基于二型模糊的疏散路径选择行为模型构建方法与流程

本发明涉及疏散路径选择行为建模，具体涉及一种基于二型模糊的疏散路径选择行为模型构建方法。

背景技术：

自然灾害的频繁发生给人们的生命以及财产带来了巨大的损失。有报道指出，2008年汶川地震直接导致死亡69200例，失踪18195例以及受伤274216例。为了缓解自然灾害、恐怖袭击等带来的负面影响，有效的大规模应急疏散显得极为必要与关键。目前，我国疏散管理方法还处于较低水平，在灾难突发后难以给予疏散者正确的引导与指挥，疏散效率低下、场面混乱。其中，交通问题尤为值得关注。在大规模应急疏散过程中，交通出行需求在短时间内急剧增加，而道路资源的供给又因灾害破坏而变得极为匮乏。如此供需失衡的关系将导致严重的交通拥堵，甚至增加疏散过程中的潜在伤亡。为了应对应急疏散过程中的交通拥堵问题，提高疏散效率，对疏散者的行为进行有效模拟成为制定合理疏散管理方案的必要前提。对此，本发明结合疏散者在路径选择过程中的心理特征以及环境影响，提出了一种基于二型模糊理论(type-iifuzzytheory)的路径选择行为模型构建方法。

技术实现要素：

有鉴于此，本发明实施例的目的在于提供一种基于二型模糊的疏散路径选择行为模型构建方法，本发明根据疏散者的心理与性格特征，对多种选择行为习惯分别进行建模；其次引入了外界环境对疏散者路径选择行为的影响；最后利用二型模糊数学理论以应对主观决策过程中的不确定性。

本发明实施例解决上述技术问题所采用的技术方案如下：

一种基于二型模糊的疏散路径选择行为模型构建方法，所述方法的疏散路径选择行为特征包括恐慌人群的路径选择行为特征和冷静人群，针对疏散路径选择行为特征，本方法基于二型模糊推理的路径选择行为建模，模型构建成功后，利用适当的仿真平台模拟应急疏散条件下疏散者路径选择行为情况，或针对不同目标的疏散指令与疏散管理方法的制定，并对所制定的指令与管理方法进行有效性与科学性的评价。

优选的，所述恐慌人群的路径选择行为的估计成本计算公式为：

wla＝f(d，λ)

cq(t)为t时刻疏散者在交叉口n通过自身感知对路径q的估计成本；wla代表路径q中路段a的权重值，其取值由d疏散者与终点s的距离和参数λ交通信息等级共同决定。

优选的，所述冷静人群的路径选择行为的路径成本估计公式如下：

wrq＝f(i，l)

cq(t)为t时刻疏散者在交叉口n通过自身感知对路径q的估计成本；wrq代表路径的权重，取值范围为0到1之间，并由i交叉口数量和l路径的平均车道数共同决定。

优选的，所述模型构建方法中设一个二型模糊集合为定义在论域x上，其隶属度函数为有以下表达公式：

其中，jx为主隶属度，表示在x处的次隶属度函数的值域，其为[0,1]的一个子集；称为次隶属度；

或二型模糊集合为：

其中，∫∫表示所有可取x和u的联合，对于离散论域则可用∑代替∫；若的所有次隶属度均为1，即则该二型模糊集合为一个区间二型模糊集合；的次隶属度函数的不确定性由一个有界区间构成，即为不确定覆盖域其上下边界分别为上界隶属度函数

和下界隶属度函数即：

优选的，将不确定覆盖域、上界隶属度函数和下界隶属度函数结合二型模糊集合得到交通信息等级，疏散者与重点的距离，以及路段权重的二型模糊集合分别为：

其中，λ，d和wl分别为λ，d和wla的集合。

优选的，设置λ∈[0，50]，且当路径成本的偏差值大于25％，交通信息等级λ取值为10.0时，有92.41％的疏散者选择了最短路径，通过与现实情况下疏散者选择路径的比率，确定参数λ的取值范围。

