基于火場(chǎng)信息的地鐵車(chē)站智能疏散技術(shù)研究

唐鵬程，孫 穎，丁時(shí)政，朱亞迪,3

（1.北京交通大學(xué)土木建筑工程學(xué)院，北京 100044；2.北京中關(guān)村軌道交通產(chǎn)業(yè)發(fā)展有限公司，北京 100044；3.北京交通大學(xué)北京市軌道交通線路安全與防災(zāi)工程技術(shù)研究中心，北京 100044）

城市軌道交通車(chē)站作為乘客出行的集散場(chǎng)所，通常承載了大量乘客，由于大部分車(chē)站位于地下，相對(duì)封閉，且車(chē)站內(nèi)有樓扶梯、檢票閘機(jī)等多種設(shè)施，結(jié)構(gòu)復(fù)雜，因此，一旦發(fā)生火災(zāi)等緊急情況，極易引起站內(nèi)乘客的恐慌，發(fā)生擁擠踩踏事件，造成嚴(yán)重的生命財(cái)產(chǎn)損失。鑒于此，科學(xué)的疏散方案以及高效的疏散路線，對(duì)于城市軌道交通安全運(yùn)營(yíng)以及乘客安全出行至關(guān)重要，同時(shí)也是運(yùn)營(yíng)實(shí)踐和學(xué)術(shù)研究關(guān)注的焦點(diǎn)。

在運(yùn)營(yíng)實(shí)踐中，雖然每座車(chē)站均有火災(zāi)應(yīng)急疏散方案，但是車(chē)站內(nèi)只有疏散應(yīng)急燈、安全出口標(biāo)志等以引導(dǎo)乘客疏散。這些方案和疏散標(biāo)志的設(shè)置通常采用固定模式以及固定信息形式，無(wú)法根據(jù)火災(zāi)現(xiàn)場(chǎng)的具體情況隨機(jī)應(yīng)變；尤其是在結(jié)構(gòu)復(fù)雜的地下車(chē)站，難以適應(yīng)隨機(jī)發(fā)生的火災(zāi)以及實(shí)時(shí)發(fā)生的火場(chǎng)情況，也難以滿足現(xiàn)代化科學(xué)安全防護(hù)需求。

在學(xué)術(shù)研究方面，張培紅等[1]對(duì)火災(zāi)時(shí)人員疏散行動(dòng)能力的研究表明，疏散時(shí)間受到火源位置、報(bào)警設(shè)備可靠性、消防管理水平、人員分布特點(diǎn)、待疏散人員的工作狀態(tài)、人員的生理心理狀態(tài)以及人員之間相互的社會(huì)關(guān)系等因素的影響。田娟榮等[2]綜合考慮了建筑物結(jié)構(gòu)和人員行為對(duì)疏散的影響，模擬了各種不同出口條件下的人員疏散過(guò)程。張景鋼等[3]運(yùn)用Pathfinder 疏散軟件模擬大學(xué)圖書(shū)館復(fù)雜場(chǎng)景下人員疏散情況，研究煙霧、火勢(shì)等因素對(duì)人員疏散的影響。曹祥紅等[4]基于火場(chǎng)固定疏散標(biāo)志提出用于火災(zāi)疏散路徑動(dòng)態(tài)規(guī)劃的新型改進(jìn)的蟻群算法。張克誠(chéng)等[5]針對(duì)傳統(tǒng)安全疏散方法尋優(yōu)控制能力不好、自適應(yīng)控制性能較差的弊端，提出基于粒子群尋優(yōu)的地鐵火災(zāi)擴(kuò)散時(shí)人員安全疏散路徑尋優(yōu)模型。左松濤等[6]基于城市地鐵站內(nèi)人員疏散路徑規(guī)劃問(wèn)題，對(duì)疏散路徑的實(shí)際長(zhǎng)度、有效寬度及通行難易度3 種特征屬性進(jìn)行綜合評(píng)價(jià)，引入了路徑通行難易度的理論計(jì)算公式，提出用當(dāng)量長(zhǎng)度作為路徑綜合評(píng)價(jià)的結(jié)果。王華偉[7]針對(duì)不同位置的火災(zāi)行為，基于A*算法制定了作業(yè)人員的最優(yōu)疏散路徑規(guī)劃方案，實(shí)現(xiàn)了考慮火災(zāi)蔓延的人員動(dòng)態(tài)安全疏散。

