突发事件下行人个性化路径选择模型与仿真研究0322 2.docx
《突发事件下行人个性化路径选择模型与仿真研究0322 2.docx》由会员分享，可在线阅读，更多相关《突发事件下行人个性化路径选择模型与仿真研究0322 2.docx（14页珍藏版）》请在冰豆网上搜索。
突发事件下行人个性化路径选择模型与仿真研究03222
突发事件下行人个性化路径选择建模与仿真
设计者：
朱紫涵，郭昊，迟跃文、黎晓璐，常迪，冯诚
指导教师：
李之红
北京建筑大学土木与交通工程学院,北京,100044
摘要：
目前，大型公共场所人群拥挤现象频繁发生，行人恐慌，跌倒或突发情况都有可能诱发踩踏、伤亡等安全事故。
现有行人行为模型的研究多是将行人视为颗粒或流体，没有考虑行人行为能力、心理状况等认知水平方面的相异性，对个性化行为与人群运动的作用机理也尚不清楚，缺少行人个性化路径选择行为建模与仿真技术的应用，制约了行人行为建模与仿真的研究发展与应用。
本文结合心理学、行为学理论，研究行人认知与运动行为的关系问题，揭示行人个体认知、运动行为的交互作用，构建了突发事件下行人个性化路径选择偏好模型，用于描述在大型场所人群疏散行为及其路径选择偏好，计算个体行人面对多种路径的选择概率，最后根据调查数据建立仿真模型，并验证模型的有效性。
数据分析中，采用卡方检验和Logistic回归分析，探寻与不同路径相关的影响因子及影响程度情况。
研究结果表明，与常规的行人疏散假设不同，个体行人都有自己的路径偏好，行人的个体化差异因素对行人的路径决策有重要影响。
研究为解决行人运动行为与其个体认知内在关系的核心问题提供理论基础，为密集人群管理、行人微观模拟、设施优化等提供切实有效的理论支撑。
关键词：
个性化行为，路径偏好，行人疏散
1研究背景
2006年9月，也门西部伊卜省体育场内发生严重踩踏事件，造成51人死亡，238人受伤；2012年11月，柬埔寨金边市区连接钻石岛的一座桥产生晃动而引起恐慌导致踩踏,造成死亡人数456人，700多人受伤；2014年3月1日发生的“晋济高速燃爆事故”，导致31人死亡，现场一片混乱,人员只能从隧道南北出口逃离，中间的人根本无法逃离；不久前的四川成都春熙路“暴力砍人事件”谣言引发大量市民出现无意识恐慌行为，而出现集体跑动惊叫等现象。
据统计，在过去100年里，世界各国由于人群疏散不当造成至少4000人死亡，40000多人严重受伤，而这一统计数字仍呈逐年上升趋势[8]。
根据对大量数据分析，发现人员逃生疏散过程中形成最为致命的危害往往不是引起人群疏散的危险源，而是逃生通道内、出入口和区域路径间人群之间的相互阻碍和堵塞造成的拥挤踩踏事故[1][2]。
因此针对人群在逃生过程中路线选择进行研究，从而对人流集中区域进行安全管理，快速高效进行疏导工作，确保人民群众的生命安全就显得尤为重要[4][9]。
本文选取北京潘家园旧货交易市场作为研究对象区域，通过行人个性化路径选择偏好模型构建，模型标定与校验和仿真模拟研究个体认知特性下的逃生路径选择情况，对区域道路布设和逃生疏散提出优化建议。
根据研究成果扩展到人流密集的区域，有针对地提出规划设计方案和在紧急情况发生时的人群管理措施，同时也为道路的改善方案提供依据，有利于提高公共安全，减少意外事故发生时的伤亡率。
2实验设计与数据分析
2.1基本情况
潘家园市场占地面积共4.85万平方米，其中经营面积占2.6万平方米。
根据2013年4月份对潘家园市场的日人流量进行统计，在周一至周五时间段内日人流量平均在1万人左右，高峰时段的小时进入量达到2380人,小时离开量达到1765人；而周六日的日人流量可以达到5万人左右,高峰小时进入量可达3834人，小时离开量更是高达5504人。
这样一个内部道路面积狭小且人流量极大的区域，一旦发生突发事件，若无法及时有效地展开疏散工作，其后果将是不堪设想的。
调查问卷分别从个体特征、交通出行、空间认知、紧急疏散决策等几个方面进行深入调查，现场回收有效问卷2907份，网络随机补充调查267份，共计3174份。
2.2调查结果整理与分析
2.2.1调查对象个人信息特征
针对随机调查结果统计，受调查者中男性占61.88%，女性占38.12%；调查对象的受教育程度绝大多数受调查者均是高中及以下，达到76.40%；调查者的年龄多分布在31-45岁范围内，共占受调查者总人数的44.68%。