优选的，所述交通信息等级取值在0到10之间，划分为五个模糊集合，分别为：非常低vl，低l，中等m，高h，非常高vh；

所述疏散者与终点的距离划分为五个等级的模糊集合，分别为：非常近vc，近c，中等m，远f，非常远f；

所述路段权重的取值范围在0到1之间，划分为五个模糊集合，分别为非常小vs，小s，中等m，大l，非常大vl。

优选的，若交通信息等级非常低，恐慌的疏散者倾向于根据离自身较近的路段成本进行路径选择决策，当路段a与决策点的距离增加时，该路段的权重wla的取值会从1急剧下降到0，wla的值越大，恐慌的疏散者对路段a的关注度越高。

优选的，若交通信息等级非常高，所有人都能准确估计各路径的成本，并直接利用它们进行决策，所有路段的权重都接近于1，在交通信息完全开放的条件下，大部分疏散者会选择最短路径，若交通信息等级处于中等水平，则所有路段的权重都在0与1之间波动。

本发明的有益效果为：

本发明针对不同人群的心理特征分别得到恐慌人群和冷静人群的路径选择行为模型基于二型模糊推理的路径选择行为建模，模型构建成功后，利用适当的仿真平台模拟应急疏散条件下疏散者路径选择行为情况，或针对不同目标的疏散指令与疏散管理方法的制定，并对所制定的指令与管理方法进行有效性与科学性的评价，解决了应急疏散过程中的交通拥堵问题，提高疏散效率，具有很强的创造性。

附图说明

图1是本发明的系统总体流程图；

图2是本发明实施例1中的广州市天河区路网图；

图3是本发明的恐慌疏散者的路径选择行为图；

图4是本发明的λ、d和wla的隶属度函数图；

图5是本发明的i，l和wrq的隶属度函数图。

本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚、明白，以下结合附图和实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅以解释本发明，并不用于限定本发明。

实施例一

如图1所示总体流程图，疏散者的路径选择行为受到众多因素的影响，这使得路径选择行为建模变得极为复杂与困难。一方面，受不同教育背景、生活环境等影响，疏散者心理及性格的多样性难以通过单一模型统一描述；另一方面，决策过程所涉及到的主观因素导致了人类行为的不确定性。这些行为特征反映为宏观交通流的高度复杂性，从而对疏散的效率产生巨大的影响。因此，针对行为的多样性，需要对不同心理特征的疏散者行为进行归类并分别建模；针对行为的不确定性，需要利用二型模糊理论来刻画人类决策过程中的主观特征。

为了更好地描述本发明中的相关定义与建模过程，特选择如图2所示的广州市天河区路网作为案例；

将疏散交通路网g用以下数学方式表达：

g(n,a)＝(aij)n×n(1)

其中，n为路网g中的节点数量，即交叉口数量；a为各节点的连接弧aij的集合，当aij＝1时，代表节点i与节点j相邻，否则，aij＝0。

假设出行者从起点r出发，到达终点s，t时刻在交叉口n的路径选择集合可以由qⁿ(t)来表示。若将路径的成本作为疏散时首要考虑的因素，那么对于任一可选路径q∈qⁿ(t)，t时刻该路径的选择比率xq(t)可以由以下logit模型来计算：

其中，cq(t)为t时刻疏散者在交叉口n通过自身感知对路径q的估计成本；cz(t)为可选路径z的估计成本；为当前路径q与可选路径z的成本偏差；a和a分别为组成路径q的路段和这些路段的集合；λ是一个比例因子，代表交通信息等级；逻辑变量δaq在0与1之间取值，当路段a属于路径q时，δaq为1，否则，取值为0；θa(t)表示路段a在t时刻的真实成本；εq(t)为真实成本与估计成本的偏差，即感知误差。