綜上，大部分相關(guān)研究主要針對(duì)單起點(diǎn)、單出口的疏散路徑進(jìn)行優(yōu)化研究，很少考慮站內(nèi)人員真實(shí)分布以及火場(chǎng)的實(shí)時(shí)發(fā)展等實(shí)際情況對(duì)疏散路徑的影響。事實(shí)上，在真實(shí)的地鐵車(chē)站疏散過(guò)程中，逃生出口多，站內(nèi)人員分布廣泛，疏散起點(diǎn)和疏散終點(diǎn)不唯一，但是多數(shù)優(yōu)化模型中未能考慮火場(chǎng)實(shí)時(shí)信息對(duì)疏散路徑的影響。為解決以上問(wèn)題，本文首先利用計(jì)算機(jī)視覺(jué)方法將從地鐵車(chē)站監(jiān)控視頻中獲得的火災(zāi)位置信息、影響范圍信息以及疏散乘客分布情況，映射到對(duì)應(yīng)的車(chē)站拓?fù)淇臻g模型中；然后，以火場(chǎng)中的火源信息以及疏散乘客分布信息為要素，構(gòu)建疏散成本函數(shù)；最后，考慮疏散路徑長(zhǎng)度、疏散路徑曲直度、疏散出口通行效率等信息，構(gòu)建空間多起點(diǎn)、多出口疏散路徑優(yōu)化模型，得到綜合考慮火場(chǎng)信息的車(chē)站內(nèi)疏散路徑。

1 火場(chǎng)信息獲取

本文利用兩個(gè)YOLO(you only look once)框架分別進(jìn)行人群分布識(shí)別和火源位置識(shí)別。YOLO 是一種基于深度神經(jīng)網(wǎng)絡(luò)的對(duì)象識(shí)別算法，其最大的特點(diǎn)是運(yùn)行速度快，可以實(shí)現(xiàn)目標(biāo)的實(shí)時(shí)快速檢測(cè)[8]。

對(duì)于人群分布識(shí)別框架，為了獲取更加精準(zhǔn)的人群分布信息，本文選用人員頭部檢測(cè)方案，以準(zhǔn)確定位監(jiān)控視頻范圍內(nèi)人員的坐標(biāo)分布，識(shí)別流程框架如圖1 所示。以火源圖片進(jìn)行訓(xùn)練得到火源識(shí)別卷積神經(jīng)網(wǎng)絡(luò)權(quán)重參數(shù)，識(shí)別流程框架如圖2 所示。首先，將視頻數(shù)據(jù)輸入到識(shí)別框架中，把視頻中的每個(gè)圖像幀提取出來(lái)，以檢測(cè)其中所有可被識(shí)別的行人；其次，識(shí)別框架對(duì)圖像進(jìn)行尺寸重構(gòu)以方便程序進(jìn)行處理，并將調(diào)整后的圖像劃分為M×M個(gè)網(wǎng)格單元(如7×7)；然后，根據(jù)訓(xùn)練得到的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)獲得人群識(shí)別先驗(yàn)框和目標(biāo)分類概率圖，計(jì)算得到行人頭部檢測(cè)框；根據(jù)中心點(diǎn)的x和y坐標(biāo)、寬度w和高度h來(lái)確定人員位置，并利用相機(jī)校準(zhǔn)技術(shù)將得到的像素坐標(biāo)轉(zhuǎn)換到世界坐標(biāo)系中，如圖3 所示。圖中，f為相機(jī)焦距，Zc為攝像機(jī)到人群/火源的距離，xc、yc為人群/火源的相機(jī)坐標(biāo)，x、y為人群/火源的圖像坐標(biāo)。同理也可以獲得火源在世界坐標(biāo)中的位置坐標(biāo)。算法的具體實(shí)現(xiàn)過(guò)程可以參考文獻(xiàn)[9]。

圖1 人群分布識(shí)別流程框架Figure 1 Crowd distribution identification process framework

圖2 火源識(shí)別流程框架Figure 2 Fire source identification process framework

圖3 從攝像機(jī)坐標(biāo)系到圖像坐標(biāo)系示意Figure 3 From camera coordinate system to image coordinate system

2 空間拓?fù)淠Ｐ蜆?gòu)建

為了更好地進(jìn)行疏散路徑優(yōu)化計(jì)算，需要以場(chǎng)地的某個(gè)地點(diǎn)為坐標(biāo)原點(diǎn)構(gòu)建整個(gè)疏散空間的拓?fù)淠Ｐ?，將?chē)站空間結(jié)構(gòu)、人群分布以及火源分布等映射到空間拓?fù)淠Ｐ椭?；因此，需要將世界坐?biāo)系中的點(diǎn)位坐標(biāo)轉(zhuǎn)換為實(shí)際場(chǎng)景坐標(biāo)。

