灾害气候下交通枢纽滞留旅客转移模型仿真研究

沈洋罗正军(南京航空航天大学经济与管理学院南京,210016)摘要本文在概要介绍应急管理和多主体仿真建模与分析工具应用情况的基础上,针对灾害气候中各重要交通枢纽(汽车站、火车站、机场等)有大面积人群滞留的情况,采用贝叶斯网络和影响图作为建模工具,研究和设计了滞留旅客转移决策过程模型,并采取面向对象的设计方法,使用Java语言在Repast平台下建立了一个该问题的多主体仿真模型,通过仿真数据分析了滞留旅客在各个交通枢纽的转移模式,分析并提出了一个该问题的优化方案,进而为政府在该问题中的应急管理决策提出了政策建议.

关键词:灾害管理;系统建模;系统仿真;影响图;多主体模型中图分类号:N945StudyonModelingandSimulatingofStrandedPassengersTransferingamongTransportationHubsinClimateDisasterShenYang,LuoZhengjun(CollegeofEconomics&Management,NanjingUniversityofAero.
&Astro.
Nanjing,210016)AbstractAccordingtothecaseoflargecrowdbeingstrandedattransportationhubs(suchasbusstation,railwaystation,airport,etc.
)inclimatedisasters,amodelisdesignedtodescribepassengers'delayandtranferamongtransportationhubs.
Theauthorsbelievethattheweather,trafficnodestatus(openorclosed),theservicestatus(normal,delayedorcanceled),estimatedwaittimeandestimatedtransfercostarethemainfactorindecision-makingofpassengers.
Bayesiannetworkandinfluencediagramareusedinmodeltodescribepassenger'sdecision-makingprocess,andamulti-agentsimulationmodelisdevelopedinRepastplatform.
Throughthesimulationdata,strandedpassengers'transfermodeindifferenttransporthubsisanalyzed,andtheoptimizationsolutionisestablished,thenthepolicyrecommendationsforthegovernment'semergencymanagementoftheproblemareproposed.
Keywords:disastermanagement;systemmodeling;systemsimulation;influencediagram;multi-agentmodel1.
引言近年来,我国不断发生一些非常规突发事件,对社会安定和居民生活造成了严重的影响.
如2003年的SARS事件、2008年春南方雪灾及2008年的汶川地震、2010年玉树地震等.
新的形势要求政府在新时期提高应急管理水平,从而能够在非常规突发事件发生时进行迅速且科学的决策.
因此,建立非常规突发事件中各种问题的合理模型,并对模型进行深入分析和研究具有重要的意义.

国内外学者对政府应急管理做出了大量研究.
这些研究主要集中在应急资源布局问题、警力部署问题、资源评估问题、人员撤离问题、应急预案及应急反应模式等方面[1-3].
对突发事件造成交通受阻时,旅客在交通枢纽的滞留和转移问题的研究尚未见报道.
此外,目前文献中对应急管理的研究多从宏观角度进行统计分析,不可避免地忽略了一些或许是重要的影响因素,研究人在群体中进行决策的学者们也越来越多地认识到建立微观研究模型的重要性[4,5].
另一方面,最近10年来以CAS(ComplexAdaptiveSystems)为代表的复杂性科学得到了迅速的发展,出现了如Swarm,Repast等较成熟的多主体建模与仿真分析工具.
国内学者也开始在多个领域广泛地使用多主体建模与仿真工具辅助研究:任玉珑等人以Swarm为工具对发电企业的经营过程进行了分析[6],倪跃使用Repast仿真分析了第三方物流库存决策情况[7],孙永强则将Repast应用于作战仿真分析领域[8].
本文不仅将多主体仿真方法应用于应急管理领域,且探索了不确定因素对复杂环境中主体决策的影响,为建立起更加成熟有效的多主体社会系统模型奠定了基础.
本文针对非常规突发事件(如雪灾)中各重要交通枢纽(汽车站、火车站、机场等)有大面积人群滞留的情况,以滞留旅客个体为研究对象,采用贝叶斯网络和影响图描述旅客在不确定环境下的决策过程,研究和设计了旅客滞留和转移决策过程微观模型,并在Repast环境下开发了该问题的多主体仿真模型,通过对仿真数据的分析,得到了一些有益的结论,进而为政府应急管理决策提出了政策建议.

