2. 西南交通大学 高速铁路运营安全空间信息技术国家地方联合工程实验室, 四川 成都 611756;
3. 香港中文大学 太空与地球信息科学研究所 香港;
4. 重庆市地理信息中心, 重庆 401121
2. State-Province Joint Engineering Laboratory of Spatial Information Technology of High-speed Rail Safety, Southwest Jiaotong University, Chengdu 611756, China;
3. Institute of Space and Earth Information Science, The Chinese University of Hong Kong, Hong Kong, China;
4. Chongqing Geomatics Center, Chongqing 401121, China
随着城市化进程的推进，高层住宅、地下购物商场、医院、博物馆、机场等大型现代化建筑的三维立体空间结构、物理性能及功能日益复杂，呈现出高层、大规模、多样化、综合性等特征，加上高人群密度以及设备、设施、装修等方面的特殊要求，使得室内火灾隐患、火灾荷载以及室内应急疏散难度激增[1]。高效可靠的室内火灾应急疏散方法已经成为国内外公共安全领域研究的焦点[2]。大型高层建筑火灾发生时，由于电梯井、楼梯井、通风井、电缆井等各种竖井拔气力大，使得火势和烟雾向上蔓延较快，火势发展的高时变性特征突出，再加上人员集中，导致室内空间环境复杂，瞬息万变。室内火灾实时威胁态势(烟雾浓度、火势蔓延和环境温度等)以及室内环境变化(电梯与防烟门的关闭等)会直接影响和制约应急疏散策略[3-4]。如何根据室内火灾环境的实时变化，动态优化应急疏散路径，是保证室内火灾应急救援决策可靠性和时效性的关键。随着三维地理信息系统技术的成熟，国内外火灾应急疏散研究在应急疏散路径获取、建筑物火灾环境表达等方面，已取得了相应的进展[2, 5-7]。Dijkstra算法、Floyd算法、动态规划算法、A*算法等二/三维几何路径搜索算法的日益完善，为室内应急疏散路径的计算提供了基础计算支撑。也有少量研究[8-9]通过集成三维地理信息系统模型，例如几何网络模型(geometric network model，GNM)[2, 10]和二/三维建筑物模型(如CityGML和building information modeling等)，实现建筑物室内几何、拓扑结构以及建筑材料等语义信息的集成表达，以支撑复杂建筑物室内火灾情境的模拟与应急疏散决策。传统应急疏散方法主要利用建筑物二维静态消防图和几何路径搜索算法计算最优逃生路径，且大多以最短几何长度作为人员疏散最优路径的判定依据，并未充分考虑火灾实时演进、毒烟蔓延等动态威胁态势信息对疏散路径连通性和有效性的影响，应急疏散方案的可靠性难以保证，滞后性问题突出[11]。近年来室内传感网技术迅速发展，各大型现代建筑室内外均布设了丰富的传感器，可实时感知、监测室内环境变化，如何利用传感器实时感知数据，实现室内火灾疏散路径的动态优化，已成为国内外室内应急疏散研究关注焦点[9, 11-15]。
本文提出一种实时态势感知的室内火灾疏散路径动态优化方法，通过有效集成多源传感器实时感知的建筑内部火灾发展态势数据，融合生成建筑物内部整体火灾威胁态势场，以此约束应急疏散路径构建与路径拓扑的动态更新。
1 实时态势感知的室内火灾疏散路径动态优化原理实时态势感知的室内火灾疏散路径动态优化原理如图 1所示，主要包括3个关键步骤：室内火灾实时威胁态势三维信息场构建、室内三维网络模型提取、顾及实时火灾威胁态势信息的应急疏散路径动态优化。
|
| 图 1 实时态势感知的疏散路径动态优化原理 Fig. 1 The schematic diagram of evacuation route dynamic optimization based on real-time situational awareness |
1.1 室内火灾实时威胁态势三维信息场 1.1.1 室内火灾威胁态势三维信息场模型
