1.多灾害点应急疏散方法,其特征在于:包括,
建立一种危险区域横穿检测机制,实现对灾民疏散过程中横穿危险区域概率的有效评估,并获得危险区域穿越人数,其中,所述危险区域穿越人数表示可能穿越危险区域的人数;
建立一种避难所负载平衡机制,实现对避难所负载情况的准确描述,并获得避难所负载惩罚,其中,所述避难所负载惩罚表示全体避难所负载惩罚值之和,单个避难所的负载惩罚值将根据该避难所接收灾民数与其预设最大容量的比例关系计算得出;
建立一种考虑绕行危险区域的疏散距离计算方式,获得疏散距离,其中,所述疏散距离表示全体受灾人员疏散至对应避难所的距离之和;
根据所述危险区域穿越人数、所述避难所负载惩罚、所述疏散距离,获得疏散成本;
所述一种危险区域横穿检测机制包括以下子步骤:
S1-1:确定灾害点位置,划定危险区域;
建立平面直角坐标系,将其视作实验区域;
灾害点dk看作实验区域内的一个点并依据其烈度设置一个覆盖半径rk;
灾害点dk的覆盖范围即为以为圆心,半径为rk的圆形区域;
重复上述步骤,直到所有灾害点遍历完毕;
S1-2:单个疏散分配Ri={vi,sj}横穿危险区域检测;
对疏散方案S中的任意一组分配Ri={vi,sj},表示第i个受灾人员被分配至避难所j,建立vi与sj的线段li,j;其中,vi表示受灾人员,sj表示避难所,Ri表示第i个受灾人员被分配至避难所j;
分别计算灾害点dk与vi,sj,li,j的欧式距离
若中的任意一个小于灾害点dk的覆盖半径rk,表明第i个受灾人员向避难所j疏散的过程中存在横穿灾害点dk覆盖范围的可能性,则将横穿判别因子置为1;
若均大于半径rk,表明受灾人员vi向避难所sj疏散过程中,不会横穿灾害点dk的覆盖范围,将横穿判别因子置0;
计算灾害点dk+1与vi,sj,li,j的欧式距离,并重复上述步骤,直至遍历所有的灾害点;
S1-3:疏散方案整体横穿危险区域检测;
单个疏散分配Ri={vi,sj}横穿危险区域检测完毕后,将获得一个判别序列对该序列中的元素求和,即若ci,j≥1,表明受灾人员vi向避难所sj疏散过程中存在横穿灾害覆盖范围的现象,将判别因子Ci置1;
若ci,j=0,表明受灾人员vi向避难所sj疏散过程中没有横穿灾害覆盖范围的现象,将判别因子Ci置0;
判断疏散方案S中的下一组分配Ri+1是否存在横穿现象,重复上述步骤,直至遍历整个疏散方案;
遍历完疏散方案后,得到另一个判别因子序列对序列元素求和,即有危险区域穿越人数所述一种避难所负载平衡机制包括以下子步骤:
单个避难所负载惩罚值计算:
其中,recj表示在疏散方案S中,避难所sj接收受灾人员的数量,通过计算疏散方案S中,sj的出现次数计算得到;capj表示容量信息;
表示避难所sj适宜的接收数量范围,是接收下界,是接收上界,将其设置为[0.4×capj,0.8×capj];
α和β分别表示接收人数过低和接收人数过高的惩罚系数,稀疏惩罚系数α=-1/0.4capj,拥挤惩罚系数β=1/0.2capj;
和表示容量判别因子,若置1,否则置0;若置1,否则置0;
重复上述步骤,计算避难所sj+1的负载惩罚值,直至所有避难所遍历完毕;
将所有避难所的负载惩罚值相加,即得到疏散方案S避难所负载惩罚Penalty(S|I):所述一种考虑绕行危险区域的疏散距离计算方式包括以下子步骤:
当Ri={vi,sj}的横穿判断因子Ci为1时,表示分配Ri会导致灾民在疏散过程中横穿危险区域,增加路线冗余,即增加分配Ri对应的疏散距离,计算方式如下:为分配Ri={vi,sj}中受灾人员的疏散距离,为受灾人员vi与避难所sj的直线距离,此处采用欧式距离,γ为冗余因子,Ci为Ri的横穿判断因子;
之后计算下一个分配Ri+1对应的疏散距离,直到疏散方案S遍历完毕;
将所有分配的疏散距离相加,即获得疏散方案的总疏散距离Length(S|I):
2.根据权利要求1所述的多灾害点应急疏散方法,其特征在于:所述疏散成本=危险区域穿越人数+所述避难所负载惩罚+疏散距离,即:其中,Cost(S|I)为疏散成本,Length(S|I)为疏散距离,Penalty(S|I)为避难所负载惩罚,Count(S|I)为危险区域穿越人数,和分别表示目标函数中的三个分量的权重。
3.多灾害点应急疏散规划方法,其特征在于:应用于如权利要求1-2任一项所述多灾害点应急疏散方法,包括以下子步骤,T1:模拟多灾害应急疏散场景,生成大量疏散问题实例,用于训练算法参数;
T2:对单个疏散实例中各个对象的信息进行数据处理,并实现特征提取,获得问题的整体观察,并通过所述整体观察生成疏散方案;
T3:对单个疏散实例进行评估,生成预期疏散成本,并将其与所述疏散方案的实际疏散成本比较,并基于策略梯度算法实现算法参数更新;
步骤T2包括以下子步骤,