2.
交通枢纽滞留旅客转移模型限于篇幅,作者建立的交通枢纽滞留旅客转移模型的详细计算过程和算例分析将另文描述,该模型的核心内容可概括如下.
2.
1问题描述设某城市的交通运输系统如图1所示,其中节点1、2、3分别代表汽车站、火车站和飞机场,节点I表示旅客的输入,节点O表示旅客的输出,即旅客离开该交通系统,到达目的地(或放弃出行).
图1交通运输系统示意图按照旅客对时间和费用的不同承受能力可以将其划分为A、B、C三类,其中A类人群以劳务人员为代表,他们比较注重经济成本,而对时间成本要求不高;而C类人群是商务人士,他们往往更看重时间成本,相对来说对成本不太敏感;B类则为其他人群.

2.
2.
滞留旅客转移决策模型的贝叶斯网络和影响图贝叶斯网络主要用于对不确定环境建模,同时,它也能与影响图结合反映出模型中存在因果关系事件的相互影响[9],而对不确定环境建模的目的则往往是需要将所建立的模型用于决策过程.
本文采用影响图来描述旅客在灾害气候下进行运输节点转移决策的模型,如图2所示.

图2旅客运输节点转移决策影响图旅客在运输节点间转移决策的影响图由一个决策节点Move,一个效用节点U和一个包含5个事件的贝叶斯网络组成.
在这里,可以将贝叶斯网络理解为旅客在不确定的天气条件和其他决策因素下对自己进行某个转移决策后的可能等待时间和花费转移成本的思考过程.
本文模型贝叶斯网络中各事件的含义与取值见表1.

表1贝叶斯网络中各节点的含义与取值事件名称含义值域WeatherStaterStatenTimeCost天气情况班次状态交通节点状态滞留时间m0至m转移成本{好,坏}{正常,延误,取消}{正常,关闭}{tnormal,tdelay,tcancle}{}表中,tnormal,tdelay,tcancle分别为班次正常时滞留时间,班次延误时滞留时间和班次取消时滞留时间;crefund,c分别为退票成本和购新票成本,为临时购票系数(表示旅客在转移到其他节点时可能无法以原价购票),crefund,c,均为常数.
贝叶斯网络中的有向线段表示事件之间的因果关系,如图1中天气的恶化将可能导致交通节点的关闭和班次的延误,班次的延误或或取消又可能导致滞留时间增长.
在图1中,除天气事件发生的概率P(W)为自然概率外,其余事件发生的概率均为其父事件(因果关系的源端)的条件概率.
在仿真计算时,根据设定的一系列条件概率表(Conditionalprobabilitytable,CPT)来计算相关事件的发生概率.
需要指出的是,若有证据表明某事件已经发生,即某个事件节点不再有不确定性时,则该节点之前的因果关系不再发挥作用.
例如,在计算滞留事件时,若已发布某班次的延误信息,则天气和交通节点状态不再影响计算结果.

2.
3旅客的转移决策过程滞留旅客在考虑是否由交通节点m0转移至节点m时,首先根据天气天气情况自然概率和条件概率计算节点状态概率;然后由,和条件概率计算班次状态概率;接着由及m节点滞留旅客人数估计值、退票和新购票费用等环境信息评估转移至m节点的时间效用期望和成本效用期望,并根据自身的时间和成本敏感程度计算出总效用;最后,根据计算至各节点的转移概率.