复杂建筑物室内火灾环境蕴含十分丰富的语义信息，具体如图 2 所示。其中，建筑物室内环境主要描述各时刻室内联通部件状态、室内开口部件状态、室内分隔部件状态；室内火场信息记录实时的室内温度场、毒烟浓度分布场、能见度分布场等。将建筑物室内环境、室内火场、人群分布3类核心威胁因素的动态变化信息，在三维时空上进行统一抽象表达，并在语义上进一步统一抽象为“室内火灾威胁态势三维信息场模型”。
|
| 图 2 复杂室内火灾环境威胁态势信息的语义及其统一表达 Fig. 2 Semantic of complex indoor fire environment and its unified presentation |
室内火灾威胁态势三维信息场模型的每个体元称为一个体素V，如图 3(a)所示。各体素V=(D,T,C) 表示，其中D为体素占据的三维空间域，三维空间域一般是由室内几何空间确定；T为时间域，是室内火灾演变过程的时间区间；C为体素V处的室内火灾威胁威胁等级，通过融合当前时刻室内多种威胁态势三维信息，可获取建筑物室内不同位置的火灾威胁等级，并用不同颜色区分威胁等级；如图 3(b)所示。图 3(e)所示为一个实例化的室内火灾威胁态势等级场。
|
| 图 3 室内火灾威胁态势三维信息场模型 Fig. 3 Fire threat situation information field 3D model |
实时威胁态势等级场，是将不同语义的威胁信息统一为简明实用的威胁态势等级。火灾演变过程规律大致需要先后经过初期增长、全面发展和衰减3个阶段[16]。本文根据火灾发展3个阶段的温度变化、CO气体浓度变化随推进规律，结合人体在不同温度和CO浓度环境下所能忍受的最长时间，可将室内火灾过程中监测的温度因素造成的威胁态势分为4个等级(表 1)。
| 危险等级 | 温度 | CO气体浓度 | 威胁态势等级值 |
| 安全 | ＜42℃ | ＜50 ppm | 1 |
| 潜在危险 | 42~50℃ | 50 ppm~200 ppm | 2 |
| 危险/致人麻木 | 50~80℃ | 200 ppm~2000 ppm | 3 |
| 极度危险/致人死亡 | >80℃ | >12 000 ppm | 4 |
由于不同语义的室内火灾威胁信息在数据来源、精度、时空基准、表现形式多样，因此，本文的室内火灾威胁态势三维信息场模型针对不同语义威胁态势信息的时空差异，分别构建威胁态势三维信息场，然后通过多个威胁态势场的配准与融合，在语义空间统一为威胁态势等级信息场模型。该模型的目标是建立简明、可信的用于约束室内疏散路径动态拓扑更新的威胁环境态势图，需解决以下两个关键技术：面向室内火灾应急疏散的多源传感器一致性描述和实时室内火灾威胁态势三维信息场的动态提取。
1.1.2 面向室内火灾应急疏散的多源传感器一致性描述多源火灾监测传感器的一致性描述，是实现多源传感器的注册、管理、控制[17]与动态观测数据实时接入的核心。多源火灾动态观测数据实时接入，是将不同火灾监测传感器的动态观测数据，按照各自更新采样频率实时接入至应急疏散系统，为后续动态生成实时室内火灾威胁态势三维信息场提供数据源。常用的室内火灾监测传感器包括视频传感器、温度传感器、烟雾传感器以及气体探测传感器等。室内火灾情境下，多源传感器组成的室内火灾监测传感网[18-20]，可实时感知火灾发生全过程中威胁态势变化信息，例如室内空间结构状态变化(消防系统)、火源位置、火灾发展态势(强度、温度的动态分布信息等)、人员位置及分布等。火灾过中程涉及的多源传感器[21]归纳如表 2。
| 传感器类型 | 特征描述 |
| 烟雾探测传感器 | 通过光电或者离子感烟技术感知火灾产生的烟雾 |
| 热探测传感器 | 火灾在整个发展过程中均向环境释放热量，通过热辐射探测进行火源定位，通过对流探测(温度传感器)监测室内温度变化 |
| 气体探测传感器 | 火灾发展会带来多种气体组分变化，例如CO、CO2、NOx等，部分成分会对人体造成危害，以CO和CO2为最佳气体探测特征 |
| 视频图像传感器 | 通过视频监控摄像头对应急出口、人员分布、火源位置、火灾强度进行直接直观的探测 |
