基于粒子群神经网络算法的交通枢纽火灾应急疏散评价

文 | 天津城投枢纽运营管理有限公司 杜娟、包钢集团（公司）生产部运输处 杨虹

引言

2008年7月1日投入运营的天津站交通枢纽集城际铁路、普通铁路、城市地铁、公交长途客运等功能于一体，换乘线路较多，建筑内人员相对密集。另外，枢纽规模较大，总建筑面积为23.5×104m2，地下共有4层，深约30m，同时涵盖了3条地铁线路的站台层、站厅层以及地下交通换乘大厅，功能复杂且相互立体交叉，因此，如何有效应对突发状况下的应急疏散具有重要意义。

本文以天津站交通枢纽火灾的应急疏散为例，对影响人员疏散的相关安全因素进行分析，应用粒子群神经网络算法对其进行综合评价，来评判火灾状态下应急疏散的实施效果。

1 评价指标体系的建立及属性值的量化

1.1 评价指标的确定

在火灾应急疏散的评价体系中，各因素之间的关系是极其错综复杂的，该系统的评价是一个多指标、多属性的问题。为此，结合枢纽运营实际情况，综合考虑影响应急疏散的各种因素，建立如图1所示的应急疏散实施效果评价指标体系结构。其中第1层为目标层，包含一个目标对象，即应急疏散实施效果，分为优、良、可、差4级，用A表示；第2层为准则层，由影响应急疏散的因素组成，包括火灾报警系统、安全疏散设施、灭火系统、防护设施、日常管理等5个方面，用Bi表示，i=1,2…，5 ；第3层为因素层，由可能影响准则层的各项指标组成，用Cj表示，j=1,2…，17 。如下图1所示：

图1 火灾应急疏散实施效果评价指标体系

1.2 指标属性值的无量纲化

在枢纽火灾应急疏散的综合评价指标体系中，各个指标因为单位不同、量纲不同、数量级不同，在运用神经网络进行综合评价之前，首先将各指标属性值统一变换到[0，1]范围内，即对指标属性值进行无量纲化。对越大越优型、越小越优型、越中越优型的标准化处理公式依次分别取下列三式：

式中：xmin (i)，xmax (i) ，xmid (i) 分别为评价指标集中第i个指标的最小值、最大值和中间值。

对一些不能明确可测、只能进行定性评价的指标，可采用隶属度方法进行确定。一般评价体系中设评价指标，相对于指标评价集 V=(好，较好，一般，较差，差)的隶属度向量为Ri=(Ri1，Ri2，Ri3，Ri4，Ri5)，此处Ri采用经验调查，并通过集值统计方法来确定。由于火灾应急疏散事关人民群众的生命安全，对于不合格的评价目标采取“零容忍”的态度，因此本文采用的标准尺度为：优、良、可、差，即 B=[0.9，0.8，0.6，0.4，0.2]T，当数值低于0.6时为差。

2 基于粒子群神经网络算法的交通枢纽火灾应急疏散评价模型

2.1 算法简介

目前，最常用的神经网络模型是采用误差逆向传播学习法的多层前馈神经网络(BP网络)。该网络模型一般有输入层、隐含层和输出层。相邻层各神经元之间实现全连接，而每层各神经元之间无连接，通常所用的BP神经网络都是三层网络。BP神经网络学习的过程是通过调整网络中的连接权值使误差E减小。应用梯度下降法，连接权值的调整量为：

式中：η为学习因子；Εk为第k个样本的误差。

权重调整公式为：

式中： t为训练次数。

BP网络具有精确寻优的能力，但其网络模型初始权值的随机性容易产生两方面问题：首先，每次训练的次数和最终权值会不相同，网络的寻优不具有唯一性，会出现局部极小；其次，初始权值给定的随机性还导致了训练次数较多，收敛速度慢，特别是当输入节点较多时，该问题尤为突出。这两方面问题限制了其在系统综合评价中的应用。针对上述问题，本文将BP神经网络与粒子群算法结合起来，用粒子群优化算法替代BP算法中的梯度下降法训练神经网络的参数(即权值和阈值)，形成一种混合训练算法，来改善BP算法性能，使其不易陷入局部极小，增强泛化性能，达到优化网络的目的。

粒子群优化(Particle Swarm Optimization，PSO)算法是一种基于群体智能的进化优化算法，具有较强的宏观搜索能力和强鲁棒性，算法具有寻优的全局性。

基本粒子群优化算法描述如下：

假设在一个D维目标搜索空间中，有m个粒子组成了一个群体，其中第i个粒子表示为一个D维的向量xi=(xi1，xi2，…，xiD)，i=1,2,…，m，即表示潜在解，其飞行速度也是一个D维的向量，记作vi=(vi1，vi2，…，viD)；粒子目前搜索到的最优位置为Pi =(pi1，pi2，…，piD)，整个粒子群搜索到的最优位置为Pgi=(pg1，pg2，…，pgD)。粒子的位置和速度根据如下方程进行变化：

