大型活動(dòng)散場(chǎng)觀眾交通疏散模型

葉 霞 夏海霞 高志剛

1(浙江理工大學(xué)信息學(xué)院 浙江 杭州 310018)2(杭州電子科技大學(xué)計(jì)算機(jī)學(xué)院 浙江 杭州 310018)

0 引 言

隨著城市的發(fā)展，大型活動(dòng)在城市中舉辦越來(lái)越頻繁。在活動(dòng)結(jié)束后，觀眾短時(shí)間內(nèi)大量涌出，受限于觀眾的步行速度以及道路情況，無(wú)法及時(shí)地疏散，從而造成嚴(yán)重的交通擁堵問(wèn)題[1]。目前針對(duì)大型活動(dòng)散場(chǎng)問(wèn)題的研究通常是建立大型活動(dòng)觀眾疏散模型[2-4]，對(duì)大型活動(dòng)散場(chǎng)人流進(jìn)行仿真[5-7]來(lái)預(yù)測(cè)大型活動(dòng)散場(chǎng)時(shí)的觀眾疏散情況，沒(méi)有制定相應(yīng)的措施解決實(shí)際的擁堵問(wèn)題。為了更好地解決大型活動(dòng)散場(chǎng)時(shí)周圍道路的擁堵情況，本文使用共享單車進(jìn)行臨時(shí)部署與調(diào)度的方式加快觀眾的疏散，緩解擁堵問(wèn)題。

從場(chǎng)館出發(fā)到公共交通站點(diǎn)的這段距離被稱為“最后一公里”[8-9]。針對(duì)“最后一公里”問(wèn)題，已有許多相關(guān)文獻(xiàn)提出用公共自行車的方式解決。如文獻(xiàn)[10-11]從服務(wù)水平和自行車容量考慮，提出自行車共享系統(tǒng)的策略設(shè)計(jì)模型。文獻(xiàn)[12]在北京現(xiàn)有公共自行車站點(diǎn)分布不合理的基礎(chǔ)上提出了一種新的自行車部署方案，使其更好地解決“最后一公里”問(wèn)題。上述文獻(xiàn)都是基于日常生活、通勤方面去解決“最后一公里”問(wèn)題。由于公共自行車有樁模式的限制，目前尚未見(jiàn)到將其應(yīng)用到大型活動(dòng)散場(chǎng)疏散問(wèn)題中的研究。而共享單車的出現(xiàn)，可以很方便地將其部署到需要自行車的地方。針對(duì)共享單車的這個(gè)特性，本文將其應(yīng)用到大型活動(dòng)散場(chǎng)觀眾交通疏散中，下文將共享單車簡(jiǎn)稱為自行車。

本文針對(duì)大型活動(dòng)散場(chǎng)觀眾疏散問(wèn)題，提出了基于人流預(yù)測(cè)的大型活動(dòng)散場(chǎng)疏散模型。結(jié)合對(duì)散場(chǎng)觀眾流向的預(yù)測(cè)，使用部署和調(diào)度自行車的方式解決“最后一公里”問(wèn)題，緩解大型活動(dòng)散場(chǎng)時(shí)的短期人流擁堵。實(shí)驗(yàn)結(jié)果表明，通過(guò)本文的模型進(jìn)行疏散可以提高疏散效率，有效緩解大型活動(dòng)散場(chǎng)人流擁堵問(wèn)題。

1 參數(shù)及其定義

本節(jié)給出了模型中主要的參數(shù)和一些定義，參數(shù)如表1所示。

表1 模型參數(shù)及其描述

定義1站點(diǎn)集合S。站點(diǎn)包括三類：第一類為起始站點(diǎn)S1，在活動(dòng)舉辦場(chǎng)館出口的主要道路旁部署起始站點(diǎn)，放置自行車；第二類為終止站點(diǎn)S2，大型活動(dòng)散場(chǎng)時(shí)大部分觀眾選擇前往附近的公交站、地鐵站(下文統(tǒng)稱為公共交通站點(diǎn))，所以將劃定范圍內(nèi)的公共交通站點(diǎn)進(jìn)行篩選后設(shè)定為自行車終止站點(diǎn)S2；第三類為劃定范圍內(nèi)的所有公共交通站點(diǎn)，定義為S′。

