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

一种应用协同优化策略的有组织疏散方案

许涛 张堃 刘雷 徐栋

许涛, 张堃, 刘雷, 徐栋. 一种应用协同优化策略的有组织疏散方案[J]. 武汉大学学报 ● 信息科学版, 2021, 46(5): 691-699. doi: 10.13203/j.whugis20200443
引用本文: 许涛, 张堃, 刘雷, 徐栋. 一种应用协同优化策略的有组织疏散方案[J]. 武汉大学学报 ● 信息科学版, 2021, 46(5): 691-699. doi: 10.13203/j.whugis20200443
XU Tao, ZHANG Kun, LIU Lei, XU Dong. An Organized Evacuation Plans with Collaborative Optimization Strategy[J]. Geomatics and Information Science of Wuhan University, 2021, 46(5): 691-699. doi: 10.13203/j.whugis20200443
Citation: XU Tao, ZHANG Kun, LIU Lei, XU Dong. An Organized Evacuation Plans with Collaborative Optimization Strategy[J]. Geomatics and Information Science of Wuhan University, 2021, 46(5): 691-699. doi: 10.13203/j.whugis20200443

一种应用协同优化策略的有组织疏散方案

doi: 10.13203/j.whugis20200443
基金项目: 

河南省科技发展计划 192102210276

详细信息
    作者简介:

    许涛,博士,讲师,主要从事时空大数据研究。txu@henu.edu.cn

    通讯作者: 徐栋,博士生。hi.xudong@gmail.com
  • 中图分类号: P208

An Organized Evacuation Plans with Collaborative Optimization Strategy

Funds: 

The Science and Technology Development Project of Henan Province, China 192102210276

More Information
    Author Bio:

    XU Tao, PhD, lecturer, specializes in spatiotemporal big data processing. E-mail: txu@henu.edu.cn

    Corresponding author: XU Dong, PhD candidate. E-mail: hi.xudong@gmail.com
  • 摘要: 随着城市化建设水平的不断提高,城市结构日趋复杂,给城市应急疏散的设计和实施带来困难和挑战。针对复杂城市道路网络中高密度人群的多出口疏散问题,以疏散时长和拥堵时长为优化目标,提出了一种基于协同优化的有组织疏散方案。首先,对道路网络和疏散人群进行建模;接着,为每个疏散组分配疏散出口和最短路线;然后,针对出口占用不平衡问题,对部分疏散组的出口进行协同再分配;最后,应用协同优化策略,根据道路拥堵情况计算疏散组的最快路线。模拟实验分析了多出口和多人数因素对疏散效果的影响,揭示了所提方案的有用性。与已有方案的对比实验表明,所提方案在疏散总时长和平均拥堵时长等指标上具有明显优势。
  • 图  1  道路网络

    Figure  1.  The Road Network

    图  2  疏散出口分布图

    Figure  2.  Distribution of Exits

    图  3  出口数量对$ T $和$ {T}_{c} $的影响

    Figure  3.  Influence of the Number of Exits on $ T $and $ {T}_{c} $

    图  4  疏散人数对$ T $和$ {T}_{c} $的影响

    Figure  4.  Influence of the Number of People on $ T $ and $ {T}_{c} $

    图  5  多出口和多人数场景疏散总时长$ T $对比

    Figure  5.  Comparison of $ T $ with Different Number of Exits and Different Number of People

    图  6  多出口和多人数场景停留时长$ {T}_{c} $对比

    Figure  6.  Comparison of $ {T}_{c} $ with Different Number of Exits and Different Number of People

    图  7  多出口和多人数场景算法运行时长$ {T}_{r} $对比

    Figure  7.  Comparison of $ {T}_{r} $with Different Number of Exits and Different Number of People

    表  1  多出口疏散实验结果($ N=2\mathrm{ }000 $)

    Table  1.   Evacuation Results with Different Number of Exits ($ N=2\mathrm{ }000 $)

    出口数量 出口编号 $ T $/h $ {T}_{c}/\mathrm{h} $
    1 4.258 1.604
    2 ①~② 1.941 0.618
    3 ①~③ 1.082 0.319
    4 ①~④ 0.804 0.194
    5 ①~⑤ 0.766 0.170
    6 ①~⑥ 0.754 0.135
    7 ①~⑦ 0.726 0.141
    8 ①~⑧ 0.593 0.110
    下载: 导出CSV

    表  2  多人数疏散实验结果(3个疏散出口)

    Table  2.   Evacuation Results with Different Number of People (the Number of Exits is 3)

    $ N $ 总疏散人数/万人 $ T $/h $ {T}_{c} $/h
    1 000 24.4 0.535 0.097
    2 500 61 1.139 0.352
    4 000 97.6 1.752 0.635
    5 500 134.2 2.462 0.873
    7 000 170.8 2.858 1.151
    8 500 207.4 3.579 1.413
    10 000 244 4.379 1.673
    下载: 导出CSV

    表  3  SE、SRE和OrCOS的多出口实验结果($ \mathit{N}=2000 $)

    Table  3.   Results of SE, SRE, and OrCOS with Different Number of Exits ($ N=2\mathrm{ }000 $)

    出口个数 $ T $ $ /\mathrm{h} $ $ {T}_{c} $ $ /\mathrm{h} $ $ {T}_{r} $ $ /\mathrm{s} $
    SRE SE OrCOS SRE SE OrCOS SRE SE OrCOS
    1 5.428 4.585 4.258 2.453 1.897 1.604 1.6 2.3 31.4
    2 2.438 2.020 1.941 0.961 0.701 0.618 5.8 1.3 22.8
    3 1.463 1.041 1.082 0.460 0.329 0.319 3.5 1.2 19.2
    4 1.013 0.746 0.804 0.280 0.199 0.194 3.6 1.1 17.8
    5 0.940 0.719 0.766 0.249 0.177 0.170 5.5 1.3 20.7
    6 0.881 0.703 0.754 0.196 0.149 0.135 3.3 1.5 16.0
    7 0.853 0.704 0.726 0.201 0.150 0.141 4.3 1.7 17.3
    8 0.651 0.541 0.593 0.150 0.123 0.110 3.5 1.7 14.0
    下载: 导出CSV

