留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

利用反向流和冲突消除进行人车混行疏散路网优化

李秋萍 栾学晨 周素红 张星

李秋萍, 栾学晨, 周素红, 张星. 利用反向流和冲突消除进行人车混行疏散路网优化[J]. 武汉大学学报 ● 信息科学版, 2018, 43(3): 349-355. doi: 10.13203/j.whugis20150482
引用本文: 李秋萍, 栾学晨, 周素红, 张星. 利用反向流和冲突消除进行人车混行疏散路网优化[J]. 武汉大学学报 ● 信息科学版, 2018, 43(3): 349-355. doi: 10.13203/j.whugis20150482
LI Qiuping, LUAN Xuechen, ZHOU Suhong, ZHANG Xing. Evacuation Network Optimization Based on Contraflow and Conflict Elimination for Pedestrian-Vehicle Mixed Flows[J]. Geomatics and Information Science of Wuhan University, 2018, 43(3): 349-355. doi: 10.13203/j.whugis20150482
Citation: LI Qiuping, LUAN Xuechen, ZHOU Suhong, ZHANG Xing. Evacuation Network Optimization Based on Contraflow and Conflict Elimination for Pedestrian-Vehicle Mixed Flows[J]. Geomatics and Information Science of Wuhan University, 2018, 43(3): 349-355. doi: 10.13203/j.whugis20150482

利用反向流和冲突消除进行人车混行疏散路网优化

doi: 10.13203/j.whugis20150482
基金项目: 

空间信息智能感知与服务深圳市重点实验室(深圳大学)开放基金 42990005

国家自然科学基金 41501424

国家自然科学基金 41271166

国家自然科学基金 41522104

国家自然科学基金 41301511

深圳市科技计划基础研究项目 JCYJ20140418095735587

中央高校基本科研业务费专项资金资助 15lgjc38

详细信息
    作者简介:

    李秋萍, 博士, 讲师, 主要从事应急疏散交通流建模及疏散方案优化研究。liqp3@mail.sysu.edu.cn

    通讯作者: 栾学晨, 博士。luanxuechen@ritu.cn
  • 中图分类号: P208

Evacuation Network Optimization Based on Contraflow and Conflict Elimination for Pedestrian-Vehicle Mixed Flows

Funds: 

The Open Fund of Shenzhen Key Laboratory of Spatial Smart Sensing and Services (Shenzhen University) 42990005

the National Natural Science Foundation of China 41501424

the National Natural Science Foundation of China 41271166

the National Natural Science Foundation of China 41522104

the National Natural Science Foundation of China 41301511

Shenzhen Scientific Research and Development Funding Program JCYJ20140418095735587

the Fundamental Research Funds for the Central Universities 15lgjc38

More Information
    Author Bio:

    LI Qiuping, PhD, lecturer, specializes in transportation modeling and emergency evacuation optimization. E-mail: liqp3@mail.sysu.edu.cn

    Corresponding author: LUAN Xuechen, PhD. E-mail: luanxuechen@ritu.cn
图(8) / 表(2)
计量
  • 文章访问数:  1215
  • HTML全文浏览量:  111
  • PDF下载量:  362
  • 被引次数: 0
出版历程
  • 收稿日期:  2016-03-21
  • 刊出日期:  2018-03-05

利用反向流和冲突消除进行人车混行疏散路网优化

doi: 10.13203/j.whugis20150482
    基金项目:

    空间信息智能感知与服务深圳市重点实验室(深圳大学)开放基金 42990005

    国家自然科学基金 41501424

    国家自然科学基金 41271166

    国家自然科学基金 41522104

    国家自然科学基金 41301511

    深圳市科技计划基础研究项目 JCYJ20140418095735587

    中央高校基本科研业务费专项资金资助 15lgjc38

    作者简介:

    李秋萍, 博士, 讲师, 主要从事应急疏散交通流建模及疏散方案优化研究。liqp3@mail.sysu.edu.cn

    通讯作者: 栾学晨, 博士。luanxuechen@ritu.cn
  • 中图分类号: P208

摘要: 城市突发事件时人员会选择不同的交通方式(步行、驾车等)进行疏散,在交叉口处极易出现人车混行。提出了一种利用反向流和冲突消除策略的人车混行疏散路网优化方法,对主要疏散路径进行人、车流的反向以扩大通行能力,并在交叉口处禁止人、车的部分转向来进行人车分流以消减人车冲突。建立了以平均疏散时间和平均疏散路径长度最小为目标的优化模型,并利用遗传算法求解最优的人车分流方案。以武汉市2 km范围内的路网为例进行实验,并针对不同的人车混合比例进行模型敏感性分析。结果表明,所提方法能通过人车混行网络设计提高疏散效率,在行人比例较高的情况下,平均疏散时间及疏散路径长度的改善较明显。

English Abstract

李秋萍, 栾学晨, 周素红, 张星. 利用反向流和冲突消除进行人车混行疏散路网优化[J]. 武汉大学学报 ● 信息科学版, 2018, 43(3): 349-355. doi: 10.13203/j.whugis20150482
引用本文: 李秋萍, 栾学晨, 周素红, 张星. 利用反向流和冲突消除进行人车混行疏散路网优化[J]. 武汉大学学报 ● 信息科学版, 2018, 43(3): 349-355. doi: 10.13203/j.whugis20150482
LI Qiuping, LUAN Xuechen, ZHOU Suhong, ZHANG Xing. Evacuation Network Optimization Based on Contraflow and Conflict Elimination for Pedestrian-Vehicle Mixed Flows[J]. Geomatics and Information Science of Wuhan University, 2018, 43(3): 349-355. doi: 10.13203/j.whugis20150482
Citation: LI Qiuping, LUAN Xuechen, ZHOU Suhong, ZHANG Xing. Evacuation Network Optimization Based on Contraflow and Conflict Elimination for Pedestrian-Vehicle Mixed Flows[J]. Geomatics and Information Science of Wuhan University, 2018, 43(3): 349-355. doi: 10.13203/j.whugis20150482
  • 城市较大范围的应急疏散往往会涉及到大量的疏散对象(行人、车辆等)[1],然而现有的道路设施很难应付短时间内猛增的人、车交通需求[2-3],同时,交叉口的人车冲突使疏散过程更加复杂,有必要研究针对人车混合疏散路网的优化方法以提高人车混合流的疏散效率。

    行人是城市交通系统中不可忽略的部分,然而目前在人车混合疏散路网优化方面的研究却相对较少。大部分研究是针对人车混合疏散流模拟[4]、人车疏散路径优化分配[2]。例如文献[4]提出了混合元胞自动机(cellular automata, CA)模型来模拟疏散过程中的行人、车辆的运动及人车之间的冲突。文献[2]改进了k最短路径算法进行人车疏散路径优化分配。疏散网络优化研究[5-13]主要以车辆作为疏散对象,通过冲突消除和反向车道两类策略来优化疏散网络。冲突消除策略通过控制交叉口不同方向的车流转向来消除车流之间的冲突、减轻交叉口的拥堵[5-9]。反向车道策略通过将对向车道全部或部分逆向,缓解撤离方向上的交通压力[9-13]。但上述研究忽略了疏散过程中行人的影响,很难直接运用在人车混合疏散系统的路网优化中。

    本文综合上述两种策略对人车混合疏散路网进行优化, 对主要疏散路径进行人、车流的反向以扩大道路通行能力,并在交叉口处禁止行人、车辆的部分转向来进行人车分流以消减人车冲突,提高人车混行路网的整体疏散效率。

    • 本文采用两层结构来表达疏散路网,上层网络为节点-弧段结构,用有向图G(N, A)表示,其中N为节点集合,表示各交叉口,A为弧段集合,表示各路段(图 1(a))。为了描述行人、车辆各自的运动方向以及人车冲突,对上层网络进行扩展,生成下层行人子网络和车辆子网络(图 1(b)1(c))。行人子网络描述行人在人行道及人行横道上的运动方向,车辆子网络描述车辆在车行道上的运动方向。以十字交叉口为例,行人和车辆的冲突点一共8个,均匀分布在交叉口的4个方向上(图 1(d))。