定義2公共交通站點(diǎn)S′。S′=(ID,Loc,Dis,W)，包括站點(diǎn)ID(唯一標(biāo)示符)，站點(diǎn)經(jīng)緯度坐標(biāo)Loc，站點(diǎn)和活動(dòng)地實(shí)際距離Dis和該站點(diǎn)的運(yùn)力W。

定義3觀眾集合P。所有觀眾中選擇自己開(kāi)車以及場(chǎng)館內(nèi)大巴的觀眾定義為Pa，不在本文疏散的范圍內(nèi)；選擇公共出行的觀眾定義為Pb。Pb=(Vwalk,Vride,Dis,Sp,Se,Tr)，包括觀眾的步行速度Vwalk；騎車速度Vride；觀眾從起始點(diǎn)到終止點(diǎn)的OD(from Origin to Destination)距離，即Dis；觀眾的狀態(tài)Sp(等待、騎車、走路、到達(dá))；觀眾是否被疏散的狀態(tài)Se(觀眾到達(dá)目的地即可認(rèn)為已被疏散)；被疏散的時(shí)間Tr。

2 大型活動(dòng)散場(chǎng)觀眾交通疏散模型

2.1 疏散模型框架

大型活動(dòng)散場(chǎng)觀眾交通疏散模型框架按照步驟劃分，包括以下4個(gè)部分：站點(diǎn)部署，人流預(yù)測(cè)，站點(diǎn)聚類以及調(diào)度，基于概率函數(shù)的觀眾選擇算法。各模塊的功能如圖1所示。

圖1 大型活動(dòng)散場(chǎng)觀眾疏散模型框架

站點(diǎn)部署：通過(guò)活動(dòng)舉辦地附近的道路地圖、站點(diǎn)信息(包括公交車、地鐵路線及其發(fā)車時(shí)間)確定起始站點(diǎn)和終止站點(diǎn)的部署。

人流預(yù)測(cè)：根據(jù)終止站點(diǎn)的運(yùn)力以及離活動(dòng)舉辦地的距離預(yù)測(cè)觀眾的OD分布和站點(diǎn)人流量。根據(jù)場(chǎng)館出口通行能力和觀眾的OD分布預(yù)測(cè)Δt時(shí)間段內(nèi)出口的人流分布。

站點(diǎn)聚類以及調(diào)度：對(duì)所有終止站點(diǎn)進(jìn)行K-means聚類，適應(yīng)值函數(shù)由站點(diǎn)距離和站點(diǎn)人流量確定。每個(gè)聚類分配一輛調(diào)度車進(jìn)行調(diào)度。

基于概率函數(shù)的觀眾選擇算法：在前面三步的基礎(chǔ)上，利用該算法模擬散場(chǎng)觀眾的疏散情況。根據(jù)自行車可用狀態(tài)，觀眾等待自行車的時(shí)間以及觀眾走路到達(dá)目的地的時(shí)間為概率函數(shù)去判斷觀眾的出行方式，如此直到疏散完畢。

2.2 站點(diǎn)部署

由定義1可知，起始站點(diǎn)S1設(shè)定在活動(dòng)舉辦場(chǎng)館出口的主要道路旁，根據(jù)具體場(chǎng)景進(jìn)行部署，在實(shí)驗(yàn)部分討論。部署初始自行車總量為Nb。

終止站點(diǎn)S2，是將劃定交通疏散范圍內(nèi)的公共交通站點(diǎn)進(jìn)行篩選后得到。對(duì)于劃定交通疏散范圍的確定，文獻(xiàn)[8]中提出將5 km作為“最后一公里”的出行界限，其中，中層服務(wù)圈是距軌道交通站點(diǎn)1～3 km的自行車出行圈。本文設(shè)定dMin=0.5 km，dMax=3 km。

