基于粒子群神經網絡算法的交通樞紐火災應急疏散評價

文 | 天津城投樞紐運營管理有限公司 杜娟、包鋼集團（公司）生產部運輸處 楊虹

引言

2008年7月1日投入運營的天津站交通樞紐集城際鐵路、普通鐵路、城市地鐵、公交長途客運等功能于一體，換乘線路較多，建筑內人員相對密集。另外，樞紐規模較大，總建筑面積為23.5×104m2，地下共有4層，深約30m，同時涵蓋了3條地鐵線路的站臺層、站廳層以及地下交通換乘大廳，功能復雜且相互立體交叉，因此，如何有效應對突發狀況下的應急疏散具有重要意義。

本文以天津站交通樞紐火災的應急疏散為例，對影響人員疏散的相關安全因素進行分析，應用粒子群神經網絡算法對其進行綜合評價，來評判火災狀態下應急疏散的實施效果。

1 評價指標體系的建立及屬性值的量化

1.1 評價指標的確定

在火災應急疏散的評價體系中，各因素之間的關系是極其錯綜復雜的，該系統的評價是一個多指標、多屬性的問題。為此，結合樞紐運營實際情況，綜合考慮影響應急疏散的各種因素，建立如圖1所示的應急疏散實施效果評價指標體系結構。其中第1層為目標層，包含一個目標對象，即應急疏散實施效果，分為優、良、可、差4級，用A表示；第2層為準則層，由影響應急疏散的因素組成，包括火災報警系統、安全疏散設施、滅火系統、防護設施、日常管理等5個方面，用Bi表示，i=1,2…，5 ；第3層為因素層，由可能影響準則層的各項指標組成，用Cj表示，j=1,2…，17 。如下圖1所示：

圖1 火災應急疏散實施效果評價指標體系

1.2 指標屬性值的無量綱化

在樞紐火災應急疏散的綜合評價指標體系中，各個指標因為單位不同、量綱不同、數量級不同，在運用神經網絡進行綜合評價之前，首先將各指標屬性值統一變換到[0，1]范圍內，即對指標屬性值進行無量綱化。對越大越優型、越小越優型、越中越優型的標準化處理公式依次分別取下列三式：

式中：xmin (i)，xmax (i) ，xmid (i) 分別為評價指標集中第i個指標的最小值、最大值和中間值。

對一些不能明確可測、只能進行定性評價的指標，可采用隸屬度方法進行確定。一般評價體系中設評價指標，相對于指標評價集 V=(好，較好，一般，較差，差)的隸屬度向量為Ri=(Ri1，Ri2，Ri3，Ri4，Ri5)，此處Ri采用經驗調查，并通過集值統計方法來確定。由于火災應急疏散事關人民群眾的生命安全，對于不合格的評價目標采取“零容忍”的態度，因此本文采用的標準尺度為：優、良、可、差，即 B=[0.9，0.8，0.6，0.4，0.2]T，當數值低于0.6時為差。

2 基于粒子群神經網絡算法的交通樞紐火災應急疏散評價模型

2.1 算法簡介

目前，最常用的神經網絡模型是采用誤差逆向傳播學習法的多層前饋神經網絡(BP網絡)。該網絡模型一般有輸入層、隱含層和輸出層。相鄰層各神經元之間實現全連接，而每層各神經元之間無連接，通常所用的BP神經網絡都是三層網絡。BP神經網絡學習的過程是通過調整網絡中的連接權值使誤差E減小。應用梯度下降法，連接權值的調整量為：

式中：η為學習因子；Εk為第k個樣本的誤差。

權重調整公式為：

式中： t為訓練次數。

BP網絡具有精確尋優的能力，但其網絡模型初始權值的隨機性容易產生兩方面問題：首先，每次訓練的次數和最終權值會不相同，網絡的尋優不具有唯一性，會出現局部極小；其次，初始權值給定的隨機性還導致了訓練次數較多，收斂速度慢，特別是當輸入節點較多時，該問題尤為突出。這兩方面問題限制了其在系統綜合評價中的應用。針對上述問題，本文將BP神經網絡與粒子群算法結合起來，用粒子群優化算法替代BP算法中的梯度下降法訓練神經網絡的參數(即權值和閾值)，形成一種混合訓練算法，來改善BP算法性能，使其不易陷入局部極小，增強泛化性能，達到優化網絡的目的。

粒子群優化(Particle Swarm Optimization，PSO)算法是一種基于群體智能的進化優化算法，具有較強的宏觀搜索能力和強魯棒性，算法具有尋優的全局性。

基本粒子群優化算法描述如下：

假設在一個D維目標搜索空間中，有m個粒子組成了一個群體，其中第i個粒子表示為一個D維的向量xi=(xi1，xi2，…，xiD)，i=1,2,…，m，即表示潛在解，其飛行速度也是一個D維的向量，記作vi=(vi1，vi2，…，viD)；粒子目前搜索到的最優位置為Pi =(pi1，pi2，…，piD)，整個粒子群搜索到的最優位置為Pgi=(pg1，pg2，…，pgD)。粒子的位置和速度根據如下方程進行變化：