旅客评估目标节点效用的计算过程可由以下模型概括:(1)式中,表示m节点班次状态为时的滞留时间,,表示该类型旅客所能承受的时间上限;为转移至m节点的期望转移成本,表示该类型旅客所能承受的转移成本上限;w为成本效用与时间效用的相对权重.
其中(2)式中为该旅客班次取消通告标识,表示系统已发布该旅客所乘班次取消通告.
旅客在进行决策选择时,舍弃效用小于0的方案,并根据剩余方案的效用期望值计算转移概率(3)式中.
若任一方案的效用均小于0,则用户将放弃出行,离开系统.
3.
多主体仿真模型本节在上文建立的模型基础上,在Repast环境下构造该问题的多主体仿真模型.
3.
1Repast下的仿真模型Repast(RecursivePorousAgentSimulationToolkit)是芝加哥大学社会科学计算研究中心研制的面向对象的多主体建模工具(使用Java或C#语言实现),它提供了一系列用以生成、运行、显示和收集数据的类库,并能对运行中的模型进行"快照",记录某一时刻模型的当前状态,还可以生成模型运行过程中状态动态演化的视频资料.
利用Repast建立一个基于主体的模型通常包括两步.
首先是设置模型,为模型的运行做数据准备;第二步是实际运行模型的动作规定.
在Repast中,模型的运行按时间步(timestamps)或称标记(tick)来推进.
每一个标记上,各个主体发生一些行为或状态的变化,众多主体在这个标记上的行为建立在其之前行为的结果上.

本文模型的仿真实验流程如图3所示.
图3仿真流程图在本文开发的仿真模型中,首先在创建步骤中创建一个40*40的网格作为仿真空间.
并在网格中创建三个交通枢纽节点主体(TrafficNode)分别代表汽车站、火车站和机场;然后按设定的交通节点初始人数及旅客类型(劳务人员、商务人士和其他人群)比例创建旅客主体(Passenger)并将其加入到仿真环境中.
在仿真过程的每个标记中,TrafficNode按预定的运输能力输出一定数目的Passenger至系统外,同时按预定的旅客进入速度创建新的Passenger主体;对仍在系统中的Passenger主体而言,在每个标记都将按第2节所描述的逻辑进行转移决策.

作者采用Java语言本文设计的仿真模型程序的主要类图如图4所示.
图4仿真模型程序的主要类图在本文设计的仿真模型中,主要的类包括SimpleAgent、TrafficNode、Passenger、TNContextCreator和Utility.
SimpleAgent对象代表Repast仿真环境中的一个抽象的主体;TrafficNode类和Passenger类是SimpleAgent类的子类,分别代表交通节点和旅客,系统的动态演变过程主要由这两个类的相应方法实现,其中重要方法的含义见表2.
TNContextCreator用来生成仿真网格空间,在Utility类中则维护了各种仿真参数.

表2主体类重要方法含义方法名称所属类含义inputPassengeroutputPassengerstepfindFreeRoomaddPassengerremovePassengermovegetPMovegetEUdieTrafficNodeTrafficNodeTrafficNode,PassengerTrafficNodeTrafficNodeTrafficNodePassengerPassengerPassengerPassenger输入一定数量旅客至网络中输出一定数量旅客离开网络每个仿真时刻自动调用的方法找出交通节点的空闲位置将旅客加入到本节点中从节点中移除一个特点旅客旅客的转移决策过程计算转移概率计算效用期望旅客因无法接受所有方案而离开网络3.
2仿真实验结果及分析本文建立灾害气候下交通枢纽滞留旅客转移模型并进行仿真研究的基本出发点在于通过建模和仿真研究旅客在灾害气候下的转移模式,进而研究不同的政策对旅客转移决策的影响,从而为制定旅客疏导政策提供依据.
本文认为,衡量系统运作效率的最重要指标是通过交通节点离开系统的旅客人数,即在具有较好效率的系统中因各种转移决策(包括留在原节点)的效用均小于0而放弃出行的旅客人数应较少,反之亦然.

