基于地鐵站空間的視覺環(huán)境評價模型研究

郭鳳群，肖 輝

(1.中船第九設(shè)計研究院工程有限公司，上海 200063；2.同濟大學(xué)電子與信息工程學(xué)院，上海 201804)

?

基于地鐵站空間的視覺環(huán)境評價模型研究

郭鳳群1，肖 輝2

(1.中船第九設(shè)計研究院工程有限公司，上海 200063；2.同濟大學(xué)電子與信息工程學(xué)院，上海 201804)

隨著半導(dǎo)體光源在地鐵站空間照明的應(yīng)用，對地鐵站空間視覺環(huán)境的綜合評價勢在必行。本文的核心是建立視覺環(huán)境綜合評價的理論模型用以評價地鐵站空間視覺環(huán)境。本文首先在充分分析地鐵站空間照明功能性的基礎(chǔ)上，結(jié)合德爾菲法從眾多因素中篩選出適用于地鐵站空間視覺環(huán)境評價的16個評價指標；再通過指標間兩兩對比得出初始判斷矩陣，并建立基于初始判斷矩陣和指標權(quán)重的非線性一致性修正模型；最后利用粒子群算法求出具有較好一致性的判斷矩陣和對應(yīng)各評價指標的權(quán)重，由此構(gòu)建出地鐵站空間視覺環(huán)境綜合評價的理論模型。

半導(dǎo)體照明；視覺環(huán)境；評價體系；模糊綜合評價法；粒子群算法

引言

伴隨半導(dǎo)體技術(shù)的發(fā)展以及節(jié)能減排的需求，利用LED代替?zhèn)鹘y(tǒng)的熒光燈光源進行地鐵站空間照明成為當(dāng)前地鐵站空間照明研究的熱門話題。由于半導(dǎo)體光源出現(xiàn)的時間較晚，且應(yīng)用于地下公共空間照明時間也較晚，就地鐵站空間而言，深圳地鐵2號線是國內(nèi)較早且全線直接采用LED進行照明的地鐵線路，故而對半導(dǎo)體照明營造的視覺環(huán)境方面的研究也較少，使得LED應(yīng)用于地鐵站空間照明缺乏理論依據(jù)和數(shù)據(jù)支撐。為研究地鐵站空間視覺環(huán)境的優(yōu)劣以及不同光源下視覺環(huán)境的特點，本文試圖從人的主觀感受出發(fā)，對視覺環(huán)境進行綜合評價，即構(gòu)建地鐵站空間照明視覺環(huán)境評價模型[1]，利用粒子群算法求解出評價模型中各評價指標對應(yīng)的指標權(quán)重，最終建立起客觀評價指標與使用者主觀感受之間的關(guān)系模型。同時，將該理論模型應(yīng)用于地鐵站空間視覺環(huán)境的評價中，得到最優(yōu)的主觀評價值，并結(jié)合現(xiàn)場光環(huán)境特性測量以得到最優(yōu)視覺環(huán)境下對應(yīng)的地鐵站空間光環(huán)境特性，為今后地鐵站空間照明的發(fā)展提供理論依據(jù)。

1 地鐵站空間視覺環(huán)境評價準則

對熒光燈照明下地鐵站空間視覺環(huán)境的評價主要從照明的功能性出發(fā)，其照明主要目的是滿足空間使用者在地鐵站空間中能夠準確辨別周圍環(huán)境及前往路線所需要的光環(huán)境物理特性。而LED具有高光效、壽命長、可調(diào)光等特點，其應(yīng)用于地鐵站空間照明所營造的視覺環(huán)境除了滿足功能性的需求外，其節(jié)能方面的特性較為突出。因此，為研究適用于地鐵站空間視覺環(huán)境的評價體系，需要結(jié)合照明的功能性和節(jié)能兩方面的特性進行深入研究，構(gòu)建出地鐵站空間視覺環(huán)境評價體系理論模型，利用粒子群算法求解模型中各指標權(quán)重，并從模型出發(fā)，結(jié)合現(xiàn)場調(diào)研得到兩種光源下視覺環(huán)境的優(yōu)劣。

2 地鐵站空間視覺環(huán)境評價模型

2.1 地鐵站空間視覺環(huán)境評價指標

地鐵站空間視覺環(huán)境評價指標主要包括功能性和節(jié)能性兩大類指標，其中功能性指標又分為光環(huán)境和空間環(huán)境兩大類。光環(huán)境因素包括照度水平、照度均勻度、亮度水平、亮度分布、眩光指數(shù)、色溫、顯色指數(shù)、視覺誘導(dǎo)性、識別性等；空間環(huán)境因素包括燈具外觀效果、立體感、環(huán)境協(xié)調(diào)性、照明層次、光照藝術(shù)性等。節(jié)能性因素包括照明控制和照明節(jié)能兩大類，其中照明控制包括控制策略、控制方式；照明節(jié)能包括照明功率密度LPD值、節(jié)能燈具、新能源利用。