对于任意cz(t)-cq(t)≥0，若λ增加到正无穷，即交通信息等级最高，那么xq(t)将等于1。这意味着疏散者对路径成本的感知与实际没有偏差，他们会毫无疑问地选择成本最低的路径。相反，当交通信息匮乏时(λ等于0)，疏散者选择每一条路径的概率相等。然后公式(2)无法刻画应急疏散情况下路径选择行为的心理特征。根据公式(2)的特性，选择路径的概率完全由路径成本所决定，也就是说，相同成本的路径被选择的概率是相同的，这在应急疏散情况下是不合理的。面对突发灾害，不同的疏散者会表现出不同的情绪，比如恐慌、冷静等，路径选择行为模型应该考虑到这些心理特征。

本实施例针对行为的多样性，对不同心理特征的疏散者行为进行归类并分别建模；针对行为的不确定性，利用二型模糊理论来刻画人类决策过程中的主观特征。

实施例二

当灾害突发，人们会自然地产生应激反应，表现为惊慌失措，甚至做出一些非理性的行为，这在行为研究中不可忽视。根据图3中的路网，节点n处有三条可选路径到达终点s，它们的路径总成本均为200。不难得出，无论参数λ如何变化，每条路径被选择的概率均为1/3。这与现实并不相符，当交通信息匮乏时，伴有恐慌情绪的疏散者会更关注眼前利益而不是整体利益。由于邻接节点n的路段成本更加容易估计，在比较了这些路段的成本后，伴有恐慌情绪的疏散者将会更倾向于选择路径q3。换句话说，由路径估计过程中的主观因素所导致的感知误差εq(t)在路径的长度上并不是均匀分布，即当可选路径的成本均相同时，它们的感知误差不一定相同(例如图3中的路网)。在现实中，这种差异与交通信息等级有关。交通信息等级越高，代表估计路径成本与真实路径成本的感知误差越小，相反，则越大。这意味着，在交通信息等级水平较高时，即使是恐慌的疏散者也能做出较为理性的选择。

根据以上分析，对路径的估计成本计算公式进行改进，在每一个路段前加入一个权重值，如下所示：

wla＝f(d,λ)(6)

其中，wla代表路径q中路段a的权重值，其取值由d(疏散者与终点s的距离)和参数λ(交通信息等级)共同决定。

在经历突发事件后，能够保持冷静的疏散者在路径选择决策过程中会更多地受整体路网特性影响，例如路径的复杂度、路径的通行能力等。为了简化模型的复杂度，仅考虑两个较为主要的因素，用于描述冷静疏散者的路径选择偏好。为此，对公式(4)加入一个动态权重以适应冷静疏散者在决策过程中的心理偏好，该权重由路径的交叉口数量(代表路径复杂度)和车道数量(代表路径通行能力)得到。这两个影响因素的取值在仿真与现实中都很容易计算，对于应急疏散的路径选择决策也十分重要。已有经验观察得到出行者更倾向于选择笔直的主干道而非弯曲的小路。由此，冷静疏散者的路径成本估计公式如下：

wrq＝f(i,l)(8)

其中，wrq代表路径的权重，取值范围为0到1之间，并由i(交叉口数量)和l(路径的平均车道数)共同决定。

考虑到个体对交通信息和路网条件的敏感性和理解差别很大，传统的决策模型难以刻画心理行为的不确定性与复杂性，想要精确计算路段权重wla和路径权重wrq是十分困难的。因此，考虑利用基于二型模糊理论的模糊推理方法分别对恐慌人群和冷静人群的权重求值。

出行者行为的多样性和不确定性在应急疏散条件下的交通流产生和演化起到了十分重要的作用。个体多余周遭环境和交通状态的感知带有明显的主观因素，这对交通动力学也产生了不可忽视的影响。举个例子，一个出行者估计某两个交叉口之间的行程距离时，他的表述通常为“大约10分钟”这类模糊的表达而不是类似于“12分钟15秒”这类精确的表达，而相同情况下，另一个出行者则可能给出“大约15分钟”的结论。尽管这种主观性在根本上还是由客观环境所决定，但它既不是测量的结果，也难以用概率或随机变量来描述。因此，zadeh教授在1965年提出的一型模糊理论迅速引起了决策行为建模领域的关注，该理论将主观性与客观性的结合变为可能。已有多项研究将一型模糊理论应用到了交通分配领域。

