考虑群体凝聚力的应急路径规划中的群体建模
摘要
灾难性事件的发生，无论是自然事件（如火灾、地震、涨潮和飓风），还是人为的（如恐怖爆炸、化学泄漏等），已经夺走了数千年的生命。然而，为了有效地疏散人员在这一事件中，需要一个合适的模型（被认为是一个重要的研究社区的研究），以及应急路线规划（ERP）系统。总结和讨论了PrimoReales的几种分类方法，包括各种公共社区的需要，以及满足复杂情况的需要。本文介绍了一种新的群体建模方法，该方法考虑了群体内聚力的特点和群体内的个体遵从率。该模型对先前的工作进行了验证，而进一步的实验揭示了群体凝聚力的重要性，这在更大的群体凝聚力存在的情况下影响疏散计划的结果，关于一定程度的假设以及ERP问题的背景。这些发现将被总结和呈现，而未来工作的潜力将被确定。
关键词： 建模、拥挤、紧急疏散、应急路径规划问题
介绍
极端事件或灾难，无论是自然的还是人为的，往往导致紧急情况，需要立即和时间的关键行动（Chiu等人，2007）。自然灾害的例子包括飓风、洪水、山体滑坡和海啸。人为灾害的例子包括恐怖袭击和危险物质释放。这些重大事件影响人口密集地区，引发立即或危及生命的情况，触发紧急响应。在许多情况下，疏散是缓解风险的常见反应，需要立即动员和时间关键行动，主要是有效的协调、空间容量利用和确保应急响应资源的可用性（Alsnih和Stuth，2004）。因此，可以得出结论，紧急疏散是最可行的选择人类生存能力，这是最重要的风险减轻。
紧急疏散可以被定义为尽可能快地移除居民/人口，并且从被认为是危险区域的区域到安全地点具有最大的可靠性（Saeed Osman和RAM，2011）。在紧急疏散过程中了解人群的活动和特征，导致在紧急疏散中更好的规划和管理（Reaviet et al.，2013），能够实时更新即时威胁、识别模式和人群相对于危险源的位置，以便及时发现D。决策。然而，捕捉这样的人群活动和特征需要适当的人群模型来提高疏散效率和人群生存能力（王等人，2008）。
在紧急疏散期间，人群可以分散到单独的组或个人中。分组或集群行为可以通过人群的三个不同连续性来观察（李等人，2007；夏尔马，2009）：（1）目标和需求；（2）社会和物理属性（交互水平、年龄或社会分化）；和（3）心理和情境方面（压力Lev）。在各自的时间或地点）。然而，群体的大小可能会影响群体凝聚力，这可以被定义为一组在走向目标或满足其成员的需求时团结一致的倾向（CARRON和Brawley，2000）。因此，需要捕捉群体凝聚力的人群模型作为本研究的动机，以及评估疏散计划的效率和管理撤离人员的撤离操作。
文献综述：
人群是由几个或数千个人在有限制的环境中相对于他们的个人目标（即避免障碍、阻塞或踩踏）而保持亲密的朋友或家庭而形成的（耶尔辛等，2008）。一般来说，人群是基于理论模型，从分析的模型到基于矩阵或细胞的模型（Bandini等人，2005）。人群也与群体的形成有关，群体的凝聚力是根据其大小构成和影响的。较大的群体往往具有较高的凝聚力，因为他们有机会获得丰富的资源（如时间，精力和专业知识），更多样化，并具有更高的影响（莫兰等人，2013）。然而，过大的群体可能会遇到相反的效果，因为难以协调，冲突和遵守水平（莫兰等人，2013）。因此，在疏散过程中识别合适的群体凝聚力（例如尺寸）对于有效和有效地计划和管理紧急疏散是重要的。
集体人类行为中最灾难性的形式是踩踏，这会造成恐慌，并经常导致严重的死亡（Hajababi等人，2007）。在人口稠密的围栏或结构中协助人们有效移动的能力对于大型复杂结构的日常运作至关重要。更重要的是，在紧急情况下，它是一个重要的设计特征。为了支持紧急疏散，疏散模型是提供有效决策、增强应对灾难能力以及减少对人类和周围环境的任何不利影响的重要工具（LV等人，2012）。 放射性抗体等。（2013）对已有的微观、宏观和介观模型进行了研究。微观模型把人群中的每一个人视为一个单独的个体。
“粒子”。微观方法的几种变体包括以社会力模型的形式来编码人类欲望（Helbin等人，2000），并且代表行人作为占据细胞自动机的单元（元和谭，2011）。宏观模型描述人群通过他们的平均流量和密度。流体动力学模型（HelBee，1998），流动瓦片（Channe，2004），连续体群（Turule等人，2006）和非局部群体动力学（科伦坡和Le Cuulux-MeCIER，2012）是微观模型的一些变型。介于前两个模型之间的间隙，介观模型引入了一个关键概念来理解局部个体间相互作用（Micro）和集体模式（宏）之间的关系（王等人，2008；2009）。大多数研究文献采用显微模型（AAMDI等人，2010；Kwan和李，2005；CEPOLINA，2005；Fang等人，2011；郭等人，2011）和宏观模型（LU等人，2003；基姆等人，2007；曾和王，2009；Li等人，2010；Zanget等人，2010；LV等人，2012），WHILL。E只应用了介观模型（王等人，2008；2009）。
