文摘

紧急疏散交通需求通常太大与活性有效地管理交通信息控制方法。这些方法适应道路交通被动地通过发布实时信息不考虑路由行为反馈由疏散人员。其他补救措施必须准备的一次性的拥堵下这些方法。使用网络容量完全缓解不远的疏散交通拥堵,我们建议积极的交通信息控制(所)模型。基于信息和路由行为反馈之间的机制,这个模型可以改变提前疏散的路线选择,驱散战略交通信息。一般来说,不远的未来交通状况难以准确预测,因为它是不确定在疏散。假设交通信息的价值服从一定的分布范围内,然后实时交通信息可能反映了最有可能的将来交通条件。与实时信息不同,选择范围内的主动交通信息来实现所需的道路网络的性能指标(总系统旅行时间)。解决方案方面的算法,微分平衡分解优化(D-EDO)提出了比较与其他启发式方法。领域研究大型体育场周围道路网用于验证所。

1。介绍

自然或人为灾害,应充分利用周围的道路网络疏散受灾群众。否则,随机疏散流可能诱发临时交通拥堵。因此,优化疏散流的操作来提高紧急疏散效率是救灾的主要目标之一。从行为的角度来看,如何调整疏散路径选择结果提前来缓解交通拥堵是一个临界点。换句话说,我们应该考虑疏散人员疏散的路由行为反馈管理。

相比一般的交通网络管理、路由行为较少考虑疏散条件的反馈。与广泛应用的情况下在前条件,如街道容量优化(1)和信号优化(2),只有少数研究发现在后者的条件,也就是说,谢和Turnquist3在口岸缓解巷逆转的规划和十字路口,赵和Mirchandani4),巴斯和Peeta [5在动态信息发布路线的选择。

交通信息控制可以是一个可行的疏散管理。然而,决策者通常被动地实时信息发布疏散路径选择的结果没有被优化。因此,疏散网络的性能指标只能在一定程度上得到改善。一般来说,实时信息可以完全反映了不远的未来交通状况的最大概率,因为这条件还不确定疏散。在当前时间间隔,不远的将来,将交通信息的价值可能会出现概率分布范围内。选择其中任何一个可能会导致不同的疏散路径选择结果;因此,我们需要开发一个方法来选择合适的价值而不是实时的价值信息提供提高疏散效率。

设计交通信息考虑行为反馈,交通信息之间的映射和疏散流应该解决。根据特定的信息,映射是由两个中间过程,路线的选择和交通荷载。这也是路由行为疏散人员的反馈,,决策者可以通过设计来优化系统性能的信息。我们定义主动交通信息控制等优化(所)。因此,这种类型的信息优化类似于网络设计问题,属于Stackelberg博弈。因为non-closed-form traffic-loading仿真步骤在这个应用程序中,一般的运筹学方法用于非线性规划不能应用。有用的方法是启发式的,如平衡分解优化算法(6),线性近似算法(7),和智能算法(8]。过去的算法全局收敛性的效力,因为搜索过程类似于枚举。然而,它是不完美的低效率。第一个方法是一种数值方法,使用一维搜索范围减少解决方案,但全球解决方案可能被忽略在初始迭代步长和我们也不能保证解的收敛性在整个操作。第二种方法的主要思想是利用泰勒展开式来改变客观的线性函数来解决下降方向和黄金解决步长选择方法,如Frank-Wolfe (F-W)算法。唯一注意的是导数或区别客观的对决策变量应提供在生成的子问题。然而,这种方法可能收敛于局部最优初始解附近因为下降方向和步长太准确跳出当地的陷阱。

更好地减轻不远的未来为紧急疏散网络拥堵,我们建议所提供的交通信息战略根据路由行为反馈。最小系统总旅行时间(TSTT)设置为目标,这是由总疏散时间、到达时间惩罚,和拥堵成本。相应的微分平衡分解优化(D-EDO)算法,并演示了在精度是有益的。