本发明提出一个基于二型模糊理论的模糊推理系统用于刻画应急疏散条件下，疏散者根据不同交通信息等级对路径属性进行感知时所表现出来的多样性与不确定性。该模糊推理系统包括模糊化、模糊推理和解模糊这几个模块，将交通信息等级(λ)和疏散者与终点的距离(d)映射到路段权重(wla)上，将交叉口数量(i)步骤包括：确定输入(λ,d,i,l)和输出(wla,wrq)的隶属度函数，建立模糊规则。在解模糊模块利用了重心技术。

为了帮助理解本发明中所提出的模型构建方法，首先要给出二型模糊集和区间二型模糊集的相关定义。一个二型模糊集合的隶属度也是一个在0与1之间的模糊值而非一型模糊集合那样的精确值。假设一个二型模糊集合为定义在论域x上，其隶属度函数为有以下表达公式：

其中，jx为主隶属度，表示在x处的次隶属度函数的值域，其为[0,1]的一个子集；称为次隶属度。

二型模糊集合也可以由以下方式表达：

其中，∫∫表示所有可取x和u的联合，对于离散论域则可用∑代替∫。

若的所有次隶属度均为1，即则该二型模糊集合为一个区间二型模糊集合。的次隶属度函数的不确定性由一个有界区间构成，称为不确定覆盖域(footprintofuncertainty,fou)，其上下边界分别为上界隶属度函数和下界隶属度函数

二型模糊隶属度函数有多种类型，本发明采用高斯型隶属度函数，其表达方式为：

其中，c为固定参数，代表隶属度函数的平均值；σ为不确定的标准差；和σ分别为σ的上界与下界。

将公式(11)，(12)，(13)带入公式(10)，并将变量更改为先前定义的变量，则交通信息等级，疏散者与重点的距离，以及路段权重的二型模糊集合可以表达为：

其中，λ，d和wl分别为λ，d和wla的集合。

根据公式(2)中的路径选择模型，我们知道出行者选择一条路径的概率是由交通信息等级(参数λ)和当前路径与其他可选路径的成本偏差()共同决定的。交通信息等级的取值难以量化并且通常由个人经验给出。但是，有一点较为明确：当交通信息等级最高时，所有疏散者都会选择最短路径，当交通信息等级为零时，疏散者选择每一条路径的概率都相等。为了确定交通信息等级的有效取值范围，需要分析其与的关系。设置λ∈[0，50]，且λ与路径选择概率的关系可以由公式(1)来计算。经实验得，当路径成本的偏差值大于25％，交通信息等级λ取值为10.0时，有92.41％的疏散者选择了最短路径。通过与现实情况下疏散者选择路径的比率，我们可以大致确定参数λ的取值范围。通常来说，交通信息等级取值在0到10之间。确定取值范围后，将交通信息等级划分为五个模糊集合，分别为非常低(vl)，低(l)，中等(m)，高(h)，非常高(vh)。对应的模糊隶属度函数需要针对所研究的实际路网并通过实验来确定。

实施例三

将疏散者与终点的距离d同样划分为五个等级的模糊集合，分别为非常近(vc)，近(c)，中等(m)，远(f)，非常远(f)。通过估计人们的感知范围可以得到这些模糊集合的隶属度函数。值得注意的是，d会根据疏散者的当前位置而变化。因此，路段权重也是动态的，对于同一路段，当它属于不同路径时，它的权重也不同。

表3-1推理wla的模糊规则

对于模糊推理系统和路径选择行为建模来说，wla的取值与分布式关键。正如前文提到的，当交通信息等级非常高时，本发明所提出的模型与经典logit模型是没有区别的。因此，设置wla的取值范围在0到1之间，并将其分为五个模糊集合，分别为非常小(vs)，小(s)，中等(m)，大(l)，非常大(vl)。wla的分布由模糊规则决定。根据应急疏散条件下疏散者的心理特征，比如恐慌的疏散者更注重眼前利益，表3-1列出了25条两输入(λ和d)一输出(wla)的模糊规则。