由于受调查者中有一部分是潘家园市场的商户，因而采用三轮车前往市场的人数所占比例最大，达到25.31%；对象对潘家园内部及周边道路的熟悉程度分别有1624人，1152人是非常熟悉的；有71%的调查者选择在逃生时能够理性地按照管理者的指引来选择逃生路径。
2.2.2调查对象的紧急疏散决策
面对紧急意外的发生，62.74%的人选择自己熟悉的道路，其余的行人对于最短道路，最近道路，来时的道路各具偏向性；当人们在同时面对两条可以选择的路线时，有93.38%的人群会选择通往出口或者标注出口方向的路线，这一点警示我们对于出口位置和数量的合理设置以及清楚标识是十分关键的；调查结果表明有28%的人会在走散后选择返回寻找，11%的人会选择在原地等待呼喊，这一过程中不可避免会发生与逃生人群产生逆流而相互阻碍前行或者成为逃生时的障碍点的情况，可能造成人群逃生的延误和滞留。
3.行人个性化路径选择偏好模型构建（PPCPModel）
3.1基本假设
当面对紧急情况时，人们面对路径的抉择不会完全依据理性分析，紧急情况下基于人的行为特征的路径选择考虑会大有所异。
我们在建立行人路径选择偏好模型前进行了如下三个假设：
假设一：
不完全空间认知假设。
对于未知空间的逃生，人们头脑中没有一个完整的地形图，逃生时人们往往四散逃跑，头脑中对于逃生路线的印象仅仅停留在较为熟悉的路。
层次空间知识结构意味着寻找逃生路线疏散过程中各条道路的被选择概率是不同的。
约翰逊和费因伯格（1997）发现，疏散仿真模型应该认真考虑实际空间知识。
假设二：
差异化的个体空间认知假设。
区域内的行人来自各行各业，文化水平不同，社会地位不同，对于紧急情况下的路径选择就会有很大的差异，因此假设在紧急情况下每一个人都有个性化的决策路径。
假设三：
不完全理性的决策。
在紧急情况发生时，部分人会焦虑，忘记平日里熟悉的逃生常识，甚至会失去理性，因此在选择逃生通道时部分人会根据就近原则选择逃生出口，或是听从区域管理员的疏导，亦或是跟随人流逃生。
基于此假定行人选择路线存在随机性，在路径选择的时候会被外界因素所干扰，产生不完全理性的决策。
3.2行人路径偏好的影响因素
从调查对象的个体固有特性来看，主要包括性别、年龄、教育程度和居住所在地等因素；从调查对象的出行情况分析，主要是同行人数，出行频率等因素；从应对紧急疏散情况分析，主要是对大型公共场所内部应急疏散通道以及设施的了解程度，以及行人个体是否具备基本的疏散逃生常识；从面对紧急情况发生时的疏散行为方面考虑，影响道路选择的因素主要是个体的心理素质特征。
3.3基本模型构建
为了确定路径选择与影响因素的相关性，首先确定影响因素的重要程度。
并且采用Chi-Square检验检测因变量与自变量间的相关性。
假设有M条路径和N个人，路径集合R和行人集合P分别表示如下：
R={R1，R2，R3，···，RM}
P={P1，P2，P3，···，PN}
假定道路被选与不选服从0-1变量，那么路径RM被行人PN选中与不选则可表示为：
假设影响因子
有J个等级，则建立一个2行m列的表格如下，表格中的数字代表Rm是否被Pn选择的频数。
表1检验路径选择与影响因素数据表
S
A1
A2
……
D3
D4
总计
θm=0
f11
f12
f13
……
f152
f153
f1*
θm=1
f21
f22
f23
……
f252
f253
f2*
总计
2907
2907
2907
……
2907
2907
2907
代表观测频数。
（1）
假设：
H0：
Pij=Pi**P*j，Pij是联合概率，期望频率表达如下：
（2）
卡方统计量计算如下，其中自由度为
。
（3）
如果卡方值超过了0.05置信水平的概率值，假设将被拒绝，这意味着测试因子不独立，需要被包含在预测模型中。
这样对每个影响因子做卡方检验。
对于多因素影响变量的问题，构建多元回归模型（式4），其中影响因子集合为
。
（4）
第n个行人选择第m条路径的概率：
（5）
（6）
（7）
（8）
其中：
代表行人n选择路径m的概率，
是行人m的目标集合，
是第n个人对第m条路径的认知水平，如果
有J级水平，那么讲
