شبیه‌سازی رفتار عابرپیاده در فرآیند تخلیه از محیط پویا با استفاده از رویکرد عامل‌بنیان

امروزه مطالعات رفتار انسان به عنوان یکی از ملزومات فنی در طراحی زیرساخت‌های عمرانی در نظر گرفته می‌شود. بررسی و پیش‌بینی تصمیمات افراد با استفاده از ابزار شبیه‌سازی یقیناً می‎تواند گام ارزشمندی برای طراحان و مدیران در علوم مختلف از جمله برنامه‌ریزی حمل‌ونقل باشد. حال با توجه به گره خوردن این امر با علوم انسانی، ارائه مدلی برای پیش‌بینی عملکرد انسان همواره یکی از پیچیده‌ترین فرآیندهایی استکه محققان و دانشمندان با آن روبه رو می‌شوند. مدل‌های عاملبنیان (abm) به عنوان یک تکنیک شبیه‌سازی کامپیوتری یکی از قوی‌ترین ابزارهایی است که محققان را قادر به بررسی رفتار انسان در علوم مختلف مهندسی و اجتماعی کرده است. در این مطالعه با استفاده از یک مدل سلسله مراتبی عامل‌بنیان، الگوریتمی هوشمند برای شبیه‌سازی رفتار افراد، ارتباط میان محیط و فرد و تعاملات جمعی افراد ارائه می‌شود. بر اساس آن نحوه عملکرد جابجایی انسان در فرآیند تخلیه از یک محیط دینامیک، در شرایط مختلف مورد بررسی قرار می‌گیرد. در مدل ارائه شده از الگوریتم «یادگیری تقویتی» که نوعی «یادگیری ماشینی» است برای شبیه‌سازی افراد با استفاده از هوش مصنوعی استفاده شده است که با این رویکرد شبیه‎سازی رفتار انسان به واقعیت نزدیک‌تر خواهد بود. همین امر این مدل را از دیگر مدل‌های موجود متمایز می‌کند. تمامی مدل به طور کامل در نرم‌افزار نت‌لوگو (netlogo) کدنویسی شد. سکوی مسافران در ایستگاه متروی تهران به عنوان مطالعه موردی انتخاب شد که سناریوهای مختلف طراحی خروجی‌های برای آن مورد مطالعه قرار گرفت. بر اساس نتایج کمی در حالت وجود دو خروجی، ظرفیت عملی محیط حدود 1.9 و در حالت چهار خروجی 3.4 نفر در ثانیه است. از خروجی‌های این مطالعه می‌توان به طور گسترده در طراحی‌های داخلی ساختمان (غیر سازه‌ای و معماری) و زیرساخت‌های عمرانی و حمل‌ونقلی استفاده کرد. همچنین بررسی زمان تخلیه افراد در شرایط اضطرار پس از حوادث (از جمله آتش‌سوزی، زلزله و حملات تروریستی) از مهمترین کاربردهای مدل ارائه شده است.

Pedestrian Movement Simulation in Evacuation Process from a Dynamic Environment using AgentBased Modeling

Studying pedestrian movement behavior is a necessary tool before the construction design in order to predict the social and collective behavior in different situations. Considering the complexity of human behavior using simulation is indeed a significant step for managers and designers in different fields including transportation planning. Agentbased modeling is one of the most popular techniques in this area. This paper aims to present a novel hierarchical agentbased simulation of pedestrian evacuation from a dynamic environment using reinforcement learning which is the closest to human behavior among the other machine learning algorithms. In the approach agents autonomously decide through a threelayer hierarchical model which includes goal, node, and cell selection layers. All the approach was originally coded in NetLogo software. The proposed model was successfully applied to simulate the pedestrian evacuation process from the platforms of the Shahed Metro station in Tehran during a destructive event. The results showed that practical capacity of the evacuation from the metro platform is 1.9 and 3.4 in the case of 2 and 4 exit doors respectively. The results from the approach can be used by building designers (nonstructural design) and managers to optimize the quality of evacuation; also the proposed model has the potential of being used to analyze the evacuation time in the case of emergency (fire, earthquake, terrorist attack and etc.)