式中：i=1,2,…，m；d=1,2,…，D；ω為慣性權重，它決定了粒子當前速度對下一代的影響；c1，c2為加速系數(或稱學習因子)，通常取大于零的常數，兩者的相對大小反映了在演變過程中pi和pg的相對重要性；r1，r2是在[0，1]區間內均勻分布的隨機數，vid∈[－vmax，vmax]，vmax根據需要設定。

在基于粒子群優化的BP神經網絡中，用xi=(xi1，xi2，…，xid)表示一組參數值，向量中的每一維表示權值和閾值，d為BP網絡中的所有權值和閾值個數[5]；粒子的適應值即均方差指標為：

式中：n為訓練集的樣本個數； c為網絡輸出神經元的個數；Yij為第i個樣本的第j個理想輸出值；yij為第i個樣本的第j個實際輸出值。

2.2 綜合評價模型

模型采用三層前向網絡的拓撲結構，根據前面的討論，以所選的17個評價指標量化值作為網絡的輸入，故輸入層節點個數為17。網絡的輸出值表示火災應急疏散的綜合評價值，故輸出層節點數為1，而隱層節點數的選擇較為靈活，沒有確定性的理論指導，選擇是否合適也會對網絡的訓練精度和速度產生影響。一般地，隱層節點數應該大于輸入層節點數[3]，經過運算試探、綜合權衡，確定當隱層節點數取21時逼近效果最佳，則建立的神經網絡評價模型的最終拓撲結構為：17-21-1。

模型建立的具體過程如下：

1）初始化BP網絡結構，設定網絡的輸入層、隱含層、輸出層的神經元個數。

2）從已有相關應急疏散評價報告中選取相關數據進行量化，建立學習樣本(輸入、輸出)的數據文件。

3）初始化粒子群及每個粒子的速度，其中粒子群規模為輸入層至隱含層的連接權值個數、隱含層至輸出層的連接權值個數、隱含層的閾值個數和輸出層的閾值個數之和。

4）粒子群中粒子按BP網絡的前向計算方法計算出一個網絡的輸出值，代入式（8）計算出粒子的適應度fp即所有樣本的均方差。

5）將fp分別與Pbest和 gbest進行比較，確定每個粒子的個體極值點和全局最優極值點。當fp

6）根據式（6）、（7）更新粒子的速度和位置，考慮速度：若vij(t+1)>vmax，則vij(t+1)＝vmax若vij(t+1)<－vmax，則vij(t+1)＝－vmax；考慮位置：若xij(t+1)> xmax，則xij(t+1)＝xmax，若xij(t+1)< xmin，則xij(t+1) =xmin；否則xij(t+1)不變，其中，ω為慣性因子、α為速度約束因子，vmax、xmax、xmin都是常數，由用戶設定，如果更新后每個粒子通過搜索所產生的下一個位置不在可行域，則保持該粒子位置不變。

7）采用離線性能準則來評價網絡的性能，公式如下：

式中：iter為算法當前迭代次數；fun(gbest,i)為第 i 次迭代的全局最優值的適應度。

8）判斷是否滿足迭代停止條件（預先確定的最大迭代次數或式(9)的值滿足精度要求），是則算法收斂，停止搜索，輸出全局極值和全局最優位置，否則繼續迭代。

3 評價模型應用

以2009年至2013年天津站交通樞紐火災應急疏散演練為例。依據本文方法進行量化，建立學習樣本（輸入、輸出）的數據文件，輸入到已經訓練好的基于PSO-BP算法的評價模型中，運行出的綜合評價結果，其擬合度值為分別為[0.9746、0.8843、0.8313、0.8527、0.9050]，如下圖2所示，實施效果分別為優、良、良、良、優。經檢驗，采用本文評價方法的評價結果與實際結果基本一致，說明該模型具有很好的實用性。

圖2 基于PSO-BP算法的交通樞紐火災應急疏散評價結果

4 結論

應用基于PSO-BP算法的綜合評價模型對交通樞紐火災應急疏散效果進行評價，可將定性分析和定量分析相結合，通過全面考慮影響安全疏散的各種因素，真實、合理的反應出交通樞紐在發生火災的情況下應急疏散的實施效果。需要說明的是，由于不同城市實際工作條件和天氣等自然環境的不同，在評價指標的選擇及權重的確定時，應進行必要的調整。

[1] 周長春，陳勇剛。基于人工神經網絡的城市火災事故的預測方法[J].中國安全科學學報， 2005，15(5)：2l-23。

[2] 閻平凡，張長水。人工神經網絡與模擬進化計算[M](第2版). 北京：清華大學出版社，2005。

[3] 潘昊，侯清蘭。基于粒子群優化算法的BP網絡學習研究[J]。計算機工程與應用，2006，(16)：41-46。

[4] 竇麗潔。地鐵人員疏散基本參數的測算與分析[J]. 消防科學與技術，2013，(1)：19-22。

[5] 王浩,洪玲,徐瑞華。突發事件下地鐵車站人員疏散引導分析[J].城市軌道交通2012， (1)：70-74。