拆分为J-1个虚拟变量。
系数通过Multi-Logistic回归进行标定。
4模型标定与校验
4.1数据处理及检验
根据概率统计学知识，我们把对道路选择影响较大的相关变量因素挑选出来，从而得到了模型中的自变量因素。
χ2的值越大，说明“X与Y有关系”成立的可能性越大。
当频数
都不小于5时，可以查阅下表来确定结论“X与Y有关系”的可信程度。
由概率统计学知识，当计算出的卡方值满足95%的置信区间，只要P值小于0.05就认为结果有显著性差异，另外理论频数小于5的比例不能超过20%，否则结果不可靠。
基于上述要求，我们对每个自变量与因变量之间都做了卡方检验。
以性别与道路1卡方检验结果作简要说明。
图1性别因子与道路1的卡方检验结果
由图1可知χ2=0.004，P=0.95>0.05,认为结果没有显著性差异。
最小理论频数为432.78>5,小于5的比例没有超过20%，所以结果可靠。
其他变量因素与道路选择的卡方检验方法相同。
通过以上判定方法，得到各个道路的相应影响因素，从而为之后的模型标定奠定基础。
4.2参数标定
当面对不同条件时，行人会选择不同的路径，通过社会经济因子对行人进行路径选择偏好进行预测非常重要。
首先选择社会经济因子（年龄、性别、出入次数、结伴、教育、到达交通方式、居住区域）作为自变量，目的地作为因变量。
为了求解
，将部分因子转化为虚拟变量，如问卷中年龄划分为5类，分别为18岁以下、18-30、31-45、46-60、大于60。
模型中为了便于计算将“age”变量转化成虚拟变量DA1,DA2,DA3,andDA4，其他变量同理进行处理。
采用Spss软件对自变量和因变量进行Logistic回归，得到数值如下表。
表2.出口P1\P2\P3\P4对应的参数
变量
细节描述
P1-B
P2-B
P3-B
P4-B
性别
DG
男=1,女=0
.006
.114
-.064
-.069
年龄
DA1
18岁以下
.221
.355
-.330
-.526
DA2
18-30
-.063
-.234
.010
.103
DA3
31-45
.172
-.354
.107
-.125
DA4
46-60
.006
-.186
.071
.020
结伴
DG1
1人
-.072
-.146
-.008
.244
DG2
2人
-.059
-.079
-.167
.189
DG3
3人
.237
.074
.044
.118
教育
DE1
高中及以下
.337
.136
-.154
.193
DE2
大学
.578
.053
-.155
.191
区域
DZ1
5km内
-22.510
-19.951
-19.091
23.272
DZ2
5-10km
-22.196
-19.950
-19.066
23.184
DZ3
10-15km
-22.495
-19.900
-19.096
23.351
DZ4
15-30km
-22.296
-19.939
-18.963
23.245
DZ5
郊区及以外
-21.835
-19.911
-19.278
23.126
交通方式
DV
DV
（1）
小汽车
.396
-.428
.705
1.396
DV
（2）
地铁
1.374
.403
-1.132
-.640
DV（3）
三轮车
.284
-.110
.158
.381
DV（4）
公交
1.358
-.167
-.993
-1.145
DV（5）
自行车
.524
.053
-.250
.284
DV（6）
电动自行车
.454
.027
-.050
.301
DV（7）
步行
-.124
-.095
-.109
-.235
熟悉年限
DTC
DTC
（1）
1年以下
-.771
.696
-.610
.346
DTC
（2）
1-3年
-.027
.006
-.214
-.066
DTC（3）
3年以上
-.082
-.058
-.018
.013
常数项
21.787
19.036
18.124
-24.356
aVariable（s）enteredonstep1:
DG,DA1,DA2,DA3,DA4,DG1,DG2,DG3,DE1,DE2,DZ1,DZ2,DZ3,DZ4,DZ5,DV,DTC.