攝像頭標(biāo)定的世界坐標(biāo)系和實(shí)際場(chǎng)景的坐標(biāo)系之間會(huì)有尺度、旋轉(zhuǎn)、平移的差別，本文基于奇異值分解算法求解點(diǎn)集間的轉(zhuǎn)換矩陣[10]?；居?jì)算式為

式中，A為通過(guò)計(jì)算機(jī)視覺(jué)算法識(shí)別得到的點(diǎn)在世界坐標(biāo)系中的坐標(biāo)集合；B為相應(yīng)點(diǎn)在實(shí)際場(chǎng)景中的坐標(biāo)集合；r為旋轉(zhuǎn)矩陣；t為平移向量。下面通過(guò)圖像中的3 個(gè)基準(zhǔn)點(diǎn)尋找變換矩陣向量。

尋找兩個(gè)點(diǎn)集的平均中心，具體計(jì)算式為

式中，CA及CB分別表示攝像機(jī)及真實(shí)場(chǎng)景中3 個(gè)基準(zhǔn)點(diǎn)的中心坐標(biāo)；Ai和Bi是三行一列的向量；N為基準(zhǔn)點(diǎn)的個(gè)數(shù)，此處取3。

尋找旋轉(zhuǎn)矩陣r并求出平移向量t。令

則H為協(xié)方差矩陣，使用奇異值分解算法SVD(H) =[U，S，V]，U、S、V為奇異值分解后的3 個(gè)矩陣，得R=VUT。考慮到兩個(gè)坐標(biāo)系的尺度不同，設(shè)兩者的尺度倍數(shù)λ為

則式(1)將變?yōu)?/p>

結(jié)合式(5)，可以得到旋轉(zhuǎn)矩陣r和平移向量t分別為

得出旋轉(zhuǎn)矩陣和平移向量后，即可由世界坐標(biāo)計(jì)算疏散空間中各點(diǎn)的實(shí)際場(chǎng)景坐標(biāo)，從而構(gòu)建得到空間拓?fù)淠Ｐ汀?/p>

3 疏散路徑規(guī)劃模型

3.1 融合模型構(gòu)建

合理的疏散路徑是火災(zāi)疏散的重要內(nèi)容，也是智能應(yīng)急疏散的核心技術(shù)之一。疏散路徑規(guī)劃是在復(fù)雜的地鐵車(chē)站環(huán)境下，按照一定的規(guī)則要求基于路徑規(guī)劃算法規(guī)劃一條合理路徑以引導(dǎo)人員安全、高效地疏散至安全區(qū)域。目前常見(jiàn)的路徑規(guī)劃算法主要有傳統(tǒng)算法(如Dijkstra 算法和A*算法)和智能仿生學(xué)算法(如遺傳算法、蟻群算法等)。然而，不同算法根據(jù)其原理和性能的差異表現(xiàn)出不同特點(diǎn)。本文將兩類算法的特點(diǎn)進(jìn)行融合，利用蟻群算法良好的全局優(yōu)化能力，融合A*算法提高計(jì)算效率，設(shè)計(jì)出融合的疏散路徑規(guī)劃算法，其流程框架如圖4 所示。

圖4 疏散路徑規(guī)劃算法流程Figure 4 Evacuation path planning algorithm flowchart

首先，針對(duì)疏散空間進(jìn)行柵格劃分，然后利用A*算法進(jìn)行次優(yōu)路徑規(guī)劃，其基本思想是，根據(jù)評(píng)價(jià)函數(shù)，從起點(diǎn)開(kāi)始不斷向目標(biāo)點(diǎn)的方向進(jìn)行搜索。其評(píng)價(jià)函數(shù)為[11]