3.
2.
1旅客转移模式仿真实验作者按设定的算例数据在Repast环境中进行仿真实验,仿真初始时旅客的分布情况如图5所示.
图5旅客转移模式仿真初始分布图中,三个较大的五角星分别表示机场(左上)、汽车站(左下)和火车站(右),圆形、方框和倒三角则分别表示A,B,C类旅客,初始时,各交通节点人数依次为Ni={300,600,200},在各节点每种旅客所占人数的比例依次为Rij={{0.
6,0.
3,0.
1},{0.
5,0.
3,0.
2},{0.
2,0.
4,0.
4}}.
在经过150单步仿真后,结果如图6,7所示.
图6算例数据仿真结束时旅客分布图7算例数据放弃出行旅客人数其中,图6为150次单步仿真后各类型旅客在各节点的分布图;图7则为因交通节点拥堵而放弃出行的旅客人数统计图.
从仿真结果中可得出以下以上文算例数据为基础的观察结论:(1)在经过一定次数的旅客转移后,各交通节点旅客人数均在一个较窄的区间内波动,表明本文所设计的旅客转移模型是稳定和收敛的.
(2)仿真实验数据中反映出的旅客转移模式可归纳为:更多旅客在进行转移决策时倾向于转移到成本低廉,而滞留人数相对于火车站而言较少的汽车站(即使汽车站空间已饱和,其绝对人数仍少于火车站),而对少数商务人士而言,他们则有较大的倾向以时间作为更重要的决策因素.

(3)若以上文所述的系统优劣判断指标来评价该系统,可发现在未经任何政策干预和引导的条件下,系统的性能较差.
在进行150次单步仿真后,进入系统的总人数为19500人,放弃出行人数约为4600人,占总人数的23%左右.

(4)各交通节点内的旅客构成也发生了变化.
例如在机场,仿真至稳态后以商务人士为代表的C类旅客所占比例明显增加,而以劳务人员为代表的A类旅客人数则只占一个很小的比例.
5.
2.
2优化方案仿真实验为找出提高系统性能的影响因素,进而提出引导政策建议,作者从各交通节点信息公开(使得旅客可准确获取其他节点的滞留人数)、降低退票和购票费、及时公布班次延误或取消状态等几个方面进行了大量仿真实验,得出的优化方案与初始算例数据相比,做了以下参数调整:取消退票费用,即将crefund置为0;将临时购票系数向量由{1,1.
5,1}调整为{2.
5,1,0.
4};在班次延误和取消时及时发布通告;实时地对旅客公布各交通节点的滞留人数信息,这样,旅客在评估转移至其他节点后的等待时间时,将不再估计其他节点人数,而是由发布的数据计算.
优化方案的仿真实验结果如图8,9所示.
图8优化方案仿真结束时旅客分布图9优化方案放弃出行旅客人数从图中可以看出,优化方案下的仿真结果对各交通节点的空间利用率均较充分,而放弃出行人数也大大降低,在进行150次单步仿真后仅为8人,说明上述几项调整方案是有效的.
取消退票费用,降低了旅客转移到其他交通节点的障碍;调整购票系数,使更多旅客由拥挤的汽车站转移到火车站和机场,起到了均衡利用资源的效果;而及时发布延误和取消通告和各交通节点的滞留人数,则使旅客的决策更加准确.
在大量仿真实验中作者还发现了一个有趣的现象:实时公布各交通节点的滞留人数这一策略在不同的数据环境下表现出了明显不同的效果.
当各交通节点的空间利用率失衡时,实时公布各交通节点的滞留人数并不能对系统运作效率起到显著改善作用,在某些极端条件下反而会使放弃出行的旅客人数略微增多,但当各交通节点的空间利用率在其他因素作用下已较均衡时,该策略能起到较明显的进一步改善系统效率的作用.
实验数据表明,在上文所述优化方案中若不对旅客公布各交通节点的滞留人数,则放弃出行人数上升至95人.
作者认为,产生这种现象的原因是在不具备其他保障条件的情况下公布该项信息可能导致大批旅客的盲动,在制定疏导政策时应充分考虑这个问题.