      图  1  疏散网络表达

      Figure 1.  Evacuation Network Representation

    • 对于单一事故点(如有毒气体泄漏、核辐射等)引起的紧急疏散,交通需求具有明显的不对称性,交通流由事故点向周边区域呈放射状发散。针对这种放射状特点,本文提出了基于疏散主路径的反向流策略,通过在主要的放射轴上进行人车流的单行设置扩大道路通行能力。图 2(a)为一个示例网络,基于疏散主路径的人车反向流设置方法如下。

      图  2  疏散主路径的反向流设置

      Figure 2.  Evacuation Network Division and Contraflow Settings

      1) 采用Dijkstra算法计算从事故点通向4个出口(E1~E4)的最短路径$ \overline {sp} = \left\{ {s{p^{{E_1}}}, s{p^{{E_2}}}, s{p^{{E_3}}}, s{p^{E_4}}} \right\} $。路段ij的权值dij为:

      $$ \begin{array}{c} {d_{ij}} = \frac{{L{{\left( {i, j} \right)}^\alpha }}}{{W{{\left( {i, j} \right)}^\beta }}}, i, j \in G\left( {N, A} \right)\\ \alpha \ge 0, \beta \ge 0 \end{array} $$ (1)

      式中, L(i, j)为路段ij的长度; W(i, j)为路段ij的宽度; αβ分别为L(i, j)和W(i, j)的相对重要性。

      $ \overline {sp} = \left\{ {s{p^{{E_1}}}, s{p^{{E_1}}}, s{p^{{E_3}}}, s{p^{{E_4}}}} \right\} $即为当前网络的疏散主路径。

      2) 对包含在疏散主路径中的路段同时进行车道和人行道的逆行设置以最大化疏散主路径的利用效率,如图 2(b)所示。

      通过4条疏散主路径将疏散区域划分成4个相对独立的分区(见图 2),在各个路网分区内分别实施交叉口冲突点消除策略。

    • 图 3(a)示例了十字交叉口处的人车冲突点分布。本文提出3种人车限行方案来进行交叉口处的人车分流。限行方案1为在交叉口的某一侧分支(如图 3(b)中的右侧分支)放置路障,车辆及行人的转向同时受到限制,人车冲突点减少为2。限行方案2和限行方案3分别为在交叉口设置相邻及相对两侧路障(如图 3(c)3(d)),人车冲突点数目减少为0。按照本文提出的路障设置方法,在一侧分支设置路障后,车辆完全被禁止进入该路段,行人在疏散过程中有机会独占该侧分支的整条路段,有助于提高行人疏散效率。

      图  3  交叉口限行方案示例

      Figure 3.  Examples of Traffic Control Plans at Intersections

      以十字型交叉口Ni为例,对其每个分支进行编号{Ni1, Ni2, Ni3, Ni4},用λ(Nik)表达第k个分支上的路障设置状态(式(2))。T型交叉口的情形可以类推。

      $$ \lambda \left( {N_i^k} \right) = \left\{ \begin{array}{l} 1, 第k个分支设置路障\\ 0, 其他 \end{array} \right. $$ (2)
    • 每种路障设置方案会产生不同的疏散网络结构,从而导致不同的疏散效率。本文利用平均疏散时间FT和平均疏散路径长度FL两个指标来对不同路障设置方案下的疏散效率进行评价,以最小化FTFL作为优化目标。

      $$ \min {F_T} = \frac{{\mathop \sum \limits_{m = 1}^{{M_p}} T_{_p}^{^m} + \mathop \sum \limits_{n = 1}^{{M_v}} T_{_v}^{^n}}}{{{M_p} + {M_v}}} $$ (3)
      $$ \min {F_L} = \frac{{\mathop \sum \limits_{m = 1}^{{M_p}} L_{_p}^{^m} + \mathop \sum \limits_{n = 1}^{{M_v}} L_{_v}^{^n}}}{{{M_p} + {M_v}}} $$ (4)
      $$ {\rm{s}}{\rm{.t}}{\rm{.}}\sum\limits_k {\lambda \left( {N_i^k} \right)} \le 2 $$ (5)

      其中,MpMv分别为混合疏散系统中行人和车辆的数目;TpmTvn分别为行人m和车辆n完成疏散所花费的时间;LpmLvn分别为行人m和车辆n完成疏散所经过的路径长度。式(5)为约束条件,表示一个交叉口设置路障的个数应不超过2。

    • 为了计算上述模型中FTFL的值,本文利用队列模型[14-15]和CA模型[16]对疏散系统中的人车混合交通流进行模拟。为简化模型并提高交通流模拟的速度,本文忽略路段上行人流和车流之间的摩擦,只重点关注人流、车流在路段上的运动以及在交叉口处的人车冲突。在路段处,依据队列模型分别建立行人和车辆的队列(见图 4),路段上交通流的模拟与文献[14]中的队列模型一致。在交叉口处,采用统一的元胞空间,行人和车辆分别按照各自的尺寸占据不同数目的单元格(见图 4),利用元胞自动机模型模拟人车的运动及冲突。

      图  4  人车混合流模拟

      Figure 4.  Mixed Traffic Simulation on Road Links and Intersections

      行人和车辆在交叉口均采用无后退的运动规则,利用静态地面场模型[15]来对个体的运动进行引导。在以q为终点的元胞空间中任意位置c(x, y)处静态地面场值Sxyq的计算公式为:

      $$ S_{_{xy}}^{^q} = \mathop {\max }\limits_q \{ \mathop {\max }\limits_{lh} d_{_{lh}}^{^q}\}-d_{_{xy}}^{^q} $$ (6)

      式中, lh为随机选取的元胞空间位置。

      越接近终点q的地方,静态地面场的值就越大。通过比较个体当前所在位置c(x, y)与其周围单元格的静态地面场值来决定个体的移动方向。当不同的个体(行人或车辆)竞争同一个单元格时进行等概率随机选择。当所有个体均安全到达疏散区域出口则人车混合交通流模拟结束,统计在当前路障设置方案下整个疏散系统中平均疏散时间FT及平均疏散路径长度FL

    • 本文利用基于NSGA_Ⅱ的多目标遗传算法[16]对上述路网优化模型进行求解。首先,根据本文的研究问题对染色体进行编码,然后基于NSGA_Ⅱ中的选择、交叉、变异算子对染色体进行操作,其中适应度函数值分别为平均疏散时间FT及平均疏散路径长度FL。反复迭代,直到达到预定的迭代次数或者适应度函数值收敛。

      采用二进制串(x12, x21xij, xji…)进行编码,基因xij表示路段ij上是否设置路障。路段ijji属于交叉口i的同一个分支,若路段ij上被设置路障,则xijxji的值为1,否则为0。

      采用这样的编码方式,在染色体变异操作中候选解可能会违反式(5)的约束。对于违反约束的候选解,采用附加惩罚值的方式来降低其在选择操作中被选入下一代的概率。

      $$ F{^{\prime} _T} = {F_T} + {\sigma _T} $$ (7)
      $$ F{^{\prime} _L} = {F_L} + {\sigma _L} $$ (8)

      其中,σTσL分别为两个较大的常数。

    • 以武汉市局部道路网作为实验区域,假设某日清晨一辆氯罐车在图 5中所示的位置发生严重氯气泄漏事故,周围2 km内的人群需要尽快疏散(本文以行人和小汽车为疏散对象,暂不考虑路网上的背景交通)。在周边选择了广场、绿地、学校等15个安全区域(图 5中黑色点),并生成了15条疏散主路径(黑色粗线)。参照武汉统计年鉴[17],实验区域所在的武昌区人口密度为13 425人/km2, 武汉家庭小汽车平均保有比例为20%。人群疏散方式定义为步行和驾车两种模式,按照研究区覆盖的居住区面积估算出受影响的居民总数为99 000,其中行人数目79 149,车辆以小汽车计算约为4 917辆(假设每辆小汽车容纳人数为4)。

      图  5  实验区域

      Figure 5.  Experiment Area

    • 表 1比较了疏散网络优化前(原始路网)、后(优化方案1~3)的疏散效率。优化方案1~3是在由NSGA_Ⅱ算法得出的多个人车流向控制优化方案中选出的3组方案。优化方案1平均疏散时间最短,优化方案3平均疏散路径长度最短。此外,表 1还将本文的路网优化方法与基于k最短路径的交通流分配方法[2, 18]进行了对比。从表 1中可以看出,3组优化方案在两个评价指标上相对原始路网均有较大改善,其中平均疏散时间缩短了717.98 s,平均疏散路径长度减小了190.04 m。尽管在k最短路径方案中平均疏散路径长度FL被优化得较好,但由于人车交通流较为集中容易造成拥堵,且未对人车转向进行优化控制导致人车冲突较多,其平均疏散时间FT相对本文方法得出的3个优化方案均较差。

      表 1  优化前后结果对比

      Table 1.  Experiment Results Before and After Optimization

      疏散方案 FT/s FL/m
      原始路网 5 662.15 2 332.57
      k最短路径方案 5 396.28 1 357.20
      优化方案1 4 944.17 2 148.54
      优化方案2 5 006.25 2 142.53
      优化方案3 5 103.79 2 144.42

      图 6为3个优化后的疏散网络中路障(黑色粗线两端即路障的位置)的分布。可以看出,有些交叉口处(如图 6中虚线圈所示)在3个优化方案中均存在,说明这些地方的人车冲突明显,进行人车流向的管制能够提高疏散效率。

      图  6  优化后的疏散网络中路障的空间分布

      Figure 6.  Spatial Distribution of Barriers of Three Optimal Networks

      以优化方案1为例,一些典型交叉口及路段的子网络如图 7所示。以路段①的子网络为例,其路障的设置方案为图 3中的“限行方案3”,设置路障后,车辆的部分转向受到限制,人车冲突点完全消除。此外,路段②、路段③子网络中人车冲突点的改善也较显著。

      图  7  优化方案1的典型交叉口人车子网络

      Figure 7.  Movement Directions of Pedestrians and Vehicles in Some Typical Intersections of Optimal Network 1

    • 为了测试本文方法对不同人车混合比例的适应性,进行以下敏感性分析。表 2为总人口数一定的情况下,9组不同的家庭小汽车保有比例下计算出的人车疏散数目,并以此分成了9组不同的方案。利用本文方法分析对比这9组人车配比在疏散网路优化前后(优化后的疏散网络以优化方案1为例)的平均疏散时间、平均疏散路径长度的改善程度。如图 8所示,本文的方法在行人混合比例较高的情况下对平均疏散时间的改善较明显,而在车辆占据比较较高的情况下其改善相对较小;对平均疏散路径长度的改善程度较为平稳。这是因为本文方法在处理人车冲突时对车辆的转向进行了更多约束(有些路段为车辆禁行),当车辆比例较小时,对车辆转向的限制能够清除人车冲突点,大幅提高疏散效率;当车辆比例逐渐增大时,这种约束在一定程度上制约了疏散效率。由于本文方法同时兼顾路网的连通性,因此不同的人车混行比例对平均疏散路径长度的影响较小。综合两个指标来看,当家庭小汽车保有比例在10%~30%时,对两个目标函数值的改善程度均较好,其中在20%时改善程度最高。

      表 2  以家庭小汽车比例表示的人车混合比例设置

      Table 2.  Number of Pedestrians and Vehicles Under Different Car-to-Family Ratios

      家庭小汽小汽车保有比例/% 人车数目
      行人 车辆
      10 89 040 2 443
      20 79 149 4 917
      30 69 246 7 393
      40 59 354 9 868
      50 49 466 12 344
      60 39 563 14 815
      70 29 661 17 287
      80 19 753 19 769
      90 9 862 22 234

      图  8  平均疏散时间、平均疏散路径长度随家庭保有车辆比例的变化

      Figure 8.  Improvements of Average Evacuation Time and Length with Different Car-to-Family Ratios

    • 本文针对城市突发事件时疏散交通流人车混行的特点,提出了一种基于冲突消除和反向流策略的人车混合疏散路网优化方法。实验结果表明,本文方法能够有效地优化人车混行疏散网络,提高人车混合流的疏散效率。通过比较不同人车混合比例下的平均疏散时间及平均疏散路径长度,发现本文方法在行人占混合疏散系统比例较高的情况下,对二者的改善程度更明显。本文方法目前主要解决人车冲突,后续将进一步考虑消除人车混合疏散系统中的车车冲突。此外,事故影响范围和程度的动态性、疏散人员空间分布的差异性等因素也待后续进一步深入研究。

参考文献 (18)

目录

    /

    返回文章
    返回