式中，xn、yn表示當(dāng)前人群所在的位置坐標(biāo)，x0、y0表示起點(diǎn)的位置坐標(biāo)，xe、ye表示終點(diǎn)的位置坐標(biāo)；f(n)是節(jié)點(diǎn)n的綜合優(yōu)先級(jí)。當(dāng)選擇下一個(gè)要遍歷的節(jié)點(diǎn)時(shí)，總會(huì)選取f(n)值最小(綜合優(yōu)先級(jí)最高)的節(jié)點(diǎn)。在評(píng)價(jià)函數(shù)中，g(n)是過(guò)去的成本函數(shù)，稱為耗散函數(shù)，用于評(píng)價(jià)起點(diǎn)到當(dāng)前點(diǎn)的代價(jià)；h(n)是當(dāng)前的成本函數(shù)，稱為啟發(fā)函數(shù)，用于評(píng)價(jià)當(dāng)前點(diǎn)到目標(biāo)節(jié)點(diǎn)的代價(jià)。A*算法記錄每一次搜索確定的點(diǎn)直至終點(diǎn)，生成所耗成本最小的路徑。

基于A*算法生成的路徑，對(duì)相應(yīng)的柵格進(jìn)行信息素濃度τij(0)的調(diào)整，增加次優(yōu)路徑上的信息素濃度，增量為Aij，對(duì)初始信息素濃度τij(0)進(jìn)行調(diào)整，即τij(0)作如下的變換：

式中，τ0為初始信息素濃度默認(rèn)值。

蟻群算法參數(shù)初始化，將次優(yōu)路徑上信息素濃度增量Aij設(shè)置為8。路徑搜索效率從A*算法的18.69 s以及傳統(tǒng)算法的17.55 s 壓縮到融合A*蟻群算法的12.93 s，搜索時(shí)間顯著縮短，在實(shí)際場(chǎng)景中疏散效率可以得到提高，適用于實(shí)際疏散場(chǎng)景。

3.2 模型算法改進(jìn)

經(jīng)典蟻群算法中，距離啟發(fā)函數(shù)僅考慮從當(dāng)前節(jié)點(diǎn)到下一節(jié)點(diǎn)的能見(jiàn)度，未能體現(xiàn)全局性信息?？梢酝ㄟ^(guò)監(jiān)控視頻數(shù)據(jù)獲取疏散空間的所有信息，綜合考慮終點(diǎn)的導(dǎo)向作用。因此，本文針對(duì)距離啟發(fā)函數(shù)增加下一節(jié)點(diǎn)與終點(diǎn)之間能見(jiàn)度djt的計(jì)算，增強(qiáng)疏散路徑的目的性，使得地鐵車(chē)站火災(zāi)中乘客疏散更具方向性。為了提高搜索最短路徑的效率，對(duì)兩段距離之和的倒數(shù)進(jìn)行平方。基于以上改進(jìn)策略，重新構(gòu)建距離啟發(fā)函數(shù)ηij為

式中，i為當(dāng)前節(jié)點(diǎn)；j為下一節(jié)點(diǎn)；t為終點(diǎn)。

由于車(chē)站內(nèi)部人員比較密集、伴隨煙霧等惡劣條件及群眾的恐慌心理，若疏散路徑過(guò)于曲折、轉(zhuǎn)彎次數(shù)過(guò)多，車(chē)站內(nèi)的待疏散乘客會(huì)因?yàn)檫^(guò)度恐慌迷失方向，使逃生變得更加困難，疏散效率降低。因此，本文通過(guò)計(jì)算轉(zhuǎn)彎角度θ并統(tǒng)計(jì)轉(zhuǎn)彎次數(shù)tn，考慮轉(zhuǎn)彎懲罰z(轉(zhuǎn)彎角度θ越大，z值越小。當(dāng)路徑順直，不需要轉(zhuǎn)彎時(shí)，z=1。隨著tn 的增加，蟻群算法中的狀態(tài)轉(zhuǎn)移概率pkij(t)值變小)，對(duì)pkij(t)進(jìn)行調(diào)整，加入轉(zhuǎn)彎懲罰系數(shù)并統(tǒng)計(jì)轉(zhuǎn)彎次數(shù)以減少路徑搜索中發(fā)生轉(zhuǎn)向的概率，降低疏散路徑的復(fù)雜程度，提高逃生路徑的平順性，從而降低乘客迷失方向的可能性，轉(zhuǎn)變懲罰函數(shù)的計(jì)算式為

狀態(tài)轉(zhuǎn)移概率的計(jì)算式為

式中，z的取值范圍為0.5～1；α為信息素濃度函數(shù)的重要性系數(shù)；β為距離啟發(fā)函數(shù)的重要性系數(shù)；τij(t)為信息素濃度函數(shù)；ηij(t)為距離啟發(fā)函數(shù)；D為螞蟻下一個(gè)可移動(dòng)的節(jié)點(diǎn)集合。算法改進(jìn)前后路線對(duì)比如圖5所示，優(yōu)化后疏散路線的轉(zhuǎn)彎次數(shù)由11 次降至8 次。