式中：i=1,2,…，m；d=1,2,…，D；ω为惯性权重，它决定了粒子当前速度对下一代的影响；c1，c2为加速系数(或称学习因子)，通常取大于零的常数，两者的相对大小反映了在演变过程中pi和pg的相对重要性；r1，r2是在[0，1]区间内均匀分布的随机数，vid∈[－vmax，vmax]，vmax根据需要设定。

在基于粒子群优化的BP神经网络中，用xi=(xi1，xi2，…，xid)表示一组参数值，向量中的每一维表示权值和阈值，d为BP网络中的所有权值和阈值个数[5]；粒子的适应值即均方差指标为：

式中：n为训练集的样本个数； c为网络输出神经元的个数；Yij为第i个样本的第j个理想输出值；yij为第i个样本的第j个实际输出值。

2.2 综合评价模型

模型采用三层前向网络的拓扑结构，根据前面的讨论，以所选的17个评价指标量化值作为网络的输入，故输入层节点个数为17。网络的输出值表示火灾应急疏散的综合评价值，故输出层节点数为1，而隐层节点数的选择较为灵活，没有确定性的理论指导，选择是否合适也会对网络的训练精度和速度产生影响。一般地，隐层节点数应该大于输入层节点数[3]，经过运算试探、综合权衡，确定当隐层节点数取21时逼近效果最佳，则建立的神经网络评价模型的最终拓扑结构为：17-21-1。

模型建立的具体过程如下：

1）初始化BP网络结构，设定网络的输入层、隐含层、输出层的神经元个数。

2）从已有相关应急疏散评价报告中选取相关数据进行量化，建立学习样本(输入、输出)的数据文件。

3）初始化粒子群及每个粒子的速度，其中粒子群规模为输入层至隐含层的连接权值个数、隐含层至输出层的连接权值个数、隐含层的阈值个数和输出层的阈值个数之和。

4）粒子群中粒子按BP网络的前向计算方法计算出一个网络的输出值，代入式（8）计算出粒子的适应度fp即所有样本的均方差。

5）将fp分别与Pbest和 gbest进行比较，确定每个粒子的个体极值点和全局最优极值点。当fp

6）根据式（6）、（7）更新粒子的速度和位置，考虑速度：若vij(t+1)>vmax，则vij(t+1)＝vmax若vij(t+1)<－vmax，则vij(t+1)＝－vmax；考虑位置：若xij(t+1)> xmax，则xij(t+1)＝xmax，若xij(t+1)< xmin，则xij(t+1) =xmin；否则xij(t+1)不变，其中，ω为惯性因子、α为速度约束因子，vmax、xmax、xmin都是常数，由用户设定，如果更新后每个粒子通过搜索所产生的下一个位置不在可行域，则保持该粒子位置不变。

7）采用离线性能准则来评价网络的性能，公式如下：

式中：iter为算法当前迭代次数；fun(gbest,i)为第 i 次迭代的全局最优值的适应度。

8）判断是否满足迭代停止条件（预先确定的最大迭代次数或式(9)的值满足精度要求），是则算法收敛，停止搜索，输出全局极值和全局最优位置，否则继续迭代。

3 评价模型应用

以2009年至2013年天津站交通枢纽火灾应急疏散演练为例。依据本文方法进行量化，建立学习样本（输入、输出）的数据文件，输入到已经训练好的基于PSO-BP算法的评价模型中，运行出的综合评价结果，其拟合度值为分别为[0.9746、0.8843、0.8313、0.8527、0.9050]，如下图2所示，实施效果分别为优、良、良、良、优。经检验，采用本文评价方法的评价结果与实际结果基本一致，说明该模型具有很好的实用性。

图2 基于PSO-BP算法的交通枢纽火灾应急疏散评价结果

4 结论

应用基于PSO-BP算法的综合评价模型对交通枢纽火灾应急疏散效果进行评价，可将定性分析和定量分析相结合，通过全面考虑影响安全疏散的各种因素，真实、合理的反应出交通枢纽在发生火灾的情况下应急疏散的实施效果。需要说明的是，由于不同城市实际工作条件和天气等自然环境的不同，在评价指标的选择及权重的确定时，应进行必要的调整。

[1] 周长春，陈勇刚。基于人工神经网络的城市火灾事故的预测方法[J].中国安全科学学报， 2005，15(5)：2l-23。

[2] 阎平凡，张长水。人工神经网络与模拟进化计算[M](第2版). 北京：清华大学出版社，2005。

[3] 潘昊，侯清兰。基于粒子群优化算法的BP网络学习研究[J]。计算机工程与应用，2006，(16)：41-46。

[4] 窦丽洁。地铁人员疏散基本参数的测算与分析[J]. 消防科学与技术，2013，(1)：19-22。

[5] 王浩,洪玲,徐瑞华。突发事件下地铁车站人员疏散引导分析[J].城市轨道交通2012， (1)：70-74。