在下面所介绍了D-EDO模型和求解步骤。然后,应用理论方法在该领域的疏散周围的网络在中国南京奥林匹克体育场。

2。方法

2.1。所模型

以下约束(1 - 8)和最小TSTT客观(9)所旨在制定模型。约束符合一次性随机动态交通分配,由随机路由选择和一次性交通荷载。采用非平衡模型的原因是,没有旅游历史经验可以帮助疏散人员决定一个游戏;采用随机模型的原因是,疏散人员无法知道先天的水流条件的一次性的事件。

2.1.1。路径选择工具

有一些外生route-related变量影响疏散路径选择。外生变量的确定主要取决于两个标准(疏散时间和信息的可靠性)。至于疏散时间,毫无疑问,人们倾向于选择较短的路线。此外,Wardman et al。9]的结论是,使用陈述偏好(SP)的一项调查,延迟时间比旅行时间更有用的路径选择。对信息的可靠性,避险情绪将会出现在游客心中不可靠的信息提供。华et al。10)表明,传播延迟时间影响路径选择的可靠性是一个重要的因素。因此,外生变量的路径长度,延迟时间,传播延迟时间选择可靠性作为路径选择的解释变量。便于识别,这三个解释变量对应的路线在一个information-updating间隔被表示为(m),(最小值),(%)在序列。路线的实用价值在information-updating间隔可以通过计算

在公式(1),撤离者认为是均匀的,所以使用常数代表疏散人员的实用价值的内在属性。我们可以失去这一项“能较量的和可以删除”在离散选择模型。考虑重叠线的问题C分对数模型(11),一种多项logit模型,通常采用的离散选择模型由于其简单的形式和简单的校准。的变量的共性因素效用吗C分对数模型。的变量(通常表示为一个长度比例重量是比)的重叠部分吗之间的路径和相同的OD对另一条路线。一组包括所有相关的重叠部分的路线。的变量是线路的数量,连接相同的OD对吗,共享重叠的部分。解释变量系数,,,使用SP调查需要校准。

2.1.2。分析路径选择概率函数

根据C分对数模型,分析路径选择概率选择路线从起源细胞到目的地information-updating间隔可以由 在哪里从细胞的路线设置吗到目的地。因为疏散网络的目的地通常设置为一个虚拟节点,该指数目的地可以消除减少符号的复杂性。目的地是隐式地通过索引的路线。

2.1.3。只有一次的交通负荷

Daganzo的12)细胞传输模型(CTM)可以负载流量动态地、成功地嵌入到仿真软件VISTA。但是这个基本的细胞不能提取拥塞信息。在下面,我们提出一个增强的中医来克服这个缺点。下列变量在每个间隔定义(加载)先天的: 细胞细胞:设置成功, :设置前细胞的细胞, :最大的车辆数量可以流入或细胞在时间间隔, :最大的车辆数量可以出现在一个细胞在时间间隔, :需求来源细胞在时间间隔, :车辆占用的细胞在时间间隔, :从细胞流泄出在时间间隔, :从细胞细胞在时间间隔。指出,单位时间间隔对交通荷载比information-updating短时间间隔。

假设时变需求和提供了路径选择的比例,我们可以转向的过程增强澳门电讯(如图1)模拟流程。关于长度提出了不同的细胞,每个链接在我们的模型分为三种类型的细胞组成的1尾细胞,细胞1头,和一些方法细胞(其数量是基于流方向)的数量。细胞和尾巴细胞用于捕获十字路口队列长度和交通spillback分开。后两个指标可以为代表所拥挤成本的目标。例如,我们可以让方法细胞的长度等于单位时间第一,套头的长度细胞等于阈值所需的决策者惩罚十字路口队列和给剩下的尾巴细胞检查队列长度spillback处罚。

假设向后传播拥有畅通的速度,可以使用以下过程来模拟车辆占用的细胞为间隔根据以往的车辆,入住率(被设置为0)。

(1)配方为发送和接收流动。细胞接收和发送流量的公式可以描述的 在哪里是需要使用的时间间隔数量通过细胞畅通的速度。这取决于类型的细胞属于。

(2)传输流量公式。我们假设细胞这里是一个尾巴细胞。传输流公式流从尾细胞头细胞表达的是

传输流公式流从头细胞方法细胞用公式(5)。汽车占用的比例吗可以去细胞。这是一个隐函数对路径选择概率。如果= 0然后括号内的相应项的公式(5)应该被删除:

传输流公式流从细胞的方法到尾细胞用 在哪里=代表的一部分发送流在所有发送流前细胞的细胞在时间间隔。

在每个时间间隔,传输流公式(5)和(6)应全面确保流动和车辆入住率是整数。

(3)车辆占用配方。下面的公式是用于更新车辆占用的细胞在接下来的时间间隔:

2.1.4。目标制定

设计的目的是在公式(8),是由三个方面。第一项是总疏散时间。加强中医,总疏散时间等于总车辆入住率在阿明费时间间隔是单位时疏散。第二项是到达时间的点球,这意味着每个消费时间间隔应处罚一次车辆离开原点。为什么惩罚增加车辆的成本根据其时间抵达目的地?原因之一是加快一步进入紧急状态。另一个优势是,越早离开时间会提前被选中当两个相同的路线不同的起飞时间需要比较的成本。第三项是拥堵成本、惩罚的消耗时间长队列和spillback: 在哪里所有细胞的集合,脑袋和尾巴是所有细胞,原产地是一组细胞,是假目标细胞。设置的时间间隔和吗和处罚的到达时间分别和过饱和的车辆。交通状态判断的细胞在时间间隔可以大致以下公式: 很明显,如果长队列或队列spillback发生在细胞,相应的处罚添加到降低动态路线和车辆通过这个细胞。

向量在公式(8)代表组成的决策变量向量信息变量公式所示1)。在积极的交通信息模型中,可以间接影响的目标。其影响过程如下所示:变量的信息分析路径选择概率模拟车辆占用TSTT。保证信息和疏散流之间的映射是独一无二的,我们在每个起源点设置一个决定变量/ information-updating间隔。问题关于如何确定决策变量从选中的信息应该根据特定的应用程序来解决。

2.2。解决步骤D-EDO

逻辑框架所解决的紧急疏散图所示2。输入是疏散网络的物理属性,时变疏散需求,路径选择的解释变量系数效用,时变边界值的信息。输出是发布的战略信息。两个主要模块(一次性随机动态交通分配和D-EDO过程)如图2阐述了下面。

一次性随机动态交通分配模块实际上是D-EDO模块内的算法。它由随机路线的选择和动态交通荷载。D-EDO应该更新的信息效用的防备,可立即这个模块的输入。在每个information-updating间隔的内部流程,C分对数函数用于获取分析路径选择比;然后执行一次性中医模拟。一步一步,交通载荷以下information-updating间隔计算。这个模块提供了相应的客观数据计算D-EDO算法。

结合提出的D-EDO是江户和F-W算法。江户设置为外部层算法。对于每一个特定数量(数量等于决策变量)的迭代,我们会选择当前最小边界解决方案F-W江户作为初始输入的。我们可以解决内部层F-W周边局部最优的算法。江户的算法结束后,我们比较这些当地的解决方案获得最小的最优结果。江户可以通过各种可行的解决方案,因为他们从最初的最大边界范围逐渐缩小。F-W与初始输入的有效性。全球最佳更容易被发现使用F-W和不同初始输入比均匀。因此,江户和F-W都利用的优势来获得更准确的结果预计,以避免当地的最适条件。F-W下降方向的搜索过程,区别不是偏差问题的准备,因为non-closed-form(由于嵌入仿真过程)禁止偏差的解决。 Therefore, we name this method as differential decomposed equilibrium optimization method.