5.模型应用与结果分析
5.1模型应用
相比较多数仿真软件中的核心内容，模型更多的考虑了个性化特征对行人路径选择的影响。
通过模型能够预测行人在突发事件下的逃生偏好。
针对潘家园市场区域，抽象出网络图如下图2所示。
网络中每个小区域作为一个节点，之间的线作为通道，对应的4个出口分别为P1、P2、P3、P4。
为了解释模型的计算过程，我们随机生成一个个体行人见表3，根据他的特性应用模型计算，结果如下表4。
表3行人n的特征参数
性别
年龄
结伴
教育
居住
交通方式
熟悉时间
最初的位置
值
1
1
1
1
1
1
1
虚拟变量VA
DG
DA3
DG2
DE2
DZ1
DV4
DTC2
特征
男
35
2人结伴
本科
5km内
公交
1-3年
节点16
表4简要计算结果
出口
出口选择概率
选择的路径
P1
0.629
16-M2-15-14-13-M1-P1
P2
0.285
16-18-M3-P2
P3
0.237
16-18-19-20-23-25-M4-P3
P4
0.251
16-18-19-24-M5-P4
图2区域拓扑道路网络图
5.2仿真结果分析
为了预测模型仿真的效果，基于Anylogic平台进行仿真分析，加载4750个行人，得到的累计最大密度热点图如下图3所示，得到的选择路径图如图4所示。
由图3和图4可以看出，整个行人疏散过程中北门、西北门和雕刻区是主要的密度较大的区域，最大密度达到1.18人/m2，小于过去采用最短路径进行疏散的结果1.33人/m2，行人的路径选择更加多样化，主观避免拥堵的行为有效体现，整个疏散时间为720s。
区域北门为多数行人进入市场的主要入口，也是通往地铁，公交等区域的主要出口，大部分行人选择了该出口作为路径中间点，产生了拥堵现象。
而西北门则作为辅助通道，在日常中人群进出流量低，紧急情况下该出入口人流量相对较低，仅有该出入口附近的行人考虑从此出入口疏散。
但西北门附近的建筑物拐角产生了拥堵，主要由于视距的障碍，多个方向行人在此交叉干扰所致。
市场雕刻区域拥堵的主因在于，该处是市场东南区域行人通往西口和西南口的主要通道，而实际上该区域建筑物间的距离为1.92m，为严重的瓶颈路段，通行能力不足导致疏散过程中拥堵严重，影响了疏散效率。
图3模型仿真的累计最大密度图
图4模型仿真后的逃生路径图
图5各出入口平均流率图
图6个出口区域平均逃生距离变化
图
图7各出口区域平均逃生速度变化
图8区域平均密度变化图
表5仿真的结果分析
构建的PPCP模型
出口
百分比
速度
距离
出行时间
p1
36.09%
1.61
118.43
159.23
p2
25.15%
1.52
115.39
156.37
p3
16.34%
1.80
140.80
169.20
p4
22.42%
1.68
206.51
232.43
均值
1.63
140.62
175.99
由图5可以看出，所选择的四个出口附近的区域12秒间隔的流率变化趋势，其中出口P1瞬时流率最大，达到812人/min，而P2和P3流率最大值为500人/min左右，P4相对较小，仅为300人/min，P1是疏散的主要被选出口。
由图6可以看出，整体的逃生距离，P1和P2较为接近，而P3和P4较大，跟实际的出口布局有关。
图7告诉我们，各出口处行人逃生速度均是随着人群的不断增加而逐渐下降，由最大的3.5m/s，下降至0.5m/s，甚至局部个体出现无法前行现象。
各主要出入口及瓶颈路段内行人的平均逃生速度都随逃生时间的延续均呈现先上升然后再波动中下降，直至全部行人离开该区域。
随着逃生的持续进行，平均速度均下降至0.2-0.4m/s左右。
逃生开始时主要出入口由于大多数行人对突发事件没有做出及时反应，只有少量行人快速离开，服务水平达到A或者B级服务水平，而随着大股行人流涌到出入口区域，主要区域服务水平下降至E级和F级水平，拥堵严重，随着仿真的进行，大量行人离开各主要出入口，还有部分弱势个体速度较慢，最后离开出口。