微观模型有助于捕捉疏散行为，如阻塞和推动（方等人，2011；郭等，2011）。另一方面，宏观模型表达疏散过程中疏散者的集体模式，如流速、相对速度和突起（LV等人，2012）。尽管微观模型的能力获得良好的结果，并成功地捕捉现实撤离者行为，大多数人认为，行为是独立于紧急情况（王等人，2008）。同时，宏观模型通过识别疏散网络中的瓶颈，但缺乏捕捉现实撤离者行为的能力，突出了应急疏散的潜在风险。为了解决这些问题，可以采用介观模型和不确定因素、人群动态以及疏散人群中社会纽带的概念（王等人，2009）。不确定性意味着不可预见的事件和主观判断的偏差（LV等人，2012），而群体动态意味着撤离者的认知、决策和社会行为（CEPOLINA，2005）。
提出的人群建模方法：
人群模型涉及两个组成部分：疏散路径或网络和人群。这两个组件构成了一个疏散计划（时间表），它构成了总体疏散计划（人群疏散的调度）。初始化方案涉及生成所考虑的疏散网络中可用路径或路由的集合。可以通过执行递归深度优先搜索算法来生成可用路径或路由的集合，其中所有可能的源目的地对被记录，而不考虑所涉及的容量和旅行时间。利用群体中的人群起始位置、人群规模和人群大小等信息，生成群体模型（群），并对其进行特定标识。
从疏散网络的这些集合中，整个可用人群的群体及其随机分配的源目的地路径或路线将形成代表完整疏散计划（时间表）的实例群体。当生成完整的调度实例时，通过模拟所述填充实例的网络清除时间（NCT）的疏散计划来进行评估过程。因此，如果可用性组计数是G，并且网络的可用路径是P，则总体疏散计划的长度将是Gtimes;P。图1中描述了总体疏散计划的表示。
图1：总体疏散计划实例的表示。
疏散网络：
疏散路径或网络由有向图G（V，A）组成，其中V＝{V1，V2，hellip;，VN}是节点集合，A是Vtimes;V集合弧的子集。基本上，节点代表有界环境中的房间或分区化的区域、出口或区域。弧线代表路径或走廊、走廊、楼梯或结构的任何其他连接元素。灾害来源被认为是已知的，并影响疏散网络。所表示的应急网络或路由可以在长度上变化，并捕获所考虑的逻辑图结构的节点和弧的某些部分，主要是源-目的对（一个疏散路径P）的一组节点和弧。
所考虑的疏散路径或网络数据是两层楼的表示，其中公共数据的逻辑图的细节在图2中示出。节点边缘逻辑图用于表示每个房间、走廊、楼梯和出口被表示为椭圆的结构。每个节点具有三个属性：节点标识、最大节点容量和初始节点占用率。从一个节点到另一个节点的路径被表示为方向性边缘，其中方向是朝向出口的方向。每个边缘具有两个属性：最大边缘容量和旅行时间。
人群模型：
考虑的人群模型是介观模型，其中模型考虑疏散者之间的局部个体间相互作用（微）和人群的集体模式（宏）之间的关系。其中的一项努力是王建民等人的作品。（2008和2009）。虽然捕获了疏散者的局部个体间交互，但模糊地定义了人群的集体模式，并且没有提高群体的清晰边界。因此，第一个焦点将是得到与Saeed Osman和RAM（2011）中的工作密切相关的表观群体特征。作者提出了一个整数优化模型，与之前卢等人所做的工作相比。（2003）。该组的大小可能会影响和延长疏散过程，这可能增加撤离人员暴露在危险中。
在这个特定的设置中，群体凝聚力取决于群体的大小，假设完全符合水平。每个组都有不同的大小，每个组的起点都是完全不同的。撤离者被假定属于一个特定群体，他们强烈合作（100%组内的个体遵守）以实现他们的目标（即脱离危险）。疏散网络的容量将根据组的大小来检查，其中通过和可能的延迟的余量由两个规则决定：（1）组的旅行时间保持不变，如果组大小小于容量，或者（2）组的旅行时间等于（GR）。OUP大小/容量）*旅行时间，如果组大小gt;容量。
图2：从LU等人考虑的网络的逻辑结构。（2003）
为了适当地模拟疏散人群，疏散和疏散的基本成分如图3所示的公式化和形式化。基本人群模型考虑了自由流量（详见Helbin等人描述的自由流量的细节）。（2000）没有考虑到人群的其他动态（如阻塞、推挤等）。然而，有四个元素影响这个基本人群模型。第一个元素是网络的路径或路由，涉及由疏散者选择的一组源和目的对。第二要素是疏散网络在路径或路径内的容量。第三，群体因素，即疏散者的群体凝聚力，是预先确定和考虑的。当定义了前三个组件时，形成了第四个和最后一个组件，其涉及遍历所选路径的实际流量，相对于路径容量和组内聚性。因此，这四个部件构成了提出的人群疏散模型。