D-EDO如下的步骤。

步骤1(初始化)。选择向量和分别代表最初的上下边界信息变量向量,起源细胞吗information-updating时间间隔。模拟车辆占用向量和。评估每个向量的客观价值,和。集。

步骤2 (F-W算法)。
一步2.1。集。让可行的解决方案。
一步2.2。计算的区别(和)对通过流程模拟;获得表单(和)。发现辅助可行解这样的方向来提供线性化后的最大可行下降,已删除的常数项初始目标函数: 在哪里组information-updating间隔和吗和的元素是和。
一步2.3。使用黄金选择的方法来找到相关的最优步长这样 和更新当前的解决方案。
一步2.4。如果连续两个解决方案之间的差距小于,然后设置,转向步骤3继续江户的算法;否则,转步骤2.2。

步骤3(金色的选择)。为每一个和,搜索过程中指定以下两点区间: 让其他元素(和)被分配到其他元素(和)。执行流仿真获取车辆占用向量和。评估每个向量的客观价值,和。如果,然后让;否则,让。

步骤4(停止准则)。如果、输出优化目标y和相应的解决方案;否则,回头的一步2。

3所示。方法应用

3.1。输入

输入网络,疏散疏散需求,分析路径选择概率函数,初始化信息序列。

3.1.1。疏散网络和需求

南京奥林匹克中心(图3(一个))在中国,87000人的能力,被认为是恐怖事件的威胁之下。人在体育场应该撤离体育场和附近的停车场。他们是不安全的,直到他们躲过了描述道路网络围绕奥林匹克体育场。网络构成一个封闭区域内的道路,只允许一个东北流。停车场位于北面,南面,和东区(两个很多东)奥林匹克中心,疏散的起源。虚拟机设置在起源和。细胞结构包含一个假目标(与无限的最大车辆占用和流量)如图3 (b)。其相应的疏散交通需求和细胞特征如表所示1。

3.1.2。分析路径选择概率函数和信息初始化

考虑限制疏散人员的信息分析能力,最多三个路线是假定可供游客选择在每个起源细胞。这些选择的路线(在这项研究中)对候选人路线。十字路口的比较因素的路线长度,数量,数量的车道,和数量的左转弯,在秩序。路线较低的因子值更容易选择。

候选路由表中列出的起源细胞2。第三列显示了解决共性因素。

我们实现路径选择SP调查在上述evacuation-scenario假设。使用调查数据,指定效用系数最大似然方法。路线的概率选择在间隔疏散人员制定如下:

只能填报一个信息因素被选为决策变量在每个源/ information-updating间隔。路由功能和变量范围的标准。(我)最短的路线长度从每个细胞起源的路线选择决策变量设置,因为更多的变化发生在最短的路线长度可以创建一个广泛的候选人战略信息变量。(2)系数接近时,信息因素与更广泛的范围内选为决策变量,因为它们允许调整路径选择概率很大。

一旦确定了决策变量,变量可以与实时分配值的其他信息或其他相应的价值取决于信息值之间的关系。

在这种情况下,为每个起源细胞,最短路径的延迟时间是根据标准设置为决策变量的描述。其他路线的延迟实时流中获取的值来模拟,这可能发生最有可能在不远的将来,将交通状况。的传播延迟时间可靠性确定基于不远的延迟时间分布。的每个概率传播延迟时间分配给应用程序的可靠性。方便,我们假设的延迟时间服从正态分布的均值实时延迟和标准偏差的。实时延迟无疑是最可能的值,这是符合前面的假设。传播延迟时间可靠性可以表示如下: 的函数是标准正态分布的概率密度函数。是延迟时间范围的划分数量,在以下应用程序设置为10。它是用来确保可靠性几乎等于概率密度乘以单位范围的分裂的延迟时间。除此之外,将1;战略延迟时间的范围将分钟。

3.2。测试

D-EDO的应用程序的优势建立一个最优的交通信息验证策略。这种策略优于被动控制显示信息。此外,information-updating频率和需求水平的影响进行了分析。

3.2.1之上。的有效性D-EDO

是设置为D-EDO算法的最终标准。相应的解决方案融合D-EDO如图4。当江户算法完成每循环的所有变量的更新,我们使用的当前最小边界解决方案获得两个边界解决方案作为初始点来获取相应的F-W结果。的最小边界解决方案收敛江户表明,单一江户方法也许不能实现最小TSTT甚至与历史相比迭代。然而,F-W有助于获得低TSTT中间江户时最小边界解决方案作为初始解决方案。使用F-W不同初始解决方案可以达到不同的效果;因此,江户结合F-W可以互为补充。最小TSTT选择从所有F-W解决方案veh时间间隔是122500,表中列出的变量的解决方案3。