本文方法在OGC标准SensorML[22]基础上进行了扩展，构建了面向火灾事件的传感器语义信息描述模型(图 4)，对室内火灾应急疏散的需求、传感器资源信息(具体包括传感器标识信息、物理特征信息、观测能力信息和传感器观测对象信息等)、传感器监测事件及其室内微环境变化与动态行为进行统一、可扩展的规范化描述，并在此基础上建立了多源传感器监测事件与火灾演进过程特征之间的语义关联。表 3总结归纳了火灾演进过程中所涉及的传感器和易发的常规突发事件。
|
| 图 4 基于SensorML的火灾传感器语义描述模型 Fig. 4 The semantic description model of fire sensors based on SensorML |
| 响应环节 | 细粒度火灾事件分类 | 观测主题描述 | 数据种类 | 传感器来源 | |
| 所需数据产品 | 重要程度 | ||||
| 火灾应急响应 | 火灾发展态势 | 温度 | 温度检测值 | ☆☆☆ | 温度传感器 |
| 气体成分 | CO、CO2检测值 | ☆☆ | 气体传感器 | ||
| 烟雾 | 烟雾检测值 | ☆☆ | 烟雾传感器 | ||
| 火势强度 | 视频图像 | ☆☆ | 视频传感器 | ||
| 安全区域可达性 | 门、楼梯、走廊堵塞情况 | 视频图像 | ☆☆☆ | 视频传感器 | |
| 起火点 | 火源位置 | 火源空间信息 | ☆☆ | 红外传感器视频传感器 | |
| 人员分布 | 人员密集、拥堵 | 视频图像 | ☆☆ | 视频传感器 | |
1.1.3 实时室内火灾威胁态势三维信息场
多源火灾传感器观测数据采样的时间空间分辨率不一，且多为固定位置上的多个离散观测点，因此首先要对观测数据进行时空配准与插值，以获取各体素单元的火灾实时威胁态势信息，包括时间上建立统一的时间基准和时间步长，空间上确立统一的三维格网分辨率。时间步长统一方面，面向应急疏散，本文取动态威胁态势场更新时间基准Tstep=0.5 min。
空间上三维格网配准的首要步骤是建立构建建筑室内三维几何空间的格网框架；通过将建筑物室内全三维空间进行体素化表达即可，首先对各个建筑物语义部件(房间、大厅、楼梯、走廊等)进行几何空间剖分(图 5)，然后将生成的几何单元以多层次八叉树结构进行组织和存储[23]，以此作为建筑物室内三维几何空间的格网框架。
|
| 图 5 建筑物室内空间体素化表达 Fig. 5 Building inter-structure voxelization representation |
空间上，在对离散观测点进行插值时，以室内全三维空间体素网格为基准，对各体素网格内外与之具备空间通达性的传感器观测数据点，采用反距离权重内插模型计算各体素的火场威胁态势特征值。即对每个与体素具备通达性的传感器，根据传感器位置与体素中心点的距离分配相应的权，离体素中心点越近的传感器观测数据数值所占得权重越大，对体素单元的结果值影响也越大。其一般形式的计算公式为
式中,Z是体素单元中心点的估计值；Zi是已知观测点i的火场观测值；di是已知观测点i与当前体素单元中心点间的距离；n是在估算中用到的已知观测点的数目；k
另外，为了获取能全面覆盖室内三维空间的威胁态势场信息，降低因数据不完备造成不确定性，在计算得到不同语义的威胁态势三维信息场后，将插值融合以获取信息更全面的威胁态势等级信息场，例如将相同时刻温度威胁态势场和CO气体浓度威胁态势场进行融合等。图 6(a)所示为三维格网分辨率为10 cell·10 cell·10 cell火场温度威胁态势信息场A，图 6(b)所示为三维格网分辨率为5 cell·5 cell·5 cell的CO浓度威胁态势信息场B，通过融合火场温度威胁态势信息场和CO浓度威胁态势信息场，即可插值生成三维格网分辨率为5 cell·5 cell·5 cell的综合威胁态势场C(图 6(c))，cell为建筑物室内空间体素单元的度量单位。
|
| 图 6 室内火灾威胁态势信息场空间融合 Fig. 6 The integration of different fire threat situation information fields |
1.2 顾及实时火灾威胁态势信息的应急疏散路径动态优化算法