若交通信息等级非常低(如表3-1中第三行所述)，恐慌的疏散者倾向于根据离自身较近的路段成本进行路径选择决策。也就是说，当路段a与决策点的距离增加时，该路段的权重wla的取值会从1急剧下降到0。注意，wla的值越大，恐慌的疏散者对路段a的关注度越高。从两个角度可以解释这在现实中的合理性。一方面，道路的交通信息是有限的，疏散者无法准确估计所有路段的真实成本；另一方面，相对于远的路段，疏散者能更容易地利用自身的感知估计出近处的路段成本。若交通信息等级非常高(如表3-1中最后一行所述)，所有人都能准确估计各路径的成本，并直接利用它们进行决策，此时，所有路段的权重都接近于1。换句话说，在交通信息完全开放的条件下，应急疏散的路径选择行为可以直接由公式(2)来描述，即大部分疏散者会选择最短路径。若交通信息等级处于中等水平，则所有路段的权重都在0与1之间波动。

想要量化λ、d和wla的高斯型隶属度函数是十分困难的，尤其是其标准差的上界与下界。因此，隶属度函数的各参数值需要经过大量的实验来确定。表2-2给出了实验后确定的各参数取值。λ、d和wla的隶属度函数图由图4所示。wla的具体模糊推理过程由算法3-1给出。

表3-2λ、d和wla的高斯型隶属度函数参数值

公式(18)，(19)和(20)分别代表交叉口数量，平均车道数和路径权重的二型模糊集合。

其中，i，l和wr分别为i，l和wrq的集合。

在定义相关参数之前，本发明首先利用仿真系统对交叉口数量和平均车道数的隶属函数进行训练。以广州市天河区路网(图1-2)为例，在总共1586条可选路径中，最大平均车道数为5，最大交叉口数为22。因此，设置l的范围为0到5，并将其分为5个模糊集合，包括很小(vs)，小(s)中等(m)，大(l)，很大(vl)。为了便于计算，将交叉口数量i的范围设置在0到25之间，同样将其分为5个模糊集合，分别为很小(vs)，小(s)中等(m)，大(l)，很大(vl)。路径权重wrq与路段权重wla相似，只在0与1之间变化，它的五个模糊集合为很小(vs)，小(s)中等(m)，大(l)，很大(vl)。

表3-3给出了25个两输入(l和i)一输出(wrq)的模糊规则。若i的值非常小(如表3-3中最后一行所示)，l从非常小变化为非常大，路径权重wrq将始终保持在一个较低水平。这意味着，过多的交叉口数量会导致更多潜在的转向可能和因信号灯而增加的等待时间，因此冷静的疏散者将更关注于交叉口数量对路径成本影响。相反，若的值非常大(如表3-3中第三行所示)，无论l如何变化，wrq都将保持在一个较高水平，取值范围在0.5到1之间。关于i，l和wrq的隶属度函数的参数值确定方法与3.2节中相同，表3-4给出了具体参数值。其隶属度函数由图5所示。wrq的模糊推理过程与wla的相似，此处不再赘述。

表3-3推理wrq的模糊规则

表3-4l，i和wrq的的高斯型隶属度函数参数值

本发明详细介绍了应急疏散条件下疏散者路径选择行为模型的构建方法，利用二型模糊数学理论体现人群行为的不确定性，针对疏散时不同人群的心理特征分别得到恐慌人群和冷静人群的路径选择行为模型。具有以下优点：

优点一是针对应急疏散条件下不同人群的心理特征分别建模，而非用单一模型代表所有人群，体现人群行为的多样性，有利于对不同人群分别制定针对性的疏散指令；

优点二是引入环境因素影响，将疏散路径选择行为与普通路径选择行为区分开来；

优点三是利用二型模糊数学理论体现路径选择过程中主观决策的不确定性，使模型更加符合实际，更有利于制定有效的疏散管理方法。

以上参照附图说明了本发明的优选实施例，并非因此局限本发明的权利范围。本领域技术人员不脱离本发明的范围和实质内所作的任何修改、等同替换和改进，均应在本发明的权利范围之内。