首先將劃定交通疏散范圍dMin～dMax內(nèi)的所有公交站、地鐵站S′標(biāo)記出來(lái)，然后確定每個(gè)站點(diǎn)的運(yùn)力W。本文定義運(yùn)力W為公共交通站點(diǎn)單位時(shí)間內(nèi)運(yùn)輸?shù)娜藬?shù)，該人數(shù)與站點(diǎn)的公交車數(shù)成正比，與發(fā)車間隔成反比。同一輛公交車會(huì)在各個(gè)不同的站點(diǎn)?？?，人們通常會(huì)選擇最近的站點(diǎn)去乘坐，所以同一輛公交車到達(dá)后面站點(diǎn)的可運(yùn)輸人數(shù)比前一個(gè)站點(diǎn)要大幅度下降。因此，定義每一路公交車屬于離活動(dòng)舉辦地最近的站點(diǎn)，由此得出每一個(gè)公交站擁有的公交車數(shù)以及每一輛公交的發(fā)車時(shí)間間隔。假設(shè)一個(gè)站點(diǎn)的公交車數(shù)為L(zhǎng)，該站點(diǎn)每輛公交的發(fā)車時(shí)間間隔為gi，載客量為hi，計(jì)算得到該站點(diǎn)的運(yùn)力：

(1)

而地鐵容量大、速度快、發(fā)車時(shí)間短，因此單位時(shí)間內(nèi)可以承載更多的客流。假設(shè)一列地鐵的發(fā)車時(shí)間間隔為G，載客量為H，可得地鐵站的運(yùn)力：

(2)

最后篩去一些偏僻的站點(diǎn)后，將運(yùn)力W大于0的站點(diǎn)，定義為終止站點(diǎn)S2。

2.3 人流預(yù)測(cè)

根據(jù)定義3，選擇公共出行的觀眾Pb=(Vwalk,Vride,Dis,Sp,Se,Tr)，本節(jié)要預(yù)測(cè)觀眾的Vwalk、Vride，Dis以及每個(gè)時(shí)間段從場(chǎng)館中出來(lái)的觀眾人數(shù)。

其中Vwalk為觀眾的步行速度，根據(jù)已有的行人調(diào)查[13]可知，行人速度服從正態(tài)分布，即Vwalk～N(u、σ2)。u、σ2分別為平均步行速度及其方差。經(jīng)測(cè)得，人群中行人的平均速度為1.34 m/s, 標(biāo)準(zhǔn)偏差為0.26 m/s。這里的速度是指在道路上不擁堵時(shí)的正常步行速度，而在場(chǎng)館出口擁堵的場(chǎng)景下的步行速度將減慢很多，本文設(shè)定場(chǎng)館500 m范圍內(nèi)的步行速度服從Vwalk～N(0.56, 0.01)。

Vride為觀眾的騎車速度，據(jù)統(tǒng)計(jì)，一個(gè)人的騎車速度是步行速度的3～5倍，本文假設(shè)Vride=4×Vwalk。

根據(jù)每個(gè)終止站點(diǎn)離活動(dòng)舉辦地的距離Dis以及運(yùn)力W，創(chuàng)建概率分布函數(shù)，預(yù)測(cè)觀眾流向。對(duì)于每一個(gè)站點(diǎn)S2，Dis越大，則觀眾去的可能性越低，人流越少；反之W越大，則觀眾去的可能性越大，人流越多。因此，本文根據(jù)這兩個(gè)特性定義兩個(gè)分?jǐn)?shù)來(lái)判斷人流，一個(gè)是距離分?jǐn)?shù)，定義如下：

Sd=1-sigmoid(Dis,a,c)

(3)

(4)

另一個(gè)為運(yùn)力分?jǐn)?shù)，定義如下：

(5)

每一個(gè)站點(diǎn)S2的總分?jǐn)?shù)，即為：

Sτ=τSd+(1-τ)Sw

(6)