本文选用经典的最优路径生成算法(Dijkstra)计算疏散几何路径，以室内火灾威胁态势三维动态信息场约束疏散路径通达性的更新，实现顾及室内空间结构状态信息、火源位置信息、火灾发展态势信息的疏散路径动态拓扑构建。算法流程如图 7所示。
|
| 图 7 应急疏散路径动态优化算法 Fig. 7 An illustration of evacuation route optimizing |
1.2.1 构建疏散路径几何
采用基于图论的节点-弧段结构(node-relation structure，NRS)构建室内空间三维几何路径网络，并综合采用逻辑网络数据模型与几何网络模型，用于表示建筑内对象间的拓扑关系，其中建筑内所有对象(例如房间、走廊、楼梯等)被抽象为点，对象间的拓扑关系被抽象为线(图 8(a))；建筑物室内几何网络模型(图 8(b))用来表示室内对象的几何属性(例如走廊长度、房间之间的距离、三维空间位置等)。
|
| 图 8 建筑物室内逻辑数据模型与几何网路模型示意图 Fig. 8 An illustration of building dual space model and geometric network model |
创建建筑物室内几何网络模型的关键是从简单多边形(如走廊、通道)中提取线要素，本文采用直中轴线转换(straight medial axis transformation，S-MAT)方法[24]，实现走廊、通道、楼梯、消防电梯等几何对象中心线的提取。例如走廊Corridor4、楼梯Stair2在逻辑网络模型中表示为结点(图 9(b)中方形结点和三角形结点)，利用S-MAT在对应的几何网络模型中转换为线段(如图 9(c)中粗实线条和虚粗线条)。
|
| 图 9 建筑内部空间三维网络模型 Fig. 9 3D network model of building internal space |
1.2.2 火灾威胁态势语义约束的逃生路径动态优化
在实际应急疏散过程中，随着火势的蔓延发展，室内情况将会不断恶化(人群拥堵、温度过高、烟气浓度过高等)，当室内空间某个体素单元存在威胁态势等级过高时，途径该体素单元的几何路径需语义标识为不可通行；某条通道不可通行时，对凡是经过障碍路段的疏散人群，需重新计算到达出口的有效路径。具体步骤描述如下：
(1) 构建传感器资源管理中心，提取初始建筑物内部几何通达疏散路径。结合1.1节提出的面向火灾事件的传感器语义信息描述模型，构建传感器资源注册与管理中心，对室内空间所有火灾监测传感器进行注册、统一控制和管理；根据1.2.1节中构建的建筑内部三维空间逻辑网络模型和几何网络模型，结合网络路径算法，便可计算室内空间有效可行的几何通达疏散路径。
(2) 建筑内部火灾威胁态势三维信息场动态更新。根据第(1)步获取的几何路径的空间位置信息，以及传感器资源管理器中的传感器位置信息与姿态信息，查询与各几何路径部件关联的传感器。然后从当前时刻接入的火灾传感器实时监测数据中提取室内火灾环境信息，并以此插值融合并动态更新当前时刻建筑内部火灾威胁态势三维信息场。
(3) 顾及室内火场实时威胁态势信息的应急疏散路径动态优化。将第(2)步计算获取的几何路径与当前时刻火灾威胁态势信息场体素单元进行几何求交计算，用体素单元的威胁态势信息对与其相交的各疏散路径弧段进行火灾危险等级的语义标识，以此确定各路径弧段的空间可通达性；最后根据室内几何路径网各弧段的可通达性标识，重新计算当前时刻室内空间有效可行的应急疏散路径。依此类推，实现火灾演进过程中室内火灾疏散路径的动态优化过程。
图 10为逃生路径动态优化过程的一个示例：T1时刻，房间Room4门口走廊发生火灾(事件1)和楼梯Stair1出现拥堵(事件2)；根据实时接入的传感器观测数据，计算当前时刻火灾威胁环境态势信息场(图 10(a))，图 10(b)为根据建筑物三维几何模型提取的初始室内几何网络模型；将两者进行几何求交计算(图 10(c))，并对初始几何网络模型进行通达性语义标识；最后根据通达性，更新几何网络模型拓扑，得到新的几何网络模型(图 10(d))；对比图 10(b)和图 10(d)可知，由于房间Room4和走廊Corridor2处火灾威胁等级高，因此与这两处节点连接的路径弧段均不在具备通达性。
|