我们用遗传算法(GA)作为另一个与D-EDO启发式算法比较。GA配置有40的初始种群,交叉概率为0.9,变异概率为0.1。我们设置了最大允许公差健身是5代的数量不变,这是最终标准。

看到从图4,D-EDO达到一个更好的解决方案与GA相比。D-EDO方法的主要优势的GA方法精度的结果。尽管GA收敛与几代人,不是节省计算时间明显有近40倍的流动模拟在每一代。为了避免过早收敛,一些改进的GA(如微GA)可以找到最优的解决方案,但计算时间也会增加。因此,我们使用D-EDO算法来分析以下问题。

3.2.2。利用积极的交通信息与被动的交通信息

如果设置为信息实时延误,veh时间间隔ISTT是138212,高于使用积极的价值观。实时延迟信息没有考虑路径选择反馈受到堵塞。然而,所能有效缓解交通拥堵和最终疏散网络相比更安全、可靠的结果反应交通信息控制。

3.2.3。频率和TSTT Information-Updating的相关性

所需的时间间隔每information-updating差距在每个起源细胞从10到50;然后,我们计算每个TSTT information-updating频率组合在变化过程中。图中列出的结果5。尽管存在一些异常情况information-updating频率的增加创造了更高的TSTT,大多数TSTT趋势大致可以表明,更高的频率有更多的机会来创建TSTT较低。这意味着频率的增加有积极影响疏散效率的改善。

information-updating频率的建议之前,我们分类频率组分成三种类型根据TSTT的亲密。高频率通常是建议;然而,一些拐点的频率可能是更好的选择。有两个原因过高的频率不是一个更好的选择。首先,它是缺乏空间疏散效率改善高频范围如图5显示:TSTT迅速提高在低频率范围(组3),虽然提高了更慢在高频率范围(组1)。第二,它是信息收集技术的限制,不允许更新时间短。因此,频率范围在2组可能是决策者的建议。

3.2.4。相关的需求矩阵乘法因子和平均成本/撤离

如图6,当需求矩阵乘法因子低于1,平均成本/撤离增加缓慢。因素超过1时,平均成本/撤离与需求大幅增加矩阵乘法因子和变化的速度几乎是一样的。这表明网络操作使用所可能不是有效的高疏散需求范围。我们认为在这种情况下可以设置需求的边界所工作。当每个撤离的平均成本大幅增加,我们还应该取决于其他方法如逆流式车道的设计(13,14和疏散计划15)控制疏散拥堵。

4所示。结论和讨论

考虑疏散流的不确定性所构造网络疏散的方法,其中信息值从一个范围,而不是选择采用实时直接价值。路径选择工具调查的准备,我们采用一次性随机动态交通分配的约束并设置系统总出行时间最小为目标构建框架模型,在缓解过饱和的交通拥堵成本是嵌入式。D-EDO提出的算法来解决主动交通信息。与其他网络设计方法相比,D-EDO可以实现一个更准确的结果。结果表明,所能获得的客观价值低于反应交通信息控制。

我们将研究扩展到information-updating频率的影响和需求水平。information-updating频率的增加是受欢迎的。然而,拐点的频率是建议选为高科技的应用价值而不是频率。对需求的影响,平均成本/撤离迅速增加更高的需求范围。因此,所是有效的在一个特定的应用需求水平。

三个点在未来的研究应注意。(1)过度的疏散要求超出了该方法的应用范围。如何结合所和其他交通管理措施来解决过度需求是一个重要的研究方向。(2)候选人路线设置的情况下生成先天的,因为动态更新的路线是一个挑战。列生成的技术应用于静态交通分配或number-limited动态路线提出的赵和Mirchandani4可能是有用的。(3)这种方法之前,一个有前途的解决方案需要满足紧急疏散,波动延迟时间的分布函数应该调查与实地延迟数据。

利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项研究是由中国国家自然科学基金(没有。51408321)。作者感谢威斯康辛州交通运营和安全实验室。作者赞赏帮派任教授,教授本跑,刘Haixu教授,杨成,博士和彼得·j·金博士的专业建议。