m和Xr,f对应的适应度值，fi,m和fi,f分别为第i个雄性个体和雌性个体的适应度值，b1和b0分别为解空间的上界和下界，γd为(0,1)之间的随机数。
6.根据权利要求5所述的基于火灾场景下地铁站台乘客疏散时间的预测方法，其特征在于，所述局部开发阶段的方法包括：
当所述食物量高于所述食物阈值时，所述蛇群进入所述局部开发阶段，所述蛇群的行为主要受环境温度影响，定义所述环境温度为：
设置温度阈值，当环境温度高于所述温度阈值时，所述蛇群仅在栖息地食用储存的食物，此时所述雄性个体和雌性个体的位置更新表示为：
式中，Xfd为蛇群食物的位置，即全局最优解；
当环境温度不高于所述温度阈值时，所述蛇群会进行求偶，在求偶过程中，所述蛇群根据随机概率Pr选择与异性交配或者同性攻击，当Pr>0.6时，所述蛇群进行异性交配行为，此时所述雄性个体和雌性个体的位置更新为：
当Pr≤0.6时，所述蛇群停止异性交配行为，转而进行同性攻击，此时所述雄性个体和雌性个体的位置更新为：
式中，fb,m和fb,f分别为雄性蛇群和雌性蛇群的最优适应度值；Xb,m和Xb,f分别为雄性蛇群和雌性蛇群当前所处的最优位置。
7.根据权利要求6所述的基于火灾场景下地铁站台乘客疏散时间的预测方法，其特征在于，在所述步骤5中，所述部分数据为所述基础数据集中的70％，所述剩余部分数据为所述基础数据集中的30％，所述部分数据根据适应度函数的均方误差值不断训练所述训练完成的疏散时间预测模型，利用剩余部分数据采用均方根误差、平均绝对误差和决定系数三个评价指标对所述训练完成的疏散时间预测模型进行评价。
8.根据权利要求7所述的基于火灾场景下地铁站台乘客疏散时间的预测方法，其特征在于，所述均方根误差的评价表示为：
所述平均绝对误差的评价表示为：
所述决定系数的评价表示为：
其中，N表示样本总数，fi表示预测值，yi表示真实值，表示平均值。
CN202311247928.5A 2023-09-26 2023-09-26 一种基于火灾场景下地铁站台乘客疏散时间的预测方法 Active CN117313931B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311247928.5A CN117313931B (zh) 2023-09-26 2023-09-26 一种基于火灾场景下地铁站台乘客疏散时间的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311247928.5A CN117313931B (zh) 2023-09-26 2023-09-26 一种基于火灾场景下地铁站台乘客疏散时间的预测方法

Publications (2)

Publication Number Publication Date
CN117313931A CN117313931A (zh) 2023-12-29
CN117313931B true CN117313931B (zh) 2024-03-12

Family

ID=89259635

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311247928.5A Active CN117313931B (zh) 2023-09-26 2023-09-26 一种基于火灾场景下地铁站台乘客疏散时间的预测方法

Country Status (1)

Country Link
CN (1) CN117313931B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117610437A (zh) * 2024-01-24 2024-02-27 青岛理工大学 水灾场景下地下车站疏散高风险区预测方法和装置

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109522876A (zh) * 2018-12-13 2019-03-26 北京交通大学 基于bp神经网络的地铁站楼扶梯选择预测方法及系统
CN113177347A (zh) * 2021-05-10 2021-07-27 清华大学 一种人群运动模拟方法、装置、设备及存储介质
CN116187608A (zh) * 2023-02-01 2023-05-30 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
CN116401941A (zh) * 2023-03-27 2023-07-07 青岛理工大学 一种地铁站闸机疏散能力的预测方法
CN116451892A (zh) * 2023-03-24 2023-07-18 哈尔滨工业大学（深圳） 一种地铁站火灾的人群疏散方案的制定方法和相关装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111047814B (zh) * 2019-12-26 2022-02-08 山东科技大学 一种适用于地铁站火灾警情的智能疏散系统及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109522876A (zh) * 2018-12-13 2019-03-26 北京交通大学 基于bp神经网络的地铁站楼扶梯选择预测方法及系统
CN113177347A (zh) * 2021-05-10 2021-07-27 清华大学 一种人群运动模拟方法、装置、设备及存储介质
CN116187608A (zh) * 2023-02-01 2023-05-30 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
CN116451892A (zh) * 2023-03-24 2023-07-18 哈尔滨工业大学（深圳） 一种地铁站火灾的人群疏散方案的制定方法和相关装置
CN116401941A (zh) * 2023-03-27 2023-07-07 青岛理工大学 一种地铁站闸机疏散能力的预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
中庭式地铁车站火灾安全疏散仿真研究;何利英;;地下空间与工程学报;20100815(第04期);205-210 *
地铁火灾事故中人员疏散时间计算模型与仿真;李杨杨;;现代交通技术;20200226(第01期);87-92 *

Also Published As

Publication number Publication date
CN117313931A (zh) 2023-12-29

Similar Documents

Publication Publication Date Title
Krishan et al. Air quality modelling using long short-term memory (LSTM) over NCT-Delhi, India
CN112216108B (zh) 一种基于属性增强的时空图卷积模型的交通预测方法
CN111841012B (zh) 一种自动驾驶模拟仿真系统及其测试资源库建设方法
CN103679611B (zh) 基于案例推理的城市综合应急智能仿真系统的运行方法
Liu et al. Discovery of transition rules for geographical cellular automata by using ant colony optimization
CN117313931B (zh) 一种基于火灾场景下地铁站台乘客疏散时间的预测方法
CN106205156A (zh) 一种针对部分车道车流突变的交叉口自愈合控制方法
CN108090624B (zh) 一种改进元胞自动机的城市生态安全模拟与预测的方法
CN109118020A (zh) 一种地铁车站能耗短期预测方法及其预测系统
CN110826244B (zh) 模拟轨道交通影响城市生长的共轭梯度元胞自动机方法
CN112163367A (zh) 融合萤火虫算法和元胞自动机的城市扩张模拟预测方法
CN108053052A (zh) 一种油罐车油气泄漏速度智能监测系统
CN116401941B (zh) 一种地铁站闸机疏散能力的预测方法
CN109783629A (zh) 一种融合全局事件关系信息的微博客事件谣言检测方法
CN109299208A (zh) 一种台风灾害下输电杆塔智能可视化风险评估方法
Robati et al. Inflation rate modeling: Adaptive neuro-fuzzy inference system approach and particle swarm optimization algorithm (ANFIS-PSO)
Yang et al. A multitarget land use change simulation model based on cellular automata and its application
Yang et al. Multi-objective optimization of evacuation route for heterogeneous passengers in the metro station considering node efficiency
CN113240219A (zh) 一种土地利用模拟及预测方法
CN116167254A (zh) 基于城市大数据的多维城市仿真推演方法和系统
Xu Risk Assessment of Green Intelligent Building Based on Artificial Intelligence
CN113642162A (zh) 一种城市道路交通应急预案仿真综合分析方法
Ye et al. Hybrid calibration of agent-based travel model using traffic counts and AVI data
Zhou [Retracted] Layout Optimization of Urban Cultural Space Construction Based on Forward Three‐Layer Neural Network Model
LOMBARDINI Geosimulation methods for settlement morphologies analysis and territorial development cycles

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