图3：图形人群疏散模型。
结果验证、评估和讨论：
结果验证：
根据人群疏散模型的群体大小来评估群体凝聚力的表现，实验不同于LU等人提出的群体凝聚力。（2003）将利用离散和固定群进行。该模型将生成疏散计划时间表，其中原点、总疏散人数和疏散路径将形成总体疏散计划。根据LU等人的疏散计划的设置。（2003）根据表1获得最终的总体疏散计划。30个疏散者被划分为三个来源，初始大小为10, 15，节点N1、N2和N8分别为5和5。在节点N8，三组A、B和C分别被认为大小分别为6, 6和3。在节点N1，考虑四个组只有一个组是大小为1的（表示为G组），而其他组的大小为三（表示为 D组，E组，F组）。在节点N2，两组表示为H组和I组，大小为三和2， 分别考虑。从总体疏散计划获得的NCT使用启发式，命名为 容量受限路由规划（CCRP）是16个单位时间。如表所示，整体的NCT。 使用所提出的方法的疏散计划类似于CCRP，在那里它与工作紧密一致。 由卢等人提出。（2003）。从而验证了该人群疏散模型的有效性。
表1：为验证而获得的总体疏散计划。
结果评价：
本实验的主要目的是进一步评估人群疏散模型的性能。 基于群体凝聚力的影响进行实验。使用网络清除时间（NCT）。 测量整体疏散计划的性能，间接测量团队的凝聚力。 也。在40个样本中进行了实验，每个样本包括70个总体疏散计划。 为每个组大小生成实例（1, 2, 3、4和5）。从70全面疏散计划中的最佳方案 每个样本都取实例。样品的最佳、平均和相对标准偏差（RSD） 计算得到的结果在图4中描述的每个组大小。
图4：不同组大小的NCT分析。
观察结果表明，组大小超过3给出了最佳的NCT值，这是由 群体凝聚力存在于他们之中。另一方面，观察到NCT的平均值是稳定的。 随着各组大小的增加而下降。这意味着NCT的值在70个整体内获得。疏散计划实例是相对一致的，只包含少量的偏差。此外， 当样品尺寸大于3时，样品的RSD也较小，这意味着获得的NCT值。 在整个70个疏散计划中，实例包含一个小的变化率，并且相当冗余。
讨论：
组大小影响总体疏散计划实例的质量，其中流量增加。 当组的大小增加时发生率。当评估流量时，一个组大小为3。 间接降低一个特定的总体疏散计划实例的NCT值。这是可能的，因为 群体模型中的群体凝聚力假设，在更大的群体中移动的疏散者倾向于更好地移动。 （更好的流量），同时符合网络容量。这种特殊情况模拟强。
引发群体内的疏散者与合作行为之间的依从性。 虽然群体模型已经成功地捕获了群体凝聚力，但这种群体凝聚力被假定为 一个群体内的每个人完全相互合作而不捕获个体的基础。 遵守率。此外，群体间关系也被忽视（群体间没有社会互动）， 它表现出离散的模式和疏散时间流率的小延迟。在真实中 疏散，群体行为倾向于具有不同的顺应性由于不同的需要和目标（李等人，2007； 夏尔马，2009），以及一定数量的组间交互（导致更大的延迟和偶数）。 阻塞）（王等人，2008）。虽然提出的人群疏散模型没有捕捉到动态 依从性和群体间关系，观察群体行为，在一定程度的假设下， （假设一组内的个人遵守100%，而小组间关系的0%的合作） 成功地证明了它在疏散过程中的作用，这是一个有效的重要组成部分。 疏散规划与管理。因此，这一发现是增强人群模型的基础。 为了更好的疏散计划。
结语：
本文提供了一个具有一定假设和成功捕获的人群疏散模型。 群体凝聚力在紧急疏散情境中的重要性进行了实验。 进一步评估网络疏散时间目标的人群疏散模型 （NCT）。从实验中观察到的结果的洞察力和发现已被讨论和呈现。 关于研究的主要兴趣。在今后的工作中，进一步加强提出的人群 将测量疏散模型（其中群体凝聚力将包含动态顺应性）。 量化，以进一步支持本文提出的结果。
确认：
作者感谢马来西亚高等教育部（莫霍）、美国大学和大学。 马来西亚支持通过长期研究完成的研究 研究资助计划（LRGS 203，PTS 6728001）。
参考文献
阿尔斯尼，Rahaf和Peter R. Stopher，2004岁。”设计应急相关程序的审
全文共19083字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[11833]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