圖5 轉(zhuǎn)彎懲罰效應(yīng)改進(jìn)效果示意Figure 5 Improvement effect of turning penalty effect

實(shí)際路徑疏散過(guò)程中，由于車(chē)站客流較大，位于最短疏散路徑上的出口因通過(guò)能力有限，可能會(huì)出現(xiàn)擁堵?tīng)顩r。在這種情況下，所有乘客選擇距離最短的疏散路徑可能會(huì)降低疏散效率。考慮出口擁堵效應(yīng)的疏散優(yōu)化思路是，針對(duì)距疏散出口最近的人群進(jìn)行路徑規(guī)劃及疏散出口選擇；然后根據(jù)規(guī)劃選擇結(jié)果，更新各個(gè)疏散出口的人群分布數(shù)據(jù)；結(jié)合各出口的通過(guò)能力，計(jì)算擁堵系數(shù)并將其作為疏散距離權(quán)重，從而進(jìn)行疏散路徑規(guī)劃。

4 案例應(yīng)用

本文以北京地鐵某車(chē)站為例，構(gòu)建疏散拓?fù)渚W(wǎng)絡(luò)模型。利用離線視頻數(shù)據(jù)識(shí)別站臺(tái)上乘客分布及數(shù)量，假設(shè)火災(zāi)位置構(gòu)建疏散空間拓?fù)淠Ｐ?，如圖6 所示。

圖6 疏散空間拓?fù)淠Ｐ蜆?gòu)建效果示意Figure 6 The construction effect of the evacuation space topology model

不同人群分布情況及不同的人群密度會(huì)對(duì)疏散過(guò)程產(chǎn)生不同的影響，因此將人群分布情況劃分成3 個(gè)場(chǎng)景進(jìn)行分析，以便更好地理解和評(píng)估算法的性能。

場(chǎng)景1：待疏散人群的密度差異不大且分布位置相對(duì)均勻。這種情況下，人群之間有足夠的空間來(lái)自由移動(dòng)，擁擠系數(shù)對(duì)疏散過(guò)程的影響較小。主要考慮距離出口最近的原則進(jìn)行路徑規(guī)劃，算法能夠有效應(yīng)對(duì)疏散需求。

場(chǎng)景2：待疏散人群中有一部分密度較大且分布位置相對(duì)集中，而其他部分人群密度較小。這種情況下，需要考慮擁堵情況和優(yōu)化路徑規(guī)劃，避免擁擠和排隊(duì)。算法不僅考慮距離出口最近的原則，還需要靈活調(diào)配，選擇相對(duì)較近但未發(fā)生擁擠的出口進(jìn)行疏散。

場(chǎng)景3：待疏散人群的分布位置較為均勻，但人群密度在兩側(cè)較高，中間較稀疏。這種情況下，需要對(duì)各個(gè)出口進(jìn)行合理安排，考慮擁堵情況并選擇暢通的路徑進(jìn)行疏散。算法根據(jù)實(shí)際情況靈活調(diào)配人群，并優(yōu)先選擇較為稀疏的出口進(jìn)行疏散。

通過(guò)圖7 的3 種場(chǎng)景分析可以全面了解算法在不同人群分布情況下的表現(xiàn)，評(píng)估其適應(yīng)性和效果，并進(jìn)一步改進(jìn)和優(yōu)化疏散路徑規(guī)劃算法，以應(yīng)對(duì)不同的疏散需求。3 種場(chǎng)景的模擬效果如圖8 所示。

圖7 人群分布場(chǎng)景Figure 7 Population distribution

圖8 地鐵車(chē)站火災(zāi)3 種場(chǎng)景下路徑規(guī)劃的模擬效果Figure 8 Simulate path planning in a subway station fire scenario

人群分布場(chǎng)景1 的待疏散人群密度差異不大(待疏散人群1～4 分別為100、150、100、200 人)，分布位置相對(duì)均勻。由圖8(a)可以看出，在人員分布較為均勻的情況下，算法主要依據(jù)離出口最近的原則進(jìn)行疏散路徑規(guī)劃，尋路方向性較好，路徑平滑、順直，轉(zhuǎn)彎次數(shù)少，且由于該場(chǎng)景下待疏散人群密度不算大，待疏散人群相互之間有足夠的空間來(lái)自由移動(dòng)，因此擁擠系數(shù)對(duì)疏散過(guò)程的影響并不顯著，其作用不會(huì)有明顯的體現(xiàn)，符合實(shí)際疏散情況，可以有效應(yīng)對(duì)人群疏散需求。