式中：劃定范圍dMax=3 km；WMax為最大運(yùn)力；a，b，c為常量；τ為距離分?jǐn)?shù)和運(yùn)力分?jǐn)?shù)在總的分?jǐn)?shù)中所占的比重。經(jīng)多次實(shí)驗(yàn)發(fā)現(xiàn)，當(dāng)設(shè)定a=2，b=7/20，c=1/2，τ=0.4時(shí)，與實(shí)際情況最為符合。

最后，根據(jù)每個(gè)站點(diǎn)分?jǐn)?shù)，進(jìn)行歸一化，得到一個(gè)概率函數(shù)f，數(shù)值越大，即觀眾去的可能性越大。概率函數(shù)如下：

(7)

式(7)得到的概率即為觀眾去第i個(gè)站點(diǎn)的概率，因此，通過(guò)多次隨機(jī)模擬并取平均的方式，得到每個(gè)觀眾到其終點(diǎn)的距離Dis，從而得到所有觀眾的OD矩陣，由此統(tǒng)計(jì)得到各個(gè)站點(diǎn)的人流量F。

大型活動(dòng)散場(chǎng)時(shí)，受場(chǎng)館出口限制，可以簡(jiǎn)單地認(rèn)為每個(gè)時(shí)間間隔Δt內(nèi)從場(chǎng)館出來(lái)的觀眾人數(shù)等于場(chǎng)館所有出口的最大通行能力M。每個(gè)時(shí)間間隔Δt內(nèi)從場(chǎng)館出口出來(lái)的選擇公共出行的觀眾人數(shù)為Pt，并根據(jù)最大通行能力M，和公共出行人數(shù)Np占總?cè)藬?shù)N的比例計(jì)算得到Pt：

(8)

在每個(gè)時(shí)間段Δt內(nèi)，從Np個(gè)選擇公共出行觀眾中隨機(jī)篩選出Pt個(gè)觀眾進(jìn)行疏散，并在Np個(gè)觀眾中去除已選的觀眾直至疏散完畢。

2.4 站點(diǎn)聚類以及調(diào)度

通過(guò)聚類將S2劃分為若干塊區(qū)域，為每一塊區(qū)域分配一輛調(diào)度車，由其負(fù)責(zé)該區(qū)域內(nèi)自行車的調(diào)度。

已知聚類個(gè)數(shù)Ns，使用K-Means算法對(duì)站點(diǎn)進(jìn)行聚類，得到每個(gè)聚類中心點(diǎn)為Ki。Sij表示歸屬于Ki聚類的第j個(gè)站點(diǎn)，假設(shè)Ki聚類內(nèi)有Ci個(gè)站點(diǎn)，則：

下面給出該聚類的算法邏輯：

輸入：終止站點(diǎn)集合S2，聚類個(gè)數(shù)Ns，站點(diǎn)人流量F。

Step1隨機(jī)從輸入站點(diǎn)集合中挑選Ns個(gè)點(diǎn)，作為初始Ns個(gè)聚類中心。

Step2對(duì)輸入站點(diǎn)集合中的所有點(diǎn)，計(jì)算它與所有聚類中心的適應(yīng)值fitness，計(jì)算方式如下：

首先計(jì)算聚類中心Ki與其聚類內(nèi)的各站點(diǎn)Sij的距離之和：

(9)

式中：‖·‖表示計(jì)算兩個(gè)點(diǎn)的距離。

(10)

(11)

因此適應(yīng)值為：

(12)

Step3更新該聚類中心Ki的位置：定義該聚類內(nèi)所有站點(diǎn)的幾何中心作為新的聚類中心。

Step4重復(fù)上述三步，直到聚類中心不再改變。

輸出：Ns個(gè)聚類集合。

通過(guò)結(jié)合距離以及人流量，融合多維度的信息進(jìn)行聚類，能夠讓各個(gè)聚類內(nèi)的站點(diǎn)距離相對(duì)最短，人流量更為平均，分配調(diào)度車進(jìn)行調(diào)度的時(shí)間可以相應(yīng)減少，且每輛調(diào)度車在一次輪詢期間的可調(diào)度自行車數(shù)最大化。

對(duì)這Ns個(gè)聚類，安排Ns輛調(diào)度車，分派給每個(gè)類，根據(jù)聚類中心Ki離活動(dòng)地的距離D和調(diào)度車搬運(yùn)車輛的時(shí)間，本文假設(shè)為u分鐘，計(jì)算每輛調(diào)度車的輪詢時(shí)間Ts，其中調(diào)度車速度為Vs，即：

(13)

在每個(gè)輪詢時(shí)間內(nèi)，自行車通過(guò)調(diào)度車從每個(gè)聚類內(nèi)將結(jié)束進(jìn)程的自行車調(diào)度回來(lái)，每輛調(diào)度車的最大容量為R輛。

2.5 基于概率函數(shù)的觀眾選擇算法

本文利用基于概率函數(shù)的觀眾選擇算法模擬觀眾的疏散。已知每個(gè)時(shí)間段場(chǎng)館出口的觀眾分布，根據(jù)其目的地距離和等待時(shí)間創(chuàng)建概率函數(shù)，判斷觀眾的狀態(tài)Sp(等待、騎車、走路或到達(dá))。具體可能情況如下：

(1) 觀眾選擇騎車并有可用公共自行車，則騎車到達(dá)目的地，不需要等待；

(2) 觀眾選擇騎車卻無(wú)可用自行車，則根據(jù)概率函數(shù)判斷觀眾是否等待，概率公式如下：

(14)

式中：Twalk為觀眾走路到達(dá)其目的地的時(shí)間，即：

(15)

概率越大，表示等待的可能性越大，即觀眾越有可能選擇等待下一批自行車的到來(lái)并騎車到達(dá)目的地。反之，觀眾選擇走路到達(dá)目的地的可能性越大。

基于概率函數(shù)的觀眾選擇算法的流程圖如圖2所示。

圖2 基于概率函數(shù)的觀眾選擇算法流程圖

相應(yīng)步驟描述如下：

Step1初始化各參數(shù)，時(shí)間段j，觀眾i，第j個(gè)時(shí)間段內(nèi)的觀眾人數(shù)Pt，觀眾總?cè)藬?shù)Np。

Step2分析時(shí)間段j內(nèi)的場(chǎng)館出口的觀眾分布。

Step3根據(jù)當(dāng)前自行車數(shù)，以及觀眾i的速度、目的地距離和等待時(shí)間判斷觀眾i的狀態(tài)(等待、騎車、走路)。若觀眾i選擇等待，則將觀眾i歸入第j+1個(gè)時(shí)間段；若觀眾i選擇騎車或者走路，則根據(jù)觀眾i的騎車或走路速度以及其目的地距離計(jì)算其到達(dá)目的地的時(shí)間。

整個(gè)疏散過(guò)程如圖3所示。

圖3 大型活動(dòng)散場(chǎng)疏散過(guò)程

通過(guò)優(yōu)化以下的目標(biāo)函數(shù)確定自行車數(shù)量和聚類個(gè)數(shù)(調(diào)度車輛數(shù))。

minC=Cb+Cs

(16)

s.t.

Cb=Nb×cpb

(17)

Cs=Ns×cps

(18)

bMin≤Nb≤bMax

(19)

sMin≤Ns≤sMax

(20)

Te≤TMax

(21)

I≤R

(22)

式中：C為總成本，由兩部分組成，第一部分為部署自行車的成本Cb，由式(17)和式(19)可知，Cb為自行車數(shù)Nb乘以部署一輛自行車的成本cpb。其中：Nb的取值范圍為bMin～bMax，在計(jì)算過(guò)程中，令100輛自行車為一個(gè)單位；第二部分為部署調(diào)度車的成本Cs，由式(18)和式(20)可知，Cs為調(diào)度車數(shù)(聚類數(shù))Ns乘以一輛調(diào)度車的成本cps。其中，Ns的取值范圍為sMin～sMax；式(21)表示85%的觀眾Pb被疏散的時(shí)間不超過(guò)TMax分鐘；式(22)表示每個(gè)輪訓(xùn)期間到達(dá)聚類內(nèi)的可調(diào)度自行車數(shù)I小于調(diào)度車可以調(diào)度的自行車數(shù)目R。

對(duì)于求解以上式子，疏散時(shí)間、疏散人數(shù)都需要通過(guò)整個(gè)模型進(jìn)行計(jì)算得到，所以根據(jù)實(shí)際的問(wèn)題，通過(guò)不同的Nb和Ns的組合，求出最佳的部署和調(diào)度結(jié)果。

3 模型仿真實(shí)驗(yàn)

3.1 實(shí)驗(yàn)準(zhǔn)備

本文提出的模型以杭州市黃龍?bào)w育場(chǎng)某次大型活動(dòng)為實(shí)驗(yàn)對(duì)象，實(shí)驗(yàn)環(huán)境：Intel四核2.50 GHz處理器、8 GB RAM、Window7系統(tǒng)，編程語(yǔ)言：Python。實(shí)驗(yàn)參數(shù)見(jiàn)表2。

表2 實(shí)驗(yàn)參數(shù)

根據(jù)黃龍?bào)w育場(chǎng)的場(chǎng)館出口主要道路分布圖，在場(chǎng)館的出口的5個(gè)道路段分別部署起始站點(diǎn)S1，并平均分配初始自行車，如圖4(a)所示。以黃龍?bào)w育場(chǎng)為中心劃定范圍dMin～dMax內(nèi)的所有公交、地鐵站S`標(biāo)記出來(lái)，如圖4(b)所示。本文定義每輛公交的載客量都為20，通過(guò)分析每個(gè)公交站的公交車數(shù)以及每輛公交的發(fā)車時(shí)間間隔，根據(jù)式(1)得到每個(gè)公交站的運(yùn)力。根據(jù)式(2)計(jì)算地鐵站的運(yùn)力。本文定義地鐵的載客量為600，地鐵發(fā)車時(shí)間間隔為6分鐘。因此由式(2)可以直接得到地鐵站的運(yùn)力為100。然后根據(jù)每個(gè)站點(diǎn)的運(yùn)力篩選出終止站點(diǎn)S2，如圖4(c)所示。

(a) S1分布圖

(b) S′分布圖

(c) S2分布圖圖4 站點(diǎn)分布圖

根據(jù)站點(diǎn)離目的地的距離以及人流量通過(guò)K-Means聚類方法對(duì)S2進(jìn)行聚類，并且分配調(diào)度車進(jìn)行調(diào)度。通過(guò)基于概率函數(shù)的觀眾選擇算法模擬觀眾的疏散。

3.2 實(shí)驗(yàn)結(jié)果與分析

本文將以下5種不同的疏散方法進(jìn)行對(duì)比，其中方法5為本文的模型：

《說(shuō)文》中說(shuō)：“把，握也。從手，巴聲?！笨梢?jiàn)“把”的本義為“握”“持”，即將物拿在手里，為動(dòng)詞。后來(lái)由“握持”義引申為“把持”“控制”“掌管”義。此時(shí)“把”的結(jié)構(gòu)形式為把+NP

(1) 全部觀眾Pb走路到達(dá)目的地。

(2) 使用場(chǎng)館周圍原有自行車進(jìn)行疏散，不進(jìn)行調(diào)度。經(jīng)統(tǒng)計(jì)，場(chǎng)館周圍原有自行車數(shù)(包括公共自行車和共享單車)共626輛。

(3) 結(jié)合本文方法和文獻(xiàn)[14]中的FCM聚類方法進(jìn)行疏散。

(4) 結(jié)合本文方法和文獻(xiàn)[15]中的FMM聚類方法進(jìn)行疏散。

(5) 利用本文的大型活動(dòng)散場(chǎng)觀眾交通疏散模型進(jìn)行疏散。

對(duì)于不同的聚類個(gè)數(shù)和自行車數(shù)量組合，對(duì)比方法3-方法5的疏散時(shí)間Te，結(jié)果如圖5所示。在不同的聚類個(gè)數(shù)和自行車數(shù)量組合下，本文方法的疏散時(shí)間都低于另外兩種方法。根據(jù)式(16)的目標(biāo)函數(shù)及約束條件，解出最佳的部署、調(diào)度方案為自行車數(shù)：1 500，聚類數(shù)即調(diào)度車數(shù)量：6，滿足疏散時(shí)間Te≤TMax，I≤R，且成本最低。

(a) 方法3

(b) 方法4

(c) 方法5圖5 不同組合方案下的疏散時(shí)間對(duì)比

按上述方案，這5種疏散方法在各個(gè)時(shí)刻的剩余人數(shù)如表3所示。此處剩余人數(shù)為未被疏散的人數(shù)，即未到達(dá)目的地的觀眾人數(shù)。

表3 各個(gè)疏散方法下的剩余人數(shù)統(tǒng)計(jì) 人

對(duì)比表3中各個(gè)方法在各個(gè)時(shí)刻的剩余人數(shù)，在散場(chǎng)60 min后，5種方法的剩余人數(shù)都低于5 000人，而方法3-方法5都低于2 000人。對(duì)于方法1和方法2，由于一開(kāi)始觀眾大量涌出，且都是通過(guò)步行往外行走，到達(dá)終點(diǎn)的人數(shù)較少，散場(chǎng)30 min內(nèi)剩余人數(shù)減少很緩慢，30～60 min時(shí)疏散速度明顯加快。方法3-方法5通過(guò)部署和調(diào)度自行車使得疏散速度在前30 min內(nèi)遠(yuǎn)高于方法1、方法2，而方法5在前40 min的疏散效率高于其他幾種方法，能在短時(shí)間內(nèi)將觀眾疏散出去，從而解決大型活動(dòng)散場(chǎng)時(shí)短時(shí)間交通擁堵的現(xiàn)象。

本文通過(guò)以下3種指標(biāo)對(duì)這5種方法進(jìn)行對(duì)比，進(jìn)一步分析本文方法和其他3種方法的疏散效果：騎車率；平均到達(dá)時(shí)間，即觀眾Pb到達(dá)目的地的平均時(shí)間；疏散時(shí)間Te。實(shí)驗(yàn)對(duì)比結(jié)果見(jiàn)表4。

表4 實(shí)驗(yàn)對(duì)比結(jié)果

由表4可以看出，方法5的騎車率遠(yuǎn)高于方法2，且比方法3和方法4提高了17%左右。而有調(diào)度的方法3-方法5的平均到達(dá)時(shí)間明顯低于沒(méi)有部署、調(diào)度的方法1、方法2。由疏散時(shí)間Te可知，方法5的疏散效率高于其他4種方法，能夠起到加快大型活動(dòng)散場(chǎng)觀眾疏散的效果，使得原本需要64 min的疏散時(shí)間降低到了44 min，且優(yōu)于方法3和方法4。

4 結(jié) 語(yǔ)

本文提出了大型活動(dòng)散場(chǎng)觀眾交通疏散模型。通過(guò)最優(yōu)化成本目標(biāo)函數(shù)確定自行車數(shù)和調(diào)度車數(shù)，通過(guò)部署和調(diào)度自行車的方式對(duì)觀眾進(jìn)行疏散。并提出了基于概率函數(shù)的觀眾選擇算法模擬觀眾的疏散。以黃龍?bào)w育場(chǎng)某次大型活動(dòng)為實(shí)驗(yàn)對(duì)象進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，利用本文模型進(jìn)行疏散的時(shí)間比其他4種方法都要短，且比使用活動(dòng)舉辦地附近原有自行車進(jìn)行疏散的時(shí)間降低了31.4%。

本文模型簡(jiǎn)化了調(diào)度自行車的方法，下一步的研究可以改進(jìn)調(diào)度方法，提高自行車可用率，從而提高騎車率，縮短疏散時(shí)間。