从平均空间密度图8来看，出口区域的平均密度达到1.18人/m2，而局部最大密度达到了3.94人/m2，处于非常危险的状况。
瓶颈区处的空间密度明显较高，人均所拥有的面积范围严重不足，表明瓶颈区在逃生时发生了严重的人员滞留情况。
在短时间有限区域范围内，高密度的人口流动是导致拥挤和踩踏发生的主因。
疏散中P1出口的持续拥挤时间较多，达到249s，而P2出口的持续拥挤时间为179s。
整个仿真过程，基于行人个性化的路径选择模型，选择P1出口的行人为36.09%，选择P2和P4出口的人分别为25.15%和22.42%，选择P3出口的人相对较少为16.34%。
而通过上述仿真结果可以看到多处瓶颈区域平均速度都已经趋近甚至是低于整个极限值，容易导致踩踏事故发生。
6.结语
本文根据采集数据，构建了突发事件下行人个性化路径选择模型，并基于Anylogic平台进行仿真分析，最后我们得出行人在紧急情况下路径选择与个体因素密切相关，不同认知条件下决策行为存在明显差异，大型公共场所内部易造成拥挤和阻碍的危险地段常常是各个出入口，因而应合理布置出入口的位置及数量，并针对人流量情况设置合理宽度；突发情况下70%行人听从管理人员的引导，62%的行人考虑选择最熟悉的路径，同时也会观察逃生路线标识。
所以区域路网的指引、个体行为的分析和人员疏散指引都对疏散起到重要作用。
参考文献
[1].AguirreBE,El-TawilS,BestE,GillKB,FedorovV.Contributionsofsocialsciencetoagent-basedmodelsofbuildingevacuation.ContemporarySocialScience2011;6（3）:
415–432.
[2].DruryJ,CockingC,ReicherS.Everyoneforthemselves?
Acomparativestudyofcrowdsolidarityamongemergencysurvivors.BritishJournalofSocialPsychology2009;48（3）:
487–506.
[3].MawsonAR.Understandingmasspanicandothercollectiveresponsestothreatanddisaster.Psychiatry:
Interpersonalandbiologicalprocesses2005;68:
95–113.
[4].Aguirre,B.E.,Torres,M.R.,Gill,K.B.,andHotchkiss,H.L.（2011）.“Normativecollectivebehaviorinthestationbuildingfire,”SocialScienceQuarterly,92
（1）,100–118.
[5].KuligowskiE.D.（2011）.Terrordefeated:
occupantsensemaking,decision-makingandprotectiveactioninthe2001WorldTradeCenterdisaster,Ph.D.Thesis,UniversityofColorado,Boulder.
[6].汪蕾,蔡云，徐青.社会力模型的改进研究[J].南京理工大学学报（自然科学版）,2011;02.35
（1）,144-149.
[7].张海均，施化吉.改进社会力的双向行人流模型研究[J].计算机工程与应用.2013,49（16）,236-239.
[8].赵来军,程晶晶.基于突变理论的非常规突发事件下个体行为状态研究[J].中国安全科学学报,2010,12:
14-19.
[9].陆卓谟,秦文虎.火灾中基于个体行为的人群疏散仿真[J].东南大学学报（自然科学版）,2011,06:
1295-1299.
升级会员 