人群分布場(chǎng)景2(待疏散人群1～4 分別為100、150、100、300 人)中，待疏散人群4 密度較大，人群分布位置相對(duì)集中靠左。由圖8(b)可以看出，在人員分布相對(duì)集中的情況下，算法并不是單純按照離出口最近的原則進(jìn)行疏散路徑規(guī)劃，如待疏散人群3 的疏散路徑中，考慮了左側(cè)出口受待疏散人群1、2 的影響而出現(xiàn)的擁堵，從而并未選擇最近的左側(cè)出口進(jìn)行疏散，而是選擇了相對(duì)較近但不需要排隊(duì)的中間出口進(jìn)行逃生，擁擠系數(shù)作用得到了具體的、有效的體現(xiàn)。同時(shí)，整體的疏散路徑規(guī)劃也具有良好的方向性?；诖枭⑷巳悍植伎孔蟮奶卣?，優(yōu)先選擇左側(cè)出口進(jìn)行疏散，以更好地適應(yīng)實(shí)際情況。這樣的路徑規(guī)劃導(dǎo)致路徑平順，轉(zhuǎn)彎次數(shù)較少，符合實(shí)際疏散情況的要求。即針對(duì)待疏散人群分布場(chǎng)景2 中人員密度較大、分布位置相對(duì)集中靠左的情況，疏散算法并非簡(jiǎn)單地依據(jù)最近出口原則進(jìn)行路徑規(guī)劃。它不僅考慮擁堵情況，而且還選擇了合適的出口以實(shí)現(xiàn)擁擠系數(shù)的作用。此外，該算法還考慮到待疏散人群分布靠左的特點(diǎn)，優(yōu)先選擇左側(cè)出口進(jìn)行疏散，從而使得路徑平順，轉(zhuǎn)彎次數(shù)較少，與實(shí)際疏散情況相符合。

人群分布場(chǎng)景3(待疏散人群1～4 分別為250、100、100、200 人)中，待疏散人群分布位置較為均勻，人群密度呈現(xiàn)中間稀疏(待疏散人群2、3 密度小)兩側(cè)密集(待疏散人群1、4 密度大)的狀況。由圖8(c)可以看出，在待疏散人群分布位置較為均勻的情況下，整體按照人群分布均勻的特征，對(duì)各個(gè)出口都安排相應(yīng)的人群進(jìn)行疏散。算法根據(jù)出口擁堵情況進(jìn)行靈活調(diào)配，實(shí)施疏散路徑規(guī)劃，如待疏散人群2 的疏散路徑中，考慮了左側(cè)出口受高密度的待疏散人群1 的影響而出現(xiàn)的擁堵，所以并未選擇最近的左側(cè)出口進(jìn)行疏散，而是選擇了相對(duì)較近但未發(fā)生擁擠狀況的中間出口進(jìn)行逃生；待疏散人群3 的疏散路徑中，考慮了右側(cè)出口受高密度的待疏散人群4 的影響而出現(xiàn)的擁堵，所以并未選擇最近的右側(cè)出口進(jìn)行疏散，同樣選擇了相對(duì)較近但未發(fā)生擁擠狀況的中間出口進(jìn)行逃生，符合實(shí)際疏散情況。

5 結(jié)論

1) 通過(guò)構(gòu)建空間多起點(diǎn)、多出口疏散路徑優(yōu)化模型，可以得到綜合考慮火源位置、人群分布、出口位置等火場(chǎng)信息的車(chē)站內(nèi)疏散路徑。

2) 采用A*算法生成次優(yōu)路徑，以該路徑調(diào)整蟻群算法的初始信息素濃度，可以提高蟻群算法的求解效率。

3) 為確保疏散路徑的平順性，通過(guò)引入轉(zhuǎn)彎懲罰因子，可以顯著減少乘客逃生路徑的轉(zhuǎn)彎次數(shù)。

后續(xù)研究可考慮站臺(tái)人群位置及密度分布，加入出口擁堵程度對(duì)疏散效率的影響，為待疏散乘客選擇更快的疏散路徑，進(jìn)一步提高疏散效率。該技術(shù)可以與動(dòng)態(tài)疏散引導(dǎo)系統(tǒng)結(jié)合，更加有效地保證乘客出行安全。