    表  4  SE、SRE和OrCOS的多人数实验结果(3个疏散出口)

    Table  4.   Results of SE, SRE, and OrCOS with Different Number of People (the Number of Exits is 3)

    N $ T/\mathrm{h} $ $ {T}_{c}/\mathrm{h} $ $ {T}_{r}/\mathrm{s} $
    SRE SE OrCOS SRE SE OrCOS SRE SE OrCOS
    1 000 0.586 0.526 0.535 0.148 0.121 0.097 3.3 0.9 10.6
    2 500 1.503 1.345 1.139 0.508 0.412 0.352 3.5 1.2 22.4
    4 000 2.359 2.039 1.752 0.886 0.708 0.635 3.5 1.3 34.5
    5 500 3.169 2.708 2.462 1.235 0.949 0.873 3.3 1.3 46.1
    7 000 4.026 3.536 2.858 1.661 1.239 1.151 3.5 1.4 58.0
    8 500 4.782 4.152 3.579 2.067 1.481 1.413 3.3 1.4 70.5
    10 000 5.813 4.989 4.379 2.377 1.693 1.673 3.3 1.5 90.3
    下载: 导出CSV
  • [1] 王坚, 刘纪平, 韩厚增, 等. 应急救援无缝定位关键技术研究[J]. 武汉大学学报∙信息科学版, 2020, 45(8): 1 126-1 136 https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH202008003.htm

    Wang Jian, Liu Jiping, Han Houzeng, et al. Key Technologies of Seamless Location in Emergency Rescue[J]. Geomatics and Information Science of Wuhan University, 2020, 45(8): 1 126-1 136 https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH202008003.htm
    [2] 刘纪平, 刘猛猛, 徐胜华, 等. 大数据时代下的一体化综合减灾技术综述[J]. 武汉大学学报∙信息科学版, 2020, 45(8): 1 107-1 116 https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH202008001.htm

    Liu Jiping, Liu Mengmeng, Xu Shenghua, et al. A Survey on Integrated and Comprehensive Disaster Reduction Technology in the Era of Big Data[J]. Geomatics and Information Science of Wuhan University, 2020, 45(8): 1 107-1 116 https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH202008001.htm
    [3] Li Xiang, Li Qiuping, Xu Xianrui, et al. A Novel Approach to Developing Organized Multi-speed Evacuation Plans[J]. Transactions in GIS, 2018, 22(5): 1 205-1 220 doi:  10.1111/tgis.12459
    [4] Pelechano N, Malkawi A. Evacuation Simulation Models: Challenges in Modeling High Rise Building Evacuation with Cellular Automata Approaches[J]. Automation in Construction, 2008, 17(4): 377-385 doi:  10.1016/j.autcon.2007.06.005
    [5] Varas A, Cornejo M D, Mainemer D, et al. Cellular Automation Model for Evacuation Process with Obstacles[J]. Physica A: Statistical Mechanics and Its Applications, 2007, 382(2): 631-642 doi:  10.1016/j.physa.2007.04.006
    [6] Pan Xiaoshan, Han C S, Dauber K, et al. A Multi-agent Based Framework for the Simulation of Human and Social Behaviors During Emergency Evacuations[J]. AI and Society, 2007, 22(2): 113-132 doi:  10.1007/s00146-007-0126-1
    [7] Ren Chuanjun, Yang Chenghui, Jin Shiyao. Agent-Based Modeling and Simulation on Emergency Evacuation[J]. Lecture Notes of the Institute for Compu- ter Sciences, Social Informatics and Telecommunications Engineering, 2009(5): 1 451-1 461 http://www.springerlink.com/content/k1240l26462728t7
    [8] Guo Xiwei, Chen Jianqiao, Zheng Yaochen, et al. A Heterogeneous Lattice Gas Model for Simulating Pedestrian Evacuation[J]. Physica A: Statistical Mechanics and Its Applications, 2012, 391(3): 582-592 doi:  10.1016/j.physa.2011.07.055
    [9] 卢永华, 李爽. 改进G2SFCA的深圳市室内应急避难场所空间可达性研究[J]. 武汉大学学报∙信息科学版, 2019, 44(9): 1 391-1 398 https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201909017.htm

