用于应急响应中实时疏散决策支持的仿真到人工智能框架

《Safety Science》：Simulation-to-artificial intelligence framework for real-time evacuation decision support in emergency response

　　摘要：在人口密集的学术建筑中，准确且快速地预测疏散时间对于提升应急响应能力至关重要。虽然传统模拟工具能够提供详细的疏散分析，但其高昂的计算成本限制了其在紧急情况下的实时应用。本文提出了一种从模拟到人工智能的框架，整合了人群模拟、机器学习以及大型语言模型，以实现实时疏散时间预测。我们使用Pathfinder软件构建了一个完整的学术建筑模拟模型，通过4900次不同模拟生成了可靠的数据集。机器学习模型被用于预测疏散时间，其中随机森林算法的准确率最高，达到85.7%。为验证该方法的有效性，我们开展了涉及2329名参与者的大规模疏散演练，结果证实了这些模型的预测能力。值得注意的是，机器学习的应用将复杂场景下的预测时间从45.300秒缩短至0.003秒，大幅提升了计算效率。此外，还采用了Shapley加性解释分析方法来提高模型的透明度和可信度，确定平均疏散速度和总人数是影响疏散时间的最关键因素。本研究为建筑疏散管理和实时应急响应提供了一种可扩展、高效且具有解释性的决策支持工具。

引言：学术建筑是科学研究的重要场所，通常人员密度较高。学校、礼堂以及具备多媒体功能的场所等高密度建筑在发生紧急情况时面临巨大的安全挑战。房间、楼梯以及过高的人口密度往往是疏散过程中造成拥堵的原因，从而使得安全有序的疏散变得困难。由于缺乏完善的疏散计划和有效的培训，这些问题更为严重，因此研究教育环境中的疏散动态成为一个至关重要的领域。在大学校园发生火灾时，复杂的建筑结构和大量人员需要投入大量的应急资源（Li等人，2014）。2024年5月的一个周一晚上，超过100名消防员赶往西镇的一栋旧校舍扑灭熊熊大火。火情引发了芝加哥消防局在西梅波尔大道与西北大道交叉口的迅速响应，消防人员正在努力扑灭火焰，同时浓烟不断升起（Sullivan，2024）。2023年11月，中国中山大学的河北医学院训练塔发生火灾，第四层有明火冒出。起火原因是药学院大楼第四层正在进行一项医学科学实验，多辆消防车赶到现场处理火情（2023年河北省某大学的实验室火灾）。2020年8月，斯旺西大学新校区中央工程楼的天花板因大火而冒出黑烟。五辆消防车被派往现场，扑灭三层建筑的第一层、第二层及屋顶的火势（Katie-Ann Gupwell，2020）。这些事件都表明，人口密集的教育场所需要大量的资源。传统的疏散模拟方法虽然不错，但往往受到计算需求的限制，且依赖于各种假设，这可能会影响其在实际场景中的真实性和适用性。

在利用大型语言模型改进机器学习参数、Pathfinder模拟以及利用机器学习预测疏散时间方面已经取得了不少研究进展。这些进展包括开发用于疏散演练的训练软件（Gwynne等人，2020）、实现疏散时间的初步预测（Guo等人，2024），以及创建和优化疏散模型（Forssberg等人，2019）。元胞自动机模型理论、主动射频识别定位技术、Pathfinder模拟以及机器学习算法都是常见的研究方法，每种方法都有其优势：机器学习算法能够处理大量数据以得出具体的疏散时间预测结果，而元胞自动机模型理论和Pathfinder模拟则能对疏散场景进行全面的模拟（Qin等人，2020；Ebrahimi等人，2023；Ahn等人，2024）。这类研究有助于推动相关技术和方法的发展，提高学校等拥挤场所的疏散效果和安全性，同时为应急控制、风险评估和支持提供科学依据。因此，提出了以下研究问题。

研究问题1：大规模学校疏散演练的结果是否与Pathfinder模拟结果一致？

研究问题2：在设置机器学习超参数方面，大型语言模型的作用有多大？

研究问题3：从机器学习的可解释性角度来看，哪些特征对模型有着显著影响？

目前，模拟技术与机器学习技术的结合在学校疏散演练中发挥着重要作用，但在研究中仍存在一些挑战（Li等人，2022）。这些挑战包括模拟模型的准确性、机器学习算法的适用性，以及它们在现实教育场景中的应用效果。传统的群体疏散模拟方法虽然注重效率提升，但由于依赖众多假设性的规则或模型，可能缺乏真实性。此外，机器学习模型中超参数的设定往往由研究人员手动完成，这可能会限制模型在预测复杂系统动态时的泛化能力（Andonie，2019）。因此，当模型被应用于超出观测数据范围的情况时，其预测结果可能会出现误差（Steyvers等人，2025）。早期的研究已经确定了与我们研究相关的三个平行方向：高精度疏散模拟、用于预测的机器学习，以及可解释的人工智能。然而，这些技术进展与实时应急响应的实际需求之间存在脱节。（i）模拟虽能保证准确性，但缺乏实时应用的快速性（Kaur和Kaur，2022）。（ii）机器学习虽然速度快，但在疏散应用中往往忽视了多模型优化的高成本问题，且预测结果属于“黑箱”性质，这限制了其可信度和实用性（Zhao等人，2024）。我们的研究正是着眼于填补这些空白。我们并非简单应用现有方法，而是将它们整合到一个“从模拟到人工智能的框架”中，该框架专门针对三大挑战：通过机器学习实现实时速度、通过大型语言模型引导的优化实现高效开发，以及通过Shapley加性解释提高操作的可靠性与可信度。

与现有研究相比，本研究的主要贡献如下：

本研究提出并验证了一种综合框架——从模拟到人工智能的框架，它整合了模拟、机器学习、大型语言模型以及可解释的人工智能技术，首次实现了实时预测、高效优化以及决策解释这三项关键功能的一体化。

本研究在一座结构复杂、人口密集的真实学术建筑中组织了大规模疏散演练，为模型提供了宝贵的验证数据，证明了该框架在现实场景中的有效性。

本研究创新性地引入了基于大型语言模型的超参数优化流程，解决了传统方法在多模型、高维参数调优方面的效率瓶颈，为后续研究指明了新的方向。

本研究运用SHAP分析深入揭示了影响疏散时间的因素（如平均速度和总人数），使模型从“黑箱式预测工具”转变为用于安全设计的透明决策支持工具。

为更好地了解影响学术建筑疏散时间的各种因素，我们为一所学校的学术建筑设计了疏散方案并组织了演练。我们利用Pathfinder模型根据演练的信息和结果生成实证数据，然后使用随机森林算法预测该学术建筑的疏散时间，同时结合大型语言模型和SHAP工具给出的超参数建议，分析影响模型预测结果的各种因素。第二部分详细描述了学校疏散演练的过程以及用于实验的Pathfinder模拟模型的搭建方式。第三部分介绍了机器学习模型的选择与比较。第四部分为机器学习结果及讨论，第五部分则为结论部分，总结了本研究的内容。

方法：疏散演练、模拟以及机器学习技术提升了疏散计划的科学性和实用性，为学校安全管理提供了决策参考（Gwynne等人，2020；Senanayake等人，2024）。学校疏散演练的研究起源于应对地震等自然灾害的应急需求（Shah等人，2020）。早期研究主要集中在疏散模型的构建上，比如元胞自动机模拟等理论，以及数据收集工作。

完整疏散所需的时间是评估紧急疏散程序有效性的重要指标。优化疏散系统的核心目标是在预定的安全时间内确保所有人员成功疏散。我们采用了预测建模方法，其中表4中所列的与疏散相关的参数作为预测变量，而记录到的最长疏散时间则作为目标输出变量。

在设置好相关参数后，每个模型都会对应有其准确性、精确度、召回率以及F1分数，准确性及F1分数越高越好。表8展示了不同机器学习模型在多分类任务上的性能指标（Yacouby和Axman，2020；Divya等人，2021）。随机森林、CatBoost和XGBoost这三种模型的整体表现相似，但随机森林的表现最佳，三种模型的性能均保持在0.75以上。这一结果表明它们...

结论：本研究开发并验证了一种集成模拟与机器学习的框架，可用于快速且可解释地预测学术建筑中的疏散时间。通过将Pathfinder模拟与机器学习算法以及可解释人工智能技术相结合，我们建立了一种混合方法，有效解决了传统疏散建模方法的计算局限。该框架不仅具有较高的预测精度，还能为疏散过程提供透明的解释。

CRediT作者贡献说明：
Wenze Zhang：撰写——初稿，数据整理，概念构思。
Ning Ding：撰写——审阅与编辑，监督，项目管理，资金筹集。
Shunshun Fu：软件，方法论，形式分析。
Jiguang Shi：撰写——审阅与编辑，可视化，验证，研究分析。
Erhao Zhang：软件，研究分析，数据整理。

利益冲突声明：作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。

致谢：本研究得到了北京市教育科学“十四五”规划重点课题（AAAA24036）的支持，同时也获得了中央高校基本科研业务费（编号2026JKF03ZK01）以及国家自然科学基金（批准号72274208）的资助。

Wenze Zhang|Ning Ding|Shunshun Fu|Jiguang Shi|Erhao Zhang
中国北京，中国人民公安大学公共安全行为科学实验室