| 图 10 逃生路径动态优化过程示意图 Fig. 10 An illustration of the dynamic optimizing process for 3D network model |
2 实时态势感知的室内火灾疏散路径动态优化原理 2.1 试验数据
本文采用新疆亚博馆为试验场景模型(图 11)，整个场馆的室内三维空间网络模型如图 12所示。
|
| 图 11 各楼层平面图及室内网络模型 Fig. 11 The plan and indoor network model of each floor |
|
| 图 12 亚博馆室内三维空间网络模型 Fig. 12 The indoor 3D network model of CAE-EXPO XINJIANG |
亚博馆整栋建筑里的火灾传感器主要有温度传感器、烟雾传感器、视频传感器3大类，具体各楼层的传感器分布如图 13，为了描述方便将4个楼梯井分别描述为一号、二号、三号、四号楼梯。
|
| 图 13 各楼层传感器分布图 Fig. 13 The distribution of sensors on each floor |
1.2 试验结果分析
本文的火灾情景模拟：T1时刻第4层二号楼梯A处发生火灾为起点，针对第4层休息室的人员进行疏散，假设火灾蔓延过程中，T2时刻第2层左侧一号楼梯B处突发新火灾，T3时刻第1层右侧四号楼梯出口C处因建筑物倒损导致此处被封(图 14)。针对所模拟的火灾情境，基于本文的方法，可计算出不同火灾阶段的疏散路径(图 15)。下面将对不同时刻处应急疏散路径进行详细描述。
|
| 图 14 亚博馆整体楼层图 Fig. 14 The whole building of CAE-EXPO XINJIANG |
|
| 图 15 不同火灾阶段的疏散路径 Fig. 15 The evacuation route at different stages of the fire |
图 16所示为T1时刻火灾刚发生时态势场及疏散路径示意。TI时刻，火源位置为第4层左侧二号楼梯A，以第4层休息室为初始逃生位置计算初始疏散路径，如图 16(b)所示。同时根据传感器数据插值计算楼层的实时火灾威胁态势信息场(16(a))，并将该威胁态势信息场与图 12(b)中的几何网络路径进行求交计算，将相交体素的威胁态势语义信息映射至几何网络路径。图 16(b)中的几何网络路径为威胁态势语义映射后的结果。由图可知，发生火灾的第4层左侧楼梯A处的节点不可通行，因此原图 12(b)中的几何网络路径中与该结点联接的所有结点的连通性均需断开，即第4、3层左侧A处的楼梯不可通行。根据几何网络路径新的连通性标识，动态计算疏散线路，即可获取图 16(b)中新的疏散路径，可描述为第4层休息室人员进入左侧一号楼梯直接下楼经过第3、2、1层的一号楼梯到达一楼，然后穿过一楼大厅。
|
| 图 16 初始疏散路径 Fig. 16 The initial evacuation route |
图 17所示为T2时刻第2层楼左侧一号楼梯B突发新火灾，同样将实时计算的火灾威胁态势信息场(图 17(a))与上一时刻的几何网络路径求交计算。由图 17(a)可知第2层一号楼梯不可通行，故图 17(b)的几何网络路径中与第2层一号楼连接的所有结点均需断开，根据几何网络路径新的连通性标识，动态计算疏散线路，即可获取图 17(b)中新的疏散路径，疏散路线可描述为第4层休息室人员进入左侧一号楼梯下楼经第3层一号楼梯到达第3层，再横穿第3层的中间走廊到达第3层右侧四号楼梯，然后下楼经第2层、1层四号楼梯到达一楼，最后穿过大厅。
|
| 图 17 火灾威胁态势信息场及最新疏散路径 Fig. 17 Fire threat situation information field and the latest evacuation route |
图 18为T3时刻第1层右侧楼梯出口C处因建筑物倒损导致此处被封，将实时计算的火灾威胁态势信息场(图 18(a))与上一时刻的几何网络路径求交计算。由图 18(a)可知第1层四号楼梯不可通行，故上一时刻几何网络路径中与第1层四号楼梯连接的所有结点均需断开，根据几何网络路径新的连通性标识，动态计算疏散线路，即可获取图 18(b)中新的疏散路径，疏散路线可描述为第4层休息室人员进入左侧一号楼梯下楼经第3层一号楼梯到达第3层，再横穿第3层中间走廊到达第3层右侧四号楼梯，下楼经第2层四号楼梯到达二楼，左转进入第2层三号楼下楼达经第1层三号楼梯到达一楼，最后穿过大厅。