T2-1:将灾民信息映射至特定维度,并发掘灾民信息中的关系特征,并将所述关系特征组合成为灾民信息的全局嵌入;
T2-2:将避难所信息映射至特定维度,并发掘避难所信息的特征,并获得避难所信息的全局嵌入;
T2-3:将灾害点信息映射至特定维度,并发掘灾害点信息的特征,并获得灾害点信息的全局嵌入;
T2-4:将所述灾民信息的全局嵌入、所述避难所信息的全局嵌入和所述灾害点信息的全局嵌入整合,成为算法对疏散问题的整体观察,并对所述整体观察解码,获得灾民选择不同避难所的概率,即疏散概率;基于所述疏散概率建立一种参数化分布,并利用采样手段实现灾民与避难所的分配;将所述分配组合,即获得算法生成的疏散方案。
4.多灾害点应急疏散规划系统,其特征在于:应用于如权利要求3所述的多灾害点应急疏散规划方法,包括,环境模块,用于模拟多灾害应急疏散场景,生成大量疏散问题实例,用于训练算法参数;
策略模块,用于对单个疏散实例中各个对象的信息进行数据处理,并实现特征提取,获得问题的整体观察,并通过所述整体观察生成疏散方案;
评估模块,用于对单个疏散实例进行评估,生成预期疏散成本,并将其与所述疏散方案的实际疏散成本比较,并基于策略梯度算法实现算法参数更新。
5.根据权利要求4所述的多灾害点应急疏散规划系统,其特征在于:所述策略模块包括:灾民信息编码器,用于将灾民信息映射至特定维度,并发掘灾民信息中的关系特征,并将所述关系特征组合成为灾民信息的全局嵌入;
避难所信息编码器,用于将避难所信息映射至特定维度,并发掘避难所信息的特征,并获得避难所信息的全局嵌入;
灾害点信息编码器,用于将灾害点信息映射至特定维度,并发掘灾害点信息的特征,并获得灾害点信息的全局嵌入;
决策解码器,用于将所述灾民信息的全局嵌入、所述避难所信息的全局嵌入和所述灾害点信息的全局嵌入整合,成为算法对疏散问题的整体观察,并对所述整体观察解码,获得灾民选择不同避难所的概率,即疏散概率;基于所述疏散概率建立一种参数化分布,并利用采样手段实现灾民与避难所的分配;将所述分配组合,即获得算法生成的疏散方案。
6.根据权利要求5所述的多灾害点应急疏散规划系统,其特征在于:所述灾民信息编码器由若干个注意力层构成,所述注意力层用于接收经过初始嵌入层后且被映射至指定维度空间的灾民信息;
所述注意力层包含两个子层,分别是多头自注意力层和前馈层;
所述多头自注意力层用于接收所述灾民信息,并计算获得多头自注意力值;其中,所述多头自注意力值用于进行批标准化处理与跳转连接操作,获得多头自注意力层输出;
所述前馈层用于接收所述多头自注意力层输出,并对所述多头自注意力层输出进行两次线性映射,并用Relu函数激活,其中,对所述前馈层的线性映射值进行批标准化处理与跳转连接操作,从而获得前馈层输出,所述前馈层输出将作为输入传递至下一个所述注意力层,重复上述过程,直到所有所述注意力层被遍历,即获得灾民信息的最终嵌入,将所述灾民信息的最终嵌入整合,即获得所述灾民信息的全局嵌入;
所述避难所信息编码器、所述灾害点信息编码器结构相同,包括若干个GRU单元,所述GRU单元数量分别与避难所数量和灾害点数量保持一致;
所述GRU单元用于接收当前避难所信息的初始嵌入或者灾害点信息的初始嵌入,以及上一个所述GRU单元输出的隐藏状态,计算得出当前避难所信息的隐藏状态或者灾害点信息的隐藏状态,并发送至下一个所述GRU单元;
重复上述过程,直到所有所述GRU单元被遍历,最后一个所述GRU单元输出的嵌入信息即为避难所信息的全局嵌入或者灾害点信息的全局嵌入。
7.多灾害点应急疏散系统,其特征在于:应用于如权利要求3所述的多灾害点应急疏散规划方法,由云-边-端三层架构组成,包括模型训练阶段与疏散响应阶段,所述三层架构包括装有定位器且具备通信能力的移动终端、具有计算和通信能力的边缘节点、用于生成疏散实例的数据服务器、用于训练应急疏散模型的机器学习服务器、用于疏散决策且具备通信能力的疏散响应服务器;
其中,所述模型训练阶段在云中完成,由所述数据服务器生成大量疏散实例并发送至所述机器学习服务器,所述机器学习服务器将利用疏散实例训练并优化疏散模型中的参数,并将疏散模型拆分为初始嵌入模型与决策模型,所述初始嵌入模型将被发送至边缘节点,所述决策模型将被发送至疏散响应服务器;
所述疏散响应阶段由云-边-端共同执行,所述移动终端将收集灾民信息并上传至所述边缘节点,所述边缘节点将收集灾害点信息,完成灾民信息的初始嵌入,并将所述灾害点信息与灾民信息初始嵌入上传至疏散响应服务器,所述疏散响应服务器将整合灾害点信息,选择安全的避难所,并利用所述决策模型完成灾害点信息与避难所信息的嵌入,并将所述灾害点信息嵌入、避难所信息嵌入与接收到的灾民信息嵌入整合获得问题整体观察,所述决策模型将对整体观察解码,最终获得疏散方案,所述疏散方案将被发送至所述边缘节点,所述边缘节点将完成灾民的疏散引导。