    Lu Yonghua, Li Shuang. Spatial Accessibility of Indoor Emergency Shelters Based on Improved G2SFCA in Shenzhen City[J]. Geomatics and Information Science of Wuhan University, 2019, 44(9): 1 391-1 398 https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201909017.htm
    [10] 李秋萍, 栾学晨, 周素红, 等. 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, et al. Evacuation Network Optimization Based on Contraflow and Conflict Elimination for Pedestrian-Vehicle Mixed Flows[J]. Geomatics and Information Scien- ce of Wuhan University, 2018, 43(3): 349-355 doi:  10.13203/j.whugis20150482
    [11] Wang Cheng, Yang Bo, Li Lijun, et al.A Modified Particle Swarm Optimization-Based Human Behavior Modeling for Emergency Evacuation Simulation System[C]//International Conference on Information and Automation, Changsha, China, 2008
    [12] Zheng Yaochen, Chen Jianqiao, Wei Junhong, et al. Modeling of Pedestrian Evacuation Based on the Particle Swarm Optimization Algorithm[J]. Physica A: Statistical Mechanics and Its Applications, 2012, 391(17): 4 225-4 233 doi:  10.1016/j.physa.2012.03.033
    [13] Zong Xinlu, Xu Hui, Xiong Shengwu, et al. Space-Time Simulation Model Based on Particle Swarm Optimization Algorithm for Stadium Evacuation[C]//IEEE Congress on Evolutionary Computation, Beijing, China, 2014
    [14] Fand Zhixiang, Li Qiuping, Li Qingquan, et al. A Space-Time Efficiency Model for Optimizing Intra-intersection Vehicle-Pedestrian Evacuation Movements[J]. Transportation Research Part C: Emerging Technologies, 2013, 31: 112-130 doi:  10.1016/j.trc.2013.03.004
    [15] Xie Chi, Lin Dunying, Waller T. A Dynamic Evacuation Network Optimization Problem with Lane Reversal and Crossing Elimination Strategies[J]. Transportation Research Part E: Logistics and Transportation Review, 2010, 46(3): 295-316 doi:  10.1016/j.tre.2009.11.004
    [16] Li Xiang, Li Qiuping, Claramunt C. A Time-Extended Network Model for Staged Evacuation Planning[J]. Safety Science, 2018, 108: 225-236 doi:  10.1016/j.ssci.2017.08.004
    [17] Li Xiang, Huang Bo, Liu Zhengjun, et al. A Novel Method for Planning a Staged Evacuation[J]. Journal of Systems Science and Complexity, 2012, 25(6): 1 093-1 107 doi:  10.1007/s11424-012-0257-4
    [18] Xie Jun, Li Qiang, Wan Qing, et al. Near Optimal Allocation Strategy for Making a Staged Evacuation Plan with Multiple Exits[J]. Annals of GIS, 2014, 20 (3): 159-168 doi:  10.1080/19475683.2014.942363
    [19] 徐栋, 李响. 基于时间扩展网络制定的混合速度疏散算法[J]. 复杂系统与复杂性科学, 2017, 14(1): 88-95 https://www.cnki.com.cn/Article/CJFDTOTAL-FZXT201701014.htm

    Xu Dong, Li Xiang. A Time-Extended Network Approach to Planning Multi-Velocity Evacuation[J]. Complex Systems and Complexity Science, 2017, 14(1): 88-95 https://www.cnki.com.cn/Article/CJFDTOTAL-FZXT201701014.htm
    [20] 郑燕飞, 李响. 一种用于制定有组织撤离计划的算法[J]. 华东师范大学学报(自然科学版), 2009, 32(5): 45-52 doi:  10.3969/j.issn.1000-5641.2009.05.005

    Zheng Yanfei, Li Xiang. Approach to Planning for an Organized Evacuation[J]. Journal of East China Normal University(Natural Sciences), 2009, 32(5): 45-52 doi:  10.3969/j.issn.1000-5641.2009.05.005
    [21] Zhang Xin, Chang Ganglen. A Dynamic Evacuation Model for Pedestrian-Vehicle Mixed Flow Networks[J]. Transportation Research Part C Emerging Technologies, 2014, 40: 75-92 doi:  10.1016/j.trc.2014.01.003
    [22] Li Qiuping, Fang Zhixiang, Li Qingquan. Ant Colony-Based Evacuation Route Optimization Model for Mixed Pedestrian-Vehicle Flows[M]//Weidmann U, Kirsch U, Schreckenberg M. Pedestrian and Evacuation Dynamics. Cham: Springer, 2012
    [23] 牛磊, 宋宜全, 张宏敏, 等. 一种针对室内疏散的集成Hilbert曲线的R*树空间索引[J]. 武汉大学学报∙信息科学版, 2018, 43(9): 1 416-1 421 https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201809019.htm

    Niu Lei, Song Yiquan, Zhang Hongmin, et al. A Hilbert-Curve-Based R* Tree Index Optimized for Indoor Evacuation[J]. Geomatics and Information Science of Wuhan University, 2018, 43(9): 1 416-1 421 https://www.cnki.com.cn/Article/CJFDTOTAL-WHCH201809019.htm
    [24] Cova T J, Johnson J P. Microsimulation of Neighborhood Evacuations in the Urban-Wildland Interface Environment[J]. Environment and Planning A, 2002, 34 (12): 2 211-2 230 doi:  10.1068/a34251
    [25] Kleene S C. Representation of Events in Nerve Nets and Finite Automata[R]. Santa Monica, California: RAND Corporation, 2020
  • [1] 田晶, 方华强, 刘佳佳, 赵风, 任畅.  运用复杂网络方法分析城市道路网的鲁棒性 . 武汉大学学报 ● 信息科学版, 2019, 44(5): 771-777. doi: 10.13203/j.whugis20150334
    [2] 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 . 武汉大学学报 ● 信息科学版, 2018, 43(3): 349-355. doi: 10.13203/j.whugis20150482
    [3] 田晶, 余梦婷, 任畅, 熊富全.  城市道路网元胞模式分析的网络景观指数分析法 . 武汉大学学报 ● 信息科学版, 2018, 43(10): 1588-1594. doi: 10.13203/j.whugis20150640
    [4] 卢宾宾, 杨欢, 孙华波, 于清德.  利用Minkowski距离逼近道路网络距离算法研究 . 武汉大学学报 ● 信息科学版, 2017, 42(10): 1373-1380. doi: 10.13203/j.whugis20160225
    [5] 田晶, 武晓环, 林镠鹏, 任畅.  城市道路网的度相关性及其与网络鲁棒性的关系研究 . 武汉大学学报 ● 信息科学版, 2016, 41(5): 672-678. doi: 10.13203/j.whugis20150046
    [6] 张朋东, 石岩, 邓敏, 赵玲.  基于拓扑强度的城市道路网络层次表达 . 武汉大学学报 ● 信息科学版, 2016, 41(2): 178-183,213. doi: 10.13203/j.whugis20130798
    [7] 孟永昌, 杨赛霓, 史培军.  基于改进遗传算法的路网应急疏散多目标优化 . 武汉大学学报 ● 信息科学版, 2014, 39(2): 201-205. doi: 10.13203/j.whugis20120584
    [8] 栾学晨, 范红超, 杨必胜, 李秋萍.  城市道路网主干道提取的形态分析方法 . 武汉大学学报 ● 信息科学版, 2014, 39(3): 327-331. doi: 10.13203/j.whugis20120078
    [9] 田晶, 吴荡, 湛逸飞.  城市道路网的度相关性研究 . 武汉大学学报 ● 信息科学版, 2014, 39(3): 332-334. doi: 10.13203/j.whugis20120675
    [10] 张云菲, 杨必胜, 栾学晨.  语义知识支持的城市POI与道路网集成方法 . 武汉大学学报 ● 信息科学版, 2013, 38(10): 1229-1233.
    [11] 田晶, 张泊宇, 杨雯雨.  对自组织映射聚类实现道路网网格模式识别 . 武汉大学学报 ● 信息科学版, 2013, 38(11): 1330-1334.
    [12] 栾学晨, 杨必胜, 张云菲.  城市道路复杂网络结构化等级分析 . 武汉大学学报 ● 信息科学版, 2012, 37(6): 728-732.
    [13] 李清泉, 曾喆, 杨必胜, 李必军.  城市道路网络的中介中心性分析 . 武汉大学学报 ● 信息科学版, 2010, 35(1): 37-41.
    [14] 肖晖, 杨必胜.  一种改进的基于道路网络距离的K近邻查询算法 . 武汉大学学报 ● 信息科学版, 2008, 33(4): 437-439.
    [15] 朱庆, 李渊.  道路网络模型研究综述 . 武汉大学学报 ● 信息科学版, 2007, 32(6): 471-476.
    [16] 李雪飞, 傅佩红, 刘经南.  一种基于道路网络的时空索引 . 武汉大学学报 ● 信息科学版, 2006, 31(7): 620-623.
    [17] 翁敏, 毋河海, 杜清运, 李林燕.  基于道路网络知识的启发式层次路径寻找算法 . 武汉大学学报 ● 信息科学版, 2006, 31(4): 360-363.
    [18] 耿红, 唐旭, 祝国瑞.  基于空间竞争的城市道路影响域划分方法研究 . 武汉大学学报 ● 信息科学版, 2004, 29(6): 521-524.
    [19] 王新生, 姜友华, 涂超.  遗传算法在城市道路控制点标高优化设计中的应用 . 武汉大学学报 ● 信息科学版, 2001, 26(1): 82-85.
    [20] 王新生.  线性规划原理在城市道路控制点标高优化设计中的应用 . 武汉大学学报 ● 信息科学版, 1995, 20(3): 269-272.
  • 加载中
图(7) / 表(4)
计量
  • 文章访问数:  668
  • HTML全文浏览量:  125
  • PDF下载量:  41
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-10-30
  • 刊出日期:  2021-05-05

一种应用协同优化策略的有组织疏散方案

doi: 10.13203/j.whugis20200443
    基金项目:

    河南省科技发展计划 192102210276

    作者简介:

    许涛,博士,讲师,主要从事时空大数据研究。txu@henu.edu.cn

    通讯作者: 徐栋,博士生。hi.xudong@gmail.com
  • 中图分类号: P208

摘要: 随着城市化建设水平的不断提高,城市结构日趋复杂,给城市应急疏散的设计和实施带来困难和挑战。针对复杂城市道路网络中高密度人群的多出口疏散问题,以疏散时长和拥堵时长为优化目标,提出了一种基于协同优化的有组织疏散方案。首先,对道路网络和疏散人群进行建模;接着,为每个疏散组分配疏散出口和最短路线;然后,针对出口占用不平衡问题,对部分疏散组的出口进行协同再分配;最后,应用协同优化策略,根据道路拥堵情况计算疏散组的最快路线。模拟实验分析了多出口和多人数因素对疏散效果的影响,揭示了所提方案的有用性。与已有方案的对比实验表明,所提方案在疏散总时长和平均拥堵时长等指标上具有明显优势。

English Abstract

许涛, 张堃, 刘雷, 徐栋. 一种应用协同优化策略的有组织疏散方案[J]. 武汉大学学报 ● 信息科学版, 2021, 46(5): 691-699. doi: 10.13203/j.whugis20200443
引用本文: 许涛, 张堃, 刘雷, 徐栋. 一种应用协同优化策略的有组织疏散方案[J]. 武汉大学学报 ● 信息科学版, 2021, 46(5): 691-699. doi: 10.13203/j.whugis20200443
XU Tao, ZHANG Kun, LIU Lei, XU Dong. An Organized Evacuation Plans with Collaborative Optimization Strategy[J]. Geomatics and Information Science of Wuhan University, 2021, 46(5): 691-699. doi: 10.13203/j.whugis20200443
Citation: XU Tao, ZHANG Kun, LIU Lei, XU Dong. An Organized Evacuation Plans with Collaborative Optimization Strategy[J]. Geomatics and Information Science of Wuhan University, 2021, 46(5): 691-699. doi: 10.13203/j.whugis20200443
  • 随着经济的发展和城镇化水平的不断提高,城市规模日趋扩大,空间道路结构越来越复杂,城镇人口密度日益提高,这给城市应急疏散的设计和实施提出了严峻挑战。当面对突发的重大灾害时,如何高效、有序地组织城市居民疏散到安全区域,已成为城市应急管理领域的热门话题[1-2]。在智慧城市建设不断深入的背景下,面对城市道路结构的复杂性和高密度人群组织的困难性,设计安全、高效的应急疏散方案来指导实践,可以有效提高城市抗灾能力和管理水平。

    近年来,许多关于城市应急疏散方案的研究成果已陆续发表,从方案实施的角度来看,现有的疏散方案大致可分为自发疏散和有组织疏散两类[3]。自发疏散通过交通引导设施(信号灯、通行限制等)限制人群的移动状态,实现疏散人群的控制和指引。这类研究主要通过交通模拟研究影响疏散过程的典型因子及其变化机制[4-10],以及通行规则的最优化[11-13]。有组织疏散方法对疏散人群进行组织,通过控制人群的出发时间和路线来优化疏散方案[1, 14-22]。本文关注有组织疏散方案,期望在已有研究成果的基础上对高效的有组织疏散方法进行探索。