|
| 图 18 火灾威胁态势信息场及最新疏散路径 Fig. 18 Fire threat situation information field and the latest evacuation route |
为验证本方法的有效性，本文选用Pathfinder仿真软件，对同样的火灾情境进行了模拟，以最短时间内完成人员的疏散为最终目标，分析对比了本文方法与Pathfinder仿真软件的火灾应急疏散优化能力。Pathfinder疏散仿真软件可以利用建筑物三维几何空间模型，提取连续性不规则三角形作为二维平面的导航网格，实现火灾等公共安全事件的应急疏散模拟仿真[25-27]。火灾情境设定如下：火灾先后发生事件个数为3个，建筑中待疏散人员个数为50人，人员密度为1人/m2，水平过道疏散速度为1.2 m/s，楼梯下行疏散速度为0.8 m/s，水平走道人群流动系数为1.5人/m·s-1，楼梯人群流动系数为1.3人/m·s-1。模拟试验通过分析整个火灾过程中先后发生不同次数的突发事件的情况下，对使用本文疏散方案和传统静态疏散方案所需要的总疏散时间、总疏散路径长度进行对比分析，如图 19和图 20所示。试验结果表明随着火灾过程中突发事件个数越多，总疏散时间都呈上升趋势，但按本文方法进行疏散路径动态规划完成疏散所需要的总疏散效率和总疏散路径长度均优于Pathfinder仿真软件。
|
| 图 19 总疏散路径长度对比分析 Fig. 19 Comparison of the evacuation path length |
|
| 图 20 总疏散时间对比分析 Fig. 20 Comparison of the evacuation efficiency |
3 结论
传统复杂建筑物室内火灾应急疏散方法，并未充分考虑实时火灾演进、毒烟蔓延等动态火灾参数对疏散路径连通性的影响，应急疏散方案无法根据火灾动态演进参数进行及时调整，从而导致应急疏散方案的时效性和可靠性难以保证。针对上述问题，本文提出实时态势感知的室内火灾疏散路径动态优化方法，通过动态接入多源传感器实时感知的室内火灾实时态势(烟雾浓度、火势蔓延和环境温度等)以及室内环境变化(电梯与防烟门的关闭等)信息，动态构建室内火灾威胁态势三维动态信息场，并以此约束应急疏散路径拓扑的更新，实现疏散路径的动态调整与优化。本文以新疆亚博馆为实际场景开展了火灾应急疏散模拟试验。试验表明，基于本文的算法能够有效地计算出满足不同火灾情景的实时疏散路径，可为有关部门在室内突发事件应急救援决策提供科学支持。进一步的研究，将在动态威胁态势场模型的基础上，集成室内火灾扩散演进模拟模型，实现动态观测数据与模拟模型耦合驱动的火灾烟气温度等威胁态势预测，降低因动态观测数据不完备、不确定性等问题的影响，提高应急疏散方案的可靠性。
| [1] | 朱庆, 胡明远, 许伟平, 等. 面向火灾动态疏散的三维建筑信息模型[J]. 武汉大学学报(信息科学版), 2014, 39(7): 762–766. ZHU Qing, HU Mingyuan, XU Weiping, et al. 3D Building Information Model for Facilitating Dynamic Analysis of Indoor Fire Emergency[J]. Geomatics and Information Science of Wuhan University, 2014, 39(7): 762–766. |
| [2] | KWAN M P, LEE J. Emergency Response after 9/11:The Potential of Real-time 3D GIS for Quick Emergency Response in Micro-spatial Environments[J]. Computers, Environment and Urban Systems, 2005, 29(2): 93–113. DOI:10.1016/j.compenvurbsys.2003.08.002 |