利用德爾菲法對評價指標進行篩選，經(jīng)過三輪專家征詢，得到評價地鐵站空間照明視覺環(huán)境的評價指標體系，共包含16項指標：照度水平、照度均勻度、亮度水平、亮度分布、眩光、色溫、顯色性、視覺誘導(dǎo)性、識別性、立體感、環(huán)境協(xié)調(diào)性、光照藝術(shù)性、控制策略、控制方式、照明功率密度LPD、節(jié)能燈具，并利用層次分析法將一個復(fù)雜的決策問題分解為若干個相互聯(lián)系的層次，建立遞階層次結(jié)構(gòu)[3]，如圖1所示。

圖1 地鐵站空間視覺環(huán)境評價遞階層次結(jié)構(gòu)Fig.1 Hierarchical structure of subway station space visual environmental assessment

2.2 指標權(quán)重計算

權(quán)重的合理確定是正確評價的前提，在確定地鐵站空間照明視覺環(huán)境綜合評價指標之后，各指標的權(quán)重成為評價體系研究的重要部分，其準確性更關(guān)系著最終評價結(jié)果的正確性和科學(xué)性?；诖?，本文擬采用層次分析法構(gòu)建遞階層次結(jié)構(gòu)，建立初始判斷矩陣，利用粒子群算法求解指標權(quán)重，建立起城市地鐵站空間照明視覺環(huán)境評價體系模型[4]。計算流程如圖2所示。

圖2 指標權(quán)重計算流程Fig.2 Index weight calculation process

2.2.1 初始判斷矩陣和初始權(quán)重

層次分析法是確定權(quán)重向量行之有效的方法，利用層次分析法計算權(quán)重時，函數(shù)f(x,y)表示對總體而言x比因素y的重要性標度。若f(x,y)>1，說明x比y重要，反之則說明y比x重要，當(dāng)且僅當(dāng)f(x,y)=1時，說明x與y同等重要，且約定f(y,x)=1/f(x,y)。

表1 評價指標兩兩比較的等級劃分標度值Table 1 Evaluation grading scale value

注：偶數(shù)則介于相鄰兩奇數(shù)之間。

根據(jù)以上所述評價指標兩兩對比數(shù)值的含義，初步確定地鐵站空間照明視覺環(huán)境綜合評價指標間的重要程度，如初始判斷矩陣A0式(1)所示。

2.2.2 AHP最小二乘一致性修正模型建立

層次分析法是主觀賦權(quán)方法，人的主觀選擇和偏好起到相當(dāng)重要的作用，這給層次分析法解決決策問題帶來很大的不可靠性，因為層次分析法在解決決策問題時要求必須具有滿足的一致性，只有通過一致性檢驗，得出的排序權(quán)重才會對實際決策問題提供有價值的參考。但在目前的應(yīng)用中，1～9標度給出的判斷矩陣通常很難達到一致，導(dǎo)致判斷矩陣與實際判斷思維不一致，帶來相對權(quán)重的計算失真，這也是當(dāng)前多決策問題需要解決的問題和面臨的挑戰(zhàn)。

(1)

從前文可知，由于地鐵站空間視覺環(huán)境綜合評價體系中含有較多的評價指標，得出的初始判斷矩陣階數(shù)較大，如果根據(jù)傳統(tǒng)的矩陣一致性校驗方法進行校驗，工作量大，計算困難且無法做出準確的判斷，從而成為本文的難題所在。因此，對于文中研究的16階初始判斷矩陣，為檢驗初始判斷矩陣的一致性，得到合理的權(quán)重向量，需要構(gòu)建出恰當(dāng)?shù)囊恢滦孕拚Ｐ?，并利用智能算法進行優(yōu)化求解，以快速得到能夠通過一致性校驗的判斷矩陣和對應(yīng)的權(quán)重向量。再將得到的判斷矩陣反饋給專家，評估修正后的矩陣是否在實際中可接受的范圍內(nèi)和該非線性模型求解得到的一組權(quán)重向量是否可作為要求解實際問題的各評價指標的權(quán)重。若專家意見是肯定的，則說明該修正后的判斷矩陣可接受；反之則需對參數(shù)進行重新設(shè)置并求解，再次進行驗證，直至專家認可。

(2)

目標函數(shù)中的Y越小越好，說明在滿足一致性條件的情況下調(diào)整的幅度相對較小，修正后的矩陣質(zhì)量越高。其中，λ1,λ2是權(quán)重因子，賦值主要根據(jù)實際中的具體要求而定，一方面是對專家判斷矩陣的遵循程度，一方面是對滿足一致性指標的要求程度，在本文中，該模型解的主要目標是滿足一致性指標，因此滿足一致性指標要求的程度高于對專家判斷矩陣的遵循程度[5]。θ是在原始專家判斷矩陣修正的過程中針對各元素調(diào)整的一個約束指標，越小越好。aij為初始判斷矩陣的元素，xij，wi為所求具有較好一致性的判斷矩陣元素及對應(yīng)的指標權(quán)重。

2.2.3 AHP最小二乘一致性修正模型求解

經(jīng)過大量研究，擬采用粒子群算法(PSO)對所建立的層次分析法最小二乘一致性修正模型進行求解，以得到具有較好一致性的判斷矩陣，從主客觀兩方面修正指標權(quán)重，提高指標權(quán)重的準確性?；驹硎牵涸贒維空間中有M個粒子，粒子的運動空間就是解空間，待優(yōu)化的目標函數(shù)值就是粒子的適應(yīng)度，粒子的位置向量代表優(yōu)化問題解空間中的變量，粒子的運動過程就是解的搜索過程。每個粒子在搜索時，根據(jù)搜索到的個體歷史最優(yōu)點和群體內(nèi)所有粒子的歷史最優(yōu)點，更新飛行速度，從而實現(xiàn)位置的更新[6]。

設(shè)M個粒子中第i個粒子的位置為xi=(xi1,xi2,…,xiD)，速度為vi=(vi1,vi2,…,viD)，其歷史最優(yōu)位置為局部最優(yōu)位置Pi=(Pi1,Pi2,…,PiD)，即Pbest，所有粒子最優(yōu)位置為Gbest。粒子在迭代進化過程中，位置和速度更新為

(3)

其中k為迭代次數(shù)，i=1,2,…,M,rand1和rand2為[0,1]的隨機數(shù)，c1和c2為加速度權(quán)重，ω*為慣性權(quán)重。

利用PSO算法求解基于PSO與AHP最小二乘模型的流程如圖3所示。

圖3 粒子群算法流程Fig.3 Particle Swarm Optimization Process

根據(jù)上述分析，AHP最小二乘一致性修正模型是個典型的非線性優(yōu)化模型，一共有136個獨立變量，利用MATLAB對模型(1)進行求解，求解過程中如下：

1)初始化：

首先設(shè)置一個初始的粒子種群：設(shè)該粒子群包含M=50個粒子，每個粒子具有D=136維向量，這50個粒子都被賦予了一個初始位置和初始速度。

(4)

(5)

初始時，局部最優(yōu)位置Pbest和全局最優(yōu)位置Gbest初始化為

(6)

2)第K代進化過程：

(7)

(8)

第3步：更新粒子的位置和速度：

(9)

第4步：算法終止檢驗：檢驗更新后的Gk對應(yīng)的適應(yīng)度值是否達到終止要求或搜索總代數(shù)達到最大代數(shù)限制，如果滿足則算法終止；否則，返回第1步。

3)參數(shù)設(shè)置：

粒子規(guī)模：M=50；加速常數(shù)：c1=c2=2；最大迭代次數(shù)：T=1000。

慣性權(quán)重：ω*∈[0.8,1.2]，算法實現(xiàn)過程中，在更新粒子速度和位置的同時，不斷在該范圍內(nèi)更新慣性權(quán)重，以得到全局最優(yōu)解。

權(quán)重因子：λ1∈[0.1,0.4]，λ2∈[0.6,0.9]，在更新粒子速度和位置的同時，不斷在該范圍內(nèi)更新權(quán)重因子。

約束條件：θ∈[0.1,0.3]，隨著粒子速度和位置的更新，不斷更新。

4)PSO算法求解AHP最小二乘一致性修正模型的MATLAB實現(xiàn)：

① 算法初始化：

v(:,:,i)=rand(n+1,n);

%初始化粒子速度

pbp(:,:,i)=zeros(n+1,n);

%初始化個體最優(yōu)位置

gbp=zeros(n+1,n);

%初始化群體最優(yōu)位置

pbf=inf*ones(1,N);

%初始化個體最優(yōu)適應(yīng)度

gbf=inf;

%初始化群體最優(yōu)適應(yīng)度

② 迭代更新：

v(:,:,i)=w(iter)*v(:,:,i)+c1*rand(1)*(pbp(:,:,i)-particle(:,:,i))+c2*rand(1)*(gbp-particle(:,:,i));

%速度更新

particle(:,:,i)=particle(:,:,i)+v(:,:,i); %位置更新

③ 運行結(jié)果：

利用MATLAB運行上述程序100次取得最優(yōu)結(jié)果；

最優(yōu)權(quán)重對應(yīng)的各參數(shù)：ω*=1.0959，λ1=0.3219，λ2=0.6781，θ=0.2479 ；

所得指標權(quán)重向量W及具有較好一致性的判斷矩陣為(A=X)，即

W=[0.0901 0.0729 0.1015 0.1184 0.0620 0.0881 0.0219 0.0743 0.1024 0.0199 0.0139 0.0124 0.0454 0.0503 0.0755 0.0511]

2.3 地鐵站空間視覺環(huán)境評價體系建立

將利用粒子群算法求解得出的通過一致性修正的判斷矩陣和排序權(quán)重向量反饋給初始判斷矩陣的專家，專家意見為可接受。因此，將修正后的判斷矩陣作為最終的判斷矩陣，把求解模型得出的權(quán)重向量作為各評價指標權(quán)重，從而構(gòu)建出地鐵站空間視覺環(huán)境綜合評價模型，如表2所示。

表2 地鐵站空間視覺環(huán)境評價體系Table 2 Visual environmental assessment system of subway station space

3 結(jié)束語

本文針對地鐵站空間視覺環(huán)境綜合評價這一問題，利用光環(huán)境、環(huán)境心理學(xué)和模糊數(shù)學(xué)的理論知識構(gòu)建地鐵站空間視覺環(huán)境綜合評價的理論模型，并將模型應(yīng)用于利用LED光源進行照明的深圳地鐵2號線和熒光燈進行照明的深圳地鐵3號線地鐵站空間的視覺環(huán)境綜合評價中，根據(jù)現(xiàn)場對各指標的問卷調(diào)研結(jié)合模型得出最優(yōu)的視覺環(huán)境，并結(jié)合主觀調(diào)研結(jié)果和模型理論數(shù)據(jù)驗證模型中所選指標的合理性和指標權(quán)重的有效性，從而說明該評價模型具有普遍適用性，為今后地鐵站空間視覺環(huán)境的評價提供模型參考，為地鐵站空間照明設(shè)計提供理論依據(jù)。

[1] 張永鋒. 酒店大堂照明環(huán)境質(zhì)量評價與技術(shù)體系研究[D]. 重慶：重慶大學(xué), 2005.

[2] 張颋. 地鐵照明系統(tǒng)的電效評價研究[D]. 蘭州：蘭州交通大學(xué), 2011.

[3] 劉世豪, 劉志剛. 地鐵安全性能模糊綜合評價模型及其應(yīng)用研究[J]. 鐵道工程學(xué)報, 2011, 03.

[4] 杜元. 基于PSO與AHP的多屬性問題權(quán)重求解及其在應(yīng)急物流中的應(yīng)用[D]. 合肥：中國科學(xué)技術(shù)大學(xué), 2011, 05.

[5] 丁斌, 杜元. 基于PSO算法與AHP最小二乘模型對多屬性決策問題權(quán)重求解[J]. 系統(tǒng)工程, 2010,7(7).

[6] 尹大偉. 航空發(fā)動機模型求解算法及性能尋優(yōu)控制中的參數(shù)估計研究[D]. 長沙：國防科學(xué)技術(shù)大學(xué), 2011.

Study of Visual Environment Evaluation Model Based on Subway Station Space

GUO Fengqun1，XIAO Hui2

(1.ChinaShipBulidingNDRIEngineeringCo.,LTD,Shanghai200063,China; 2.CollegeofElectronicandInformationEngineering,TongjiUniversity,Shanghai201804,China)

With the application of LED lighting in subway station space, evaluating its visual environment becomes more and more important. This paper is to build a theoretical model for visual environment evaluation of subway station space. It adopted Delphi method to filter out 16 evaluation indexes which are fit for the subway station visual environment evaluation. It then obtained the initial judgment matrix through pairwise comparison, and established the non-linear consistency correction model. Finally, it calculated the judgment matrix with better consistency and the corresponding index weight using Particle Swarm Optimization, and constructed the theoretical model.

semiconductor lighting; visual environment; evaluation model; fuzzy comprehensive evaluation method; particle swarm optimization

TU114

A

10.3969j.issn.1004-440X.2016.04.007