    从疏散效率的角度来看,现有的大多数疏散方案以疏散总时长为设计目标,使用线性规划[21]、调度算法[14]、蚁群算法[22]、Hilbert曲线[23]等,追求最短的疏散总时长[17]。另外,由于交通设施通行能力通常不能满足较短时间内的巨大通行需求,拥堵或等待是疏散过程中不可避免的必然场景[24]。一般来说,交通拥堵的随机性较强,不易控制,且随着时间延续,拥堵会向上游蔓延,严重时会导致局部路网拥堵。另外,从人群的心理角度来看,过长的等待与人群急于疏散的心理期望不符,极易带来更大的交通混乱和拥堵。因此,较短的拥堵等待时长将更有利于疏散方案的组织实施。

    文献[17]提出了一种针对大规模疏散场景的分阶段有组织疏散方法,较好地解决了疏散过程中的拥堵问题。该方法通过限定不同疏散人群组的出发时间和疏散路线来实现总疏散时长最短的“无拥堵”疏散撤离,保证所有的疏散组一旦开始疏散就不会因拥堵而停止,直至到达指定的安全出口为止。近年来,李响教授的研究团队又对文献[17]的方法进行了扩充和完善,在城市路网的单出口[17]、多出口[18]、多速度[3, 19]等多种实际环境中进行了“无拥堵”疏散的验证和应用,均取得较好的实验结果。然而,这种有组织的疏散方法对组织者和疏散人群本身提出很高的要求,疏散人群必须严格按照预定的出发时间和路线进行疏散才能达到预期的效果。显然,在一些特别紧急的疏散场景,上述要求难以得到保证,人们可能更愿意马上开始撤离,而不是待在原地等待。

    本文对上述分阶段疏散方法进行改进,针对城市复杂路网的多出口疏散场景,提出了一种应用协同优化策略的有组织疏散方案(organized evacuation with collaborative optimization strategy,OrCOS)。该方案在保证总疏散时长最优的基础上,以尽可能缩短疏散组的拥堵时长为目标,使所有疏散人群同时开始疏散,不存在原地等待时间,通过出口协同分配和疏散路径的协同规划降低疏散人群组的拥堵时长。该方案的实现流程分4步:(1)建模城市道路网络和疏散组模型;(2)根据最短路径原则为每个疏散组分配出口和疏散路径;(3)总疏散时长调优,根据各个出口占用情况,协同调整部分疏散组的出口和疏散路径,实现总疏散时长最优;(4)疏散路径调优,依据最少拥堵原则协同规划每个疏散组的疏散路径,实现拥堵时长最优。本文给出了在模拟城市路网中的验证实验和对比实验,检验了OrCOS的有效性和适用性

    • 本文采用节点-弧段网络模型对城市道路疏散网络进行建模,具体定义为:

      1)$ G=<V, A> $表示道路网络,包含节点(即道路交叉口)集合$ V $和弧段(路段)集合$ A $。

      2)$ V=\left\{{v}_{i}\right|i\ge 1\} $表示道路节点集合,$ {v}_{i} $表示第i个节点。

      3)$ E=\left\{e\right|e\in V\} $表示出口集合,$ e $表示出口类型的节点,$ E $是$ V $的子集。

      4)$ A=\left\{{a}_{j}\right|j\ge 1\} $表示道路弧段集合,$ {a}_{j} $表示第j个弧段。

      为保证疏散过程的精确描述,约定疏散过程受限于城市道路网络,分布于某个街区的疏散人群将被认为在最邻近的道路节点(交叉口)集结,沿城市路网以恒定速度进行疏散,到达特定道路节点(出口)完成疏散。

    • 疏散组定义为在城市某街区范围内,能根据预先分配好的疏散路径和出口统一行动的疏散人群。疏散过程中,疏散组人数不会发生变化,所有人的疏散速度一样。具体定义为:

      1)$ Q=\left\{{q}_{k}\right|k\ge 1\} $表示疏散组集合,$ {q}_{k} $表示第k个疏散组。

      2)$ S=\left\{{s}_{i}\right|i\ge 0\} $表示道路节点状态集合,$ {s}_{i}=<({t}^{g}, {t}^{r}{)}_{ij}|i>0, j>0> $表示第$ i $个道路节点的占用状态,其内容是一个二元组$ ({t}^{g}, {t}^{r}{)}_{ij} $的列表,记录疏散组$ {q}_{j} $经过道路节点$ {v}_{i} $的状态,$ {t}^{g} $表示$ {q}_{j} $到达$ {v}_{i} $的时刻,$ {t}^{r} $表示$ {q}_{j} $离开$ {v}_{i} $的时刻。

      本文定义的疏散组模型把邻近街区的居民定义为行动步调一致的疏散组,约定疏散开始时,城市居民已在最邻近道路节点集结完毕,可以按照预定路线实施疏散,且不存在走错路、掉队等异常情况。另外,本文约定拥堵只在道路节点处发生,且拥堵队列不占用道路弧段。换而言之,当拥堵发生时,等待的疏散组位于道路节点处,且队列长度为0,直至拥堵消除后,疏散组恢复原有队列长度通过该节点。

    • 在文献[17]提出的分阶段有组织疏散方案的基础上,本文针对城市复杂路网的多出口疏散场景,提出应用协同优化策略的有组织疏散算法OrCOS。该算法以降低疏散总时长和疏散组拥堵时长为主要目标,使用出口分配策略优化疏散总时长,并采用协同优化策略计算疏散组的疏散路径,而且还设计同时出发策略消除疏散组原地等待时间。OrCOS主要有3个步骤:(1)最邻近疏散:在构建道路网络和疏散组模型的基础上,确定每个疏散组的最邻近出口和最快达到疏散路线;(2)出口重分配:根据各个疏散出口的占用状态,协同调整部分疏散组的出口及路径,降低总疏散时长,使得各出口的疏散时长基本一致;(3)协同优化疏散路径:在顾及道路节点占用状态的基础上,对每个疏散组的拥堵状态进行探查,并以降低拥堵时长为目标,对疏散组“遇堵绕路”的代价进行判断,协同规划各个疏散组的疏散路径。该方案的主要流程如算法1所示,其中涉及的算法2~ 5见§2.1~§2.3。

      算法1描述:应用协同优化策略的有组织疏散算法。

      输入:GEQ;输出:QS

      1)调用算法2求解疏散组的最快疏散方案;

      2)调用算法3计算道路节点拥堵状态;

      3)调用算法4实现疏散出口的协调分配;

      4)调用算法5实现疏散线路的协调规划;

      5)结束。

    • 最邻近疏散是指为每个疏散组分配最邻近出口并计算最短路径,不考虑其他疏散组占用道路而出现的拥堵情况。由于道路宽度会对疏散组的队列长度产生影响,本文以路段的长宽比作为路段权重,使用Floyd最短路径算法[25]计算疏散组的最小权重路径,并定义路段权重集合为W,具体算法过程如算法2所示。

      算法2描述:最邻近疏散路径生成算法。

      输入:GEQ;输出:W,疏散组的最邻近疏散路线。

      1)计算所有路段的长宽比,获取每个路段的通行权重;

      2)根据路段通行权重,使用Floyd算法循环计算每个疏散组到达每个出口的最短路径;

      3)比较步骤2)的多条最短路径,计算每个疏散组的最邻近出口和最快疏散路径;

      4)结束。

    • 由于城市人口分布和疏散出口分布的不均衡性,第一步中计算出的疏散方案存在出口流量不均衡的问题。例如,当某出口出现人流排队,而另外出口空闲时,疏散效率通常较低。因此,需要从全局角度平衡出口间的疏散流量。首先,必须求取每个疏散组的疏散状态,了解道路节点占用状态;然后,协同调整流量较大的出口的疏散组,直至所有出口达到均衡状态为止,如算法3、4所示。算法3对疏散组路径的每个道路节点进行处理,根据疏散组到达道路节点的时间更新节点占用状态,修改其他冲突疏散组的通行时间。

      算法3描述:道路节点状态更新算法。

      输入:GEQW;输出:QS

      1)遍历每个疏散组的疏散路径;

      2)计算疏散组到达每个道路节点的时间和通行时间;

      3)计算每个道路节点的占用状态,若存在多个疏散组同时占用该节点的情况(拥堵),则根据疏散组的到达顺序通行,更新该节点占用状态,更新疏散组的通行时间及其路径中后续节点的通行状态。

      在此基础上,算法4实现了出口流量的再分配和平衡。算法4首先定义时间阈值$ \tau $,计算各个出口的占用总时长,判断各个出口的占用时间差是否达标,若不达标(大于$ \tau $),则调整部分最大占用时长出口的疏散组至邻近(次优)出口,并更新QS。如此循环,直至各个出口占用时间达标(任意出口的占用时长差均小于$ \tau $)为止。

      算法4描述:疏散出口协同分配算法。

      输入:GEQW,$ \tau $;输出:QS

      1)计算每个出口的占用总时长;

      2)求取最大占用时长的出口和最小占用时长的出口,并计算它们的占用时长差;

      3)若占用时长差大于时间阈值$ \tau $,根据差值大小,从最大占用时长的出口中选择疏散组,更改其出口为最小占用时长的出口。调用算法2和算法3计算其疏散路径,并更新道路节点状态;

      4)若占用时长差小于$ \tau $,则结束。

    • 由于城市复杂道路网络疏散场景中存在巨量短时交通需求,道路拥堵将不可避免,如何减少拥堵是本小节算法的主要任务,也是本文提出方法的重要创新点。在前述算法的基础上,疏散组的疏散出口和路径已明确,所以主要对疏散组的拥堵情况进行考量。一般来说,“最短路径”就是疏散问题的最佳解决方案,然而,考虑路段权重和节点拥堵,以及各个疏散组之间的相互影响,如何在不影响整体疏散效率的基础上降低每个疏散组的疏散时间是个复杂的问题。因此,本文提出利用协同优化策略调优疏散组的疏散路径,从多车协同的角度计算每个疏散组的最快疏散路径,实现疏散组路径的优化,具体如算法5所示。算法5首先根据疏散顺序对某出口的疏散组按倒序排列,从最后疏散的疏散组开始优化,以经典Floyd最短路径算法为基础,考虑道路节点的通行权重,进行最优路径的求解;然后调用算法4进行出口再分配的判断。该方法的特色在于把道路节点通行权重也加入最短疏散路径的求解,在充分考虑道路节点实际拥堵情况的基础上对疏散路径进行优化。

      算法5描述:疏散路径的协同规划算法。

      输入:GEQSW;输出:QS

      1)倒序遍历每个出口的疏散组;

      2)计算疏散组在每个道路节点的排队时间;

      3)考虑道路节点的通行代价,重新使用Floyd算法求解最短路径及疏散时长;若疏散时长减少,记录新路径,并更新道路节点状态集合S

      4)调用算法4,判断是否需要出口再平衡,若存在出口调整的疏散组,则返回步骤1),否则结束。

    • 为验证本文方案的有效性,在虚拟的城市路网中进行疏散实验。首先,约定了疏散环境涉及的参数;然后,给出OrCOS算法在多出口和不同疏散人数下的性能表现;最后,分析了本文方案与最短路径疏散、分阶段疏散两种方案的对比结果。

    • 模拟疏散实验在如图 1所示的道路网络中进行,该路网包括312条弧段和247个节点,道路总长度约为449.8 km。具体的疏散实验参数如下:

      图  1  道路网络

      Figure 1.  The Road Network

      1)所有路段的通行宽度均为10 m,所有疏散组均以10 m/s的恒定速度疏散,疏散队列中的人员间隔为1 m。也就是说,疏散组的队列长度为疏散人数的1/10。

      2)节点平均疏散人数,用$ N $表示,表达各个疏散组的人数符合均值为$ N $的正态分布。例如,某次实验中设定$ N=2\mathrm{ }000 $,指的是所有疏散组的人数符合均值是2 000的正态分布。

      3)疏散总时长$ T $,指从疏散开始至疏散组全部达到出口的时间。

      4)疏散组平均停留时长$ {T}_{c} $,指疏散过程中疏散组停留时间的平均值。停留包括道路上的停留(拥堵)和出发前的停留(等待),出发前的停留出现在分阶段疏散方案中,本文提出的疏散方法采用同时疏散的策略,不存在出发前的停留。

      5)算法运行时长$ {T}_{r} $,指疏散算法的运行时间。

      在此基础上,使用C++编写程序实现疏散方案,实验的编译运行环境为:Intel Core i7-6700 3.40 GHz 4核处理器,20 GB内存,Windows 10(64位)操作系统。

    • 由于疏散效率直接受疏散出口个数和人口密度影响,因此设计两种实验场景来分析疏散出口数和疏散人数对疏散性能的影响。

    • 随机选择8个区域边缘的道路节点作为疏散出口,依次编号为①~⑧,如图 2所示。本组实验共进行8次,分别测试从1个出口到8个出口不同出口数量时的疏散性能,设定$ N=2\mathrm{ }000 $,疏散总人数约49万人,具体实验方案及结果如表 1所示。显然,增加出口数量能明显降低疏散时间,1个出口疏散用时4.258 h,而8个出口疏散用时0.593 h,约35 min。同时,$ {T}_{c} $与$ T $有相同的变化趋势,特别是当8个出口疏散时,$ {T}_{c} $约为6 min多。$ {T}_{c} $和$ T $的变化趋势如图 3所示,可见疏散的效率随出口个数的增加呈下降趋势。

      图  2  疏散出口分布图

      Figure 2.  Distribution of Exits

      表 1  多出口疏散实验结果($ N=2\mathrm{ }000 $)

      Table 1.  Evacuation Results with Different Number of Exits ($ N=2\mathrm{ }000 $)

      出口数量 出口编号 $ T $/h $ {T}_{c}/\mathrm{h} $
      1 4.258 1.604
      2 ①~② 1.941 0.618
      3 ①~③ 1.082 0.319
      4 ①~④ 0.804 0.194
      5 ①~⑤ 0.766 0.170
      6 ①~⑥ 0.754 0.135
      7 ①~⑦ 0.726 0.141
      8 ①~⑧ 0.593 0.110

      图  3  出口数量对$ T $和$ {T}_{c} $的影响

      Figure 3.  Influence of the Number of Exits on $ T $and $ {T}_{c} $

    • 设计3个出口的疏散场景(244个疏散节点,3个疏散出口节点),测试不同$ N $值时的疏散性能。如表 2所示,选择$ N $从1 000到10 000的7个值来进行实验。可以看出,当$ N $为1 000时,疏散总人数为24.4万人,疏散用时$ T $为0.535 h,约32 min,平均拥堵时间$ {T}_{c} $为0.097 h,不到6 min。当$ N $增大到10 000时,疏散总人口达到244万人,$ T $增长了8倍,达到4.370 h,约4 h 22 min,$ {T}_{c} $增长了17倍,达到1.673 h,约100 min。相对来说,随着疏散人数的增加,$ {T}_{c} $的增长幅度更大,$ T $和$ {T}_{c} $的具体变化趋势如图 4所示。

      表 2  多人数疏散实验结果(3个疏散出口)

      Table 2.  Evacuation Results with Different Number of People (the Number of Exits is 3)

      $ N $ 总疏散人数/万人 $ T $/h $ {T}_{c} $/h
      1 000 24.4 0.535 0.097
      2 500 61 1.139 0.352
      4 000 97.6 1.752 0.635
      5 500 134.2 2.462 0.873
      7 000 170.8 2.858 1.151
      8 500 207.4 3.579 1.413
      10 000 244 4.379 1.673

      图  4  疏散人数对$ T $和$ {T}_{c} $的影响

      Figure 4.  Influence of the Number of People on $ T $ and $ {T}_{c} $

      上述两个场景的实验从疏散规模和疏散效率等方面验证了本文提出的OrCOS算法在复杂城市道路网络疏散问题中的有用性,实验结果反映了算法运行的基本特征。

    • 选择两种已有方案进行比较分析:(1)最基本的最短路径疏散方案[25](the shortest path evacuation scheme,SE);(2)文献[18]提出的分阶段有组织疏散方案(the staged organized route evacuation,SRE),该算法是对文献[17]的分阶段有组织疏散方法在多出口疏散场景中的扩充。SE方法类似于OrCOS算法的第一步——最邻近疏散的过程,每个疏散组都选择距离自己最近的出口,同时出发开始疏散,遇拥堵则等待。SRE算法给每个疏散组设置不同的出发时间和疏散出口,出发前疏散组必须原地等待,疏散过程中无拥堵发生,疏散出口的占用时长较为均衡,疏散效率较高。

      沿用多出口和多人数实验方案,SE算法和SRE算法的完整实验结果如表 3表 4所示。需要注意的是,SE算法和OrCOS算法采用同时出发疏散策略,其$ {T}_{c} $是指疏散组在道路上的平均拥堵时长,而SRE算法采用分阶段出发策略,不同疏散组的出发时间不同,且不发生道路拥堵,其$ {T}_{c} $是指用户在起点等待出发的平均时长。

      表 3  SE、SRE和OrCOS的多出口实验结果($ \mathit{N}=2000 $)

      Table 3.  Results of SE, SRE, and OrCOS with Different Number of Exits ($ N=2\mathrm{ }000 $)

      出口个数 $ T $ $ /\mathrm{h} $ $ {T}_{c} $ $ /\mathrm{h} $ $ {T}_{r} $ $ /\mathrm{s} $
      SRE SE OrCOS SRE SE OrCOS SRE SE OrCOS
      1 5.428 4.585 4.258 2.453 1.897 1.604 1.6 2.3 31.4
      2 2.438 2.020 1.941 0.961 0.701 0.618 5.8 1.3 22.8
      3 1.463 1.041 1.082 0.460 0.329 0.319 3.5 1.2 19.2
      4 1.013 0.746 0.804 0.280 0.199 0.194 3.6 1.1 17.8
      5 0.940 0.719 0.766 0.249 0.177 0.170 5.5 1.3 20.7
      6 0.881 0.703 0.754 0.196 0.149 0.135 3.3 1.5 16.0
      7 0.853 0.704 0.726 0.201 0.150 0.141 4.3 1.7 17.3
      8 0.651 0.541 0.593 0.150 0.123 0.110 3.5 1.7 14.0

      表 4  SE、SRE和OrCOS的多人数实验结果(3个疏散出口)

      Table 4.  Results of SE, SRE, and OrCOS with Different Number of People (the Number of Exits is 3)

      N $ T/\mathrm{h} $ $ {T}_{c}/\mathrm{h} $ $ {T}_{r}/\mathrm{s} $
      SRE SE OrCOS SRE SE OrCOS SRE SE OrCOS
      1 000 0.586 0.526 0.535 0.148 0.121 0.097 3.3 0.9 10.6
      2 500 1.503 1.345 1.139 0.508 0.412 0.352 3.5 1.2 22.4
      4 000 2.359 2.039 1.752 0.886 0.708 0.635 3.5 1.3 34.5
      5 500 3.169 2.708 2.462 1.235 0.949 0.873 3.3 1.3 46.1
      7 000 4.026 3.536 2.858 1.661 1.239 1.151 3.5 1.4 58.0
      8 500 4.782 4.152 3.579 2.067 1.481 1.413 3.3 1.4 70.5
      10 000 5.813 4.989 4.379 2.377 1.693 1.673 3.3 1.5 90.3

      表 3表 4中可以看出,3种方案的$ T $和$ {T}_{c} $相差不大,但OrCOS算法的运行时间$ {T}_{r} $相对于其他两种算法来说,数值巨大。这种情况与OrCOS算法的路径计算机制有关,OrCOS算法需要从全局角度对疏散组的疏散路径进行多次协同更新,使得运行时间相对较长。然而,OrCOS算法的$ {T}_{r} $也并非不可接受,即使对$ N=10\mathrm{ }000 $,疏散人数达到244万人的极端情况,算法运行时间为90.3 s,从数据处理的效率和实用价值来看,也在合理范围之内。

      $ T $对比的实验结果如图 5所示,图 5(a)是多出口疏散场景的$ T $对比,图 5(b)是多人数疏散场景的$ T $对比。可以看出,3种算法的数据变化趋势保持一致,$ T $与出口个数呈反比,与疏散人数呈正比。相对来讲,SE算法的疏散效率最差,OrCOS算法和SRE算法的$ T $较为接近,但当出口个数较少和疏散人数较多时,OrCOS算法的表现更加出色。$ {T}_{c} $对比的实验结果如图 6所示,图 6(a)是多出口疏散场景的$ {T}_{c} $对比,图 6(b)是多人数疏散场景的$ {T}_{c} $对比。$ {T}_{c} $的对比效果与$ T $类似,SE算法的拥堵总时长较大,SRE和OrCOS的$ {T}_{c} $较为接近,特别是当出口个数较多时,两者基本一致;但在出口个数较少和大多数疏散人数取值中,OrCOS算法的平均停留时间更短。

      图  5  多出口和多人数场景疏散总时长$ T $对比

      Figure 5.  Comparison of $ T $ with Different Number of Exits and Different Number of People

      图  6  多出口和多人数场景停留时长$ {T}_{c} $对比

      Figure 6.  Comparison of $ {T}_{c} $ with Different Number of Exits and Different Number of People

      $ {T}_{r} $对比的实验结果如图 7所示,图 7(a)是多出口疏散场景的$ {T}_{r} $对比,图 7(b)是多人数疏散场景的$ {T}_{r} $对比。

      图  7  多出口和多人数场景算法运行时长$ {T}_{r} $对比

      Figure 7.  Comparison of $ {T}_{r} $with Different Number of Exits and Different Number of People

      $ {T}_{r} $的对比效果与前两个指标差异较大,OrCOS算法的运行时间明显高于SE算法和SRE算法,特别是在多人数场景中,OrCOS的运行时间增长较快,而其他两个算法的运行时间基本保持稳定,没有太大波动。

      总体来看,参与比较的3种算法中,OrCOS算法的疏散能力最强,SRE算法略次之,SE算法最差。OrCOS算法设计的疏散方案在大多数情况下有较短的疏散总时长,特别是在疏散人数较多时,OrCOS算法在疏散总时长方面的领先更为明显。另外,虽然SRE算法通过调整疏散组出发时间能实现无拥堵疏散,但比较来看,在大多数情况下,OrCOS疏散方案的平均拥堵时长低于SRE算法的平均等待时间。然而,受计算量较大的影响,OrCOS算法的运行时间要远大于其他两种算法,未来期待通过进一步优化算法性能、提高硬件设备计算能力等方式加以解决。

    • 针对高密度城市区域的应急疏散问题,本文在已有研究成果的基础上提出了一种应用协同优化策略的应急疏散方案OrCOS。该方案以优化疏散总时长和拥堵时长为目标,利用出口协同分配算法和路径协同优化算法计算最短疏散时长和最小拥堵疏散路线,为复杂城市道路网络中的高密度人群的同时疏散问题提供了研究思路。未来的研究主要集中在OrCOS算法运行效率的优化和算法适用性上,需要进一步优化技术路线,改进代码结构,提升算法执行效率。另外,本文的实验有很多简化处理,例如道路宽度、道路通行方向、疏散速度、疏散组粒度、疏散优先级、突发异常处理等,使得算法对真实环境的适用性仍具有挑战性,未来将扩展算法功能,切实考虑应用场景的真实需求,提高疏散方案的实用价值。

参考文献 (25)

目录

    /

    返回文章
    返回