| [3] | TAN Lu, HU Mingyuan, LIN Hui. Agent-based Simulation of Building Evacuation:Combining Human Behavior with Predictable Spatial Accessibility in a Fire Emergency[J]. Information Sciences, 2015, 295: 53–66. DOI:10.1016/j.ins.2014.09.029 |
| [4] | KOBES M, HELSLOOT I, DE VRIES B, et al. Building Safety and Human Behaviour in Fire:A Literature Review[J]. Fire Safety Journal, 2010, 45(1): 1–11. DOI:10.1016/j.firesaf.2009.08.005 |
| [5] | 李清泉, 李秋萍, 方志祥. 一种基于时空拥挤度的应急疏散路径优化方法[J]. 测绘学报, 2011, 40(4): 517–523. LI Qingquan, LI Qiuping, FANG Zhixiang. An Emergency Evacuation Routing Optimization Method Based on Space-time Congestion Concept[J]. Acta Geodaetica et Cartographica Sinica, 2011, 40(4): 517–523. |
| [6] | TANG Fangqin, REN Aizhu. GIS-based 3D Evacuation Simulation for Indoor Fire[J]. Building and Environment, 2012, 49: 193–202. DOI:10.1016/j.buildenv.2011.09.021 |
| [7] | PELECHANO N, MALKAWI A. Evacuation Simulation Models:Challenges in Modeling High Rise Building Evacuation with Cellular Automata Approaches[J]. Automation in Construction, 2008, 17(4): 377–385. DOI:10.1016/j.autcon.2007.06.005 |
| [8] | CHEN L C, WU C H, SHEN T S, et al. The Application of Geometric Network Models and Building Information Models in Geospatial Environments for Fire-fighting Simulations[J]. Computers, Environment and Urban Systems, 2014, 45: 1–12. DOI:10.1016/j.compenvurbsys.2014.01.003 |
| [9] | WU C H, CHEN L C. 3D Spatial Information for Fire-Fighting Search and Rescue Route Analysis within Buildings[J]. Fire Safety Journal, 2012, 48: 21–29. DOI:10.1016/j.firesaf.2011.12.006 |
| [10] | LEE J, KWAN M P. A Combinatorial Data Model for Representing Topological Relations among 3D Geographical Features in Micