Emergency Evacuation Simulation and Optimization for a Complex Rail Transit Station: A Perspective of Promoting Transportation Safety
Notice bibliographique
Résumé
Rail transit stations with multifloor structures have been built in many cities to intensively utilize land resources and facilitate lives of community. However, being overcrowded with passengers results in high risks during daily operation. In response, this study conducted an emergency evacuation simulation and optimization in the three-dimensional (3D) space of “complex rail transit stations” (CRTSs). The aim of the paper is to provide a methodology to determine effective emergency evacuation strategies for CRTSs. The Lianglukou Rail Transit Station in Chongqing, China, was used as a case study and the AnyLogic simulation platform employed for simulating emergency evacuations. An emergency evacuation theoretical framework was established. The emergency evacuation strategies, including evacuation routes and evacuation times, were determined based on the theoretical demonstration. Simulation and optimization of emergency evacuation in the Lianglukou station were conducted. Accordingly, four main simulation results were obtained: (1) Escalators/stairs and turnstiles are key facilities in the evacuation; (2) Effective guidance for the evacuation is necessary in the public space of the station; (3) Passenger aggregation nodes should be guided for balanced evacuation; (4) Removing metal barriers is a useful evacuation optimization measure. The proposed research method and framework can be used by other CRTSs in the establishment of emergency evacuation strategies and effective optimization strategies to promote safety of transportation system. The research findings are beneficial to passengers in helping them provide valuable emergency evacuation guidance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».