《TRANSPORTATION RESEARCH PART D-TRANSPORT AND ENVIRONMENT》：Multi-scenario simulation of emission reduction and subsidy scheme for dangerous goods vehicles
编辑推荐：
本研究针对野火疏散中静态路径规划无法适应动态火情和交通拥堵的难题，以2023年加拿大基洛纳麦克杜格尔溪野火为案例，创新性地融合了1.81亿条GPS移动轨迹数据，开发了一种结合Dijkstra和A*算法优势的动态混合路径优化模型。研究人员通过SUMO仿真平台，对比分析了同时疏散、时间错峰疏散、分区统一响应疏散及分区变响应疏散四种策略。结果表明，采用分区且考虑现实响应时间变异的错峰疏散方案，能有效降低路网峰值拥堵，提升疏散安全性与效率。该研究为气候驱动型野火事件下的自适应疏散策略提供了数据驱动且可操作的优化框架。
随着气候变化加剧，全球野火发生的频率和强度持续攀升，给社区应急疏散带来了前所未有的挑战。野火的动态蔓延特性、快速演进的火线以及不断变化的危险区域，构成了一个极其复杂的环境。在此环境下，传统的静态路径规划方法往往难以保障疏散过程的安全与高效。当火线移动、浓烟降低能见度、车辆汇聚到有限的出口路线时，交通网络可能面临连锁式瘫痪，严重威胁疏散民众的安全。2023年8月发生于加拿大不列颠哥伦比亚省基洛纳的麦克杜格尔溪野火，就是一个典型的案例。这场火灾最终过火面积达13970公顷，导致西基洛纳、基洛纳、莱克 Country 及 Peachland 数千居民被迫疏散，对当地应急管理系统造成了巨大压力。疏散过程中，关键路线（如97号高速公路和桥梁）出现严重交通拥堵，导致网格锁死和疏散延迟；火灾的不可预测行为以及部分居民的延迟响应，进一步加剧了混乱局面。这些问题凸显了野火疏散规划中，人类行为、基础设施限制和环境动态相互交织的广泛性难题。
为了应对这些挑战，一项发表在《Transportation Research Part D: Transport and Environment》上的研究，以麦克杜格尔溪野火为案例，开展了一项深入分析。该研究利用从376,036台设备收集的约1.81亿条GPS记录，重构了火灾发生前后（2023年8月1日至9月30日）的人员移动轨迹。基于这些海量数据，研究人员不仅实证分析了疏散行为模式（如响应时间分布、社区特定的路线偏好），更重要的是，他们开发了一种新颖的动态Dijkstra-A*混合算法。该算法集成了多标准成本函数，同时考虑距离、实时拥堵状况和火灾风险，从而能够实现自适应路径规划。随后，研究通过SUMO（Simulation of Urban Mobility）交通仿真平台，在两种火情起源（西北部和西南部）下，对四种疏散策略进行了模拟验证。
研究团队为开展此项研究，主要应用了以下几项关键技术方法：首先，利用隐马尔可夫模型（HMM）地图匹配工具箱处理原始GPS数据，将其与道路网络精准匹配，并基于夜间（22:00-06:00）停留点检测住宅位置，识别出18,050个家庭住所以构建疏散需求起点。其次，开发了动态Dijkstra-A*路径优化算法，该算法结合贝叶斯推理和K近邻（KNN）框架，基于实时GPS速度数据推断路网各段的通行时间，并整合火灾前沿距离（计算火灾风险成本F(e, t)）和拥堵惩罚（P(e, t)），形成多目标成本函数C(e, t) = αT(e, t) + βF(e, t) + γP(e, t)（其中α=0.5, β=0.3, γ=0.2）。最后，利用SUMO仿真平台，将上述处理得到的路网、疏散需求起点和优化算法集成，构建了24小时动态变化的交通网络模型，用于模拟评估不同疏散场景下的性能，关键评估指标包括总疏散时间、平均火灾暴露率和峰值车道密度等。
研究结果
5.1. 空间与时间分析结果
地图匹配过程成功将GPS点与道路网络对齐，匹配率达到92%。生成的轨迹（如图5所示）揭示了围绕城市中心的空间聚类以及疏散期间的时间激增。代表性社区（如Smith Creek和Boucherie Center）的路线偏好分析（图6）显示，居民倾向于使用熟悉的路线连接至97号高速公路。
5.2. 住宅检测分析
通过应用稳健的框架（包括OSM土地利用数据、20米缓冲区和基于多晚夜间停留的聚类方法），研究成功识别出西基洛纳-基洛纳地区的18,050个住宅位置，约占2021年人口普查记录的94,335个家庭的20%。住宅空间分布热图（图7）显示了西基洛纳和基洛纳的密集住宅集群，其中60%的已识别住宅位于主要疏散路线5公里范围内。
5.3. 瓶颈结果
通过分析野火前（8月1日至7日）和野火期间（8月15日至21日）的车道密度（车辆/公里）来识别拥堵点。结果显示，野火期间和野火前的拥堵点差异不显著，固有的拥堵点（如交叉口和路段）在疏散期间依然拥堵。但也观察到细微差异，例如连接西基洛纳和东基洛纳的威廉·R·贝内特大桥在野火期间拥堵较低，表明西基洛纳居民并未大量通过此桥向东疏散。同时，野火期间沿高速公路（特别是97号高速公路）的拥堵强度增加，西基洛纳97号高速西行车道和通往弗农的97号高速北行车道出现更多拥堵路段（图8）。
5.4. 与基线路由方法的比较
将动态Dijkstra-A*算法与三种基线方法进行比较评估：
- •
纯Dijkstra（仅距离）：导致严重路线集中，85%的西基洛纳车辆涌向97号高速西南方向，造成持续拥堵，疏散时间达285分钟。
- •
速度加权Dijkstra：效率略有提升，但火灾暴露率增加至22%。
- •
纯A多标准*：显著降低火灾暴露率（8%）和疏散时间（210分钟），但仍存在路线集中问题，峰值拥堵较高（1.6 veh/m）。
- •
动态Dijkstra-A*：取得了最佳整体性能，疏散时间进一步减少至175分钟，保持较低的火灾暴露率（7%），并通过系统化的路线分配，显著降低了峰值拥堵（1.2 veh/m）。这表明有效的野火疏散需要自适应路由和战略出发时序的协同整合。
5.5. 动态优化算法和SUMO仿真
5.5.1. A组：替代火点位置场景
在火情起源于西北方向的A组场景下，模拟了四种策略：
- •
场景1-A（同时疏散）：所有疏散者同时出发，导致97号高速西南方向流量峰值达140辆/分钟，60分钟内仅疏散5000辆车，出现严重拥堵（图11, 图12）。
- •
场景2-A（错峰疏散）：按12分钟间隔分批出发，流量峰值降至100辆/分钟，60分钟内疏散6000辆车，拥堵有所缓解（图13, 图14）。
- •
场景3-A（分区疏散，无响应时间变异）：按区域优先级顺序疏散，流量呈周期性峰值（最高225辆/分钟），175分钟内疏散11,000辆车，效率高但存在瞬时拥堵（图15, 图16）。
- •
场景4-A（分区疏散，含响应时间变异）：在场景3-A基础上引入个体响应时间变异（μ=15分钟, σ=5分钟），流量在40-130辆/分钟间平滑波动，175分钟内同样疏散11,000辆车，避免了严重拥堵峰值，实现了负载均衡（图17, 图18）。该场景在保证高效疏散的同时，更贴近现实疏散行为。
5.5.2. 场景比较
四种场景在97号高速西南方向的初始、中期和最终步骤的序列对比（图20）清晰展示了不同策略的演化过程。综合评估表明，虽然场景3-A在理论上效率最高，但其缺乏响应时间变异的假设限制了现实适用性。场景4-A在接近场景3-A效率的同时，考虑了现实世界的行为变异，提供了最佳的整体结果，突出了将出发时间计划与路由优化相结合的重要性。
研究结论与讨论
本研究开发并评估了一个用于野火场景的动态疏散路由框架，成功解决了静态路由方法无法适应实时灾害（如移动的火线和拥堵）的局限。核心发现强调，先进的路径优化算法必须与有效的疏散计划（特别是考虑行为变异的分区错峰策略）协同整合，才能实现高性能的疏散结果。动态Dijkstra-A*算法通过平衡效率、安全性和拥堵缓解，显著提升了疏散安全与效率。
研究的启示在于为更广泛的气候适应策略提供了可扩展模型，可将数据驱动的工具应用于其他自然灾害（如飓风、洪水）。然而，研究也存在一些局限性，例如农村地区GPS数据稀疏可能导致的代表性不足，仿真中对算法服从度的理想化假设，以及案例研究特定背景对普遍性的影响。未来的工作可以整合多模态数据改进行为建模，并将该框架扩展到更多样的地理和灾害背景中进行验证。
总之，这项研究推动了交通系统在气候变化面前的韧性建设，为随着野火加剧而确保社区安全提供了重要的技术蓝图和方法论支持。采纳此类创新方案，对于构建更具抵御力的社区和适应不可预测的未来至关重要。
