考慮到列車密閉車廂內(nèi)傳染病的危害性,研究了車廂內(nèi)病毒的空間分布特性;結(jié)合乘客間距離相關(guān)性分析結(jié)果,構(gòu)建了乘客感染預(yù)測模型,對車廂內(nèi)存在多感染者情況下每個乘客感染病毒的風(fēng)險進(jìn)行了評估;為降低乘客乘車感染風(fēng)險,制定了列車乘客主動防護(hù)策略,提出基于貪婪算法和變鄰域局部搜索算法的混合啟發(fā)式算法,對車廂乘客布座問題進(jìn)行優(yōu)化求解;通過基于距離的貪婪算法,將列車固定坐標(biāo)的乘客布座問題轉(zhuǎn)換為最多乘客數(shù)最少病毒重疊區(qū)問題,得到座位可行解,并匯總各可行解得到可行域,再基于變鄰域的局部搜索算法改進(jìn)座位可行解,得到最優(yōu)乘客布座方案。研究結(jié)果表明:本文建立的感染概率評估模型可有效預(yù)測乘客感染病毒的風(fēng)險,結(jié)合基于混合啟發(fā)式算法的主動防護(hù)措施可有效降低乘客乘車的感染風(fēng)險;針對短途旅客,隨著乘車人數(shù)和車廂內(nèi)感染者的增加,高風(fēng)險感染者由1人增加至7人,中風(fēng)險感染者由0人增加至3人,低風(fēng)險感染者由47人增加至83人;相較于無序就坐,采用本文制定的布座策略可消除乘客感染風(fēng)險。 

【文章來源】：交通運輸工程學(xué)報. 2020,20(03)北大核心

【文章頁數(shù)】：10 頁

【部分圖文】：

短途旅客感染風(fēng)險預(yù)測結(jié)果

設(shè)定算法初始座位起點為圖2坐標(biāo)(0,0.5)的座位,圖2為根據(jù)本文算法得到的短途旅客座位分布,分別表示了病毒傳播半徑為1.0、1.2和1.5 m情況下的座位分布情況,圓心代表乘客的位置,圓圈代表每一位乘客的病毒傳播范圍。本文算法在盡可能地保證列車乘車人數(shù)的情況下,通過合理布置,使圖2中所有的圓圈互不相交,即認(rèn)為在平面范圍內(nèi),乘客之間不存在相互感染和交叉感染,有效降低了乘客乘坐列車帶來的感染風(fēng)險。圖3為病毒傳播半徑為1 m時,車廂內(nèi)每位旅客均為病毒攜帶者時,車廂病毒濃度空間分布。由圖3可知:若乘客為傳染源,其中心點的病毒濃度最高,隨著距離的增大病毒濃度逐漸下降,各個傳染源之間不存在重疊,即認(rèn)為在空間范圍內(nèi),乘客之間不存在相互感染和交叉感染。

圖3為病毒傳播半徑為1 m時,車廂內(nèi)每位旅客均為病毒攜帶者時,車廂病毒濃度空間分布。由圖3可知:若乘客為傳染源,其中心點的病毒濃度最高,隨著距離的增大病毒濃度逐漸下降,各個傳染源之間不存在重疊,即認(rèn)為在空間范圍內(nèi),乘客之間不存在相互感染和交叉感染。由圖4可知:在保證乘客乘車安全的情況下,本文方法與貪婪算法傳播半徑為1.0 m時對應(yīng)的座位數(shù)分別為17與15,1.2 m時對應(yīng)的座位數(shù)分別為14與13,受限于車廂空間尺寸,隨著傳播半徑的增加,在1.5 m時2種方法對應(yīng)的座位數(shù)相同。通過對比可知,本文的混合啟發(fā)式算法相對于單一啟發(fā)式算法尋優(yōu)效果更好,可以更大程度分配乘車資源,優(yōu)化布座方案。

【參考文獻(xiàn)】：
期刊論文
[1]基于貪心算法的離散單位圓盤覆蓋問題研究[J]. 王淼,吳松濤,李永哲,武悅.  華南理工大學(xué)學(xué)報(自然科學(xué)版). 2019(12)
[2]列車動力學(xué)模型時變環(huán)境參數(shù)自適應(yīng)辨識[J]. 謝國,金永澤,黑新宏,姬文江,高士根,高橋圣,望月寬.  自動化學(xué)報. 2019(12)
[3]面向熱軸故障的高速列車軸溫閾值預(yù)測模型[J]. 謝國,王竹欣,黑新宏,高橋聖,望月寬.  交通運輸工程學(xué)報. 2018(03)
[4]Standard Analysis for Transfer Delay in CTCS-3[J]. CAO Yuan,MA Lianchuan,XIAO Shuo,ZHANG Xia,XU Wei.  Chinese Journal of Electronics. 2017(05)
[5]入境旅客列車上152例發(fā)熱病例的流行病學(xué)分析[J]. 馬進(jìn),王聲湧,鄧留,劉保平,林漢生,何劍峰.  中華疾病控制雜志. 2011(02)
[6]空調(diào)列車硬座車廂內(nèi)污染物擴(kuò)散規(guī)律研究[J]. 陶紅歌,陳煥新,謝軍龍,舒朝暉.  鐵道學(xué)報. 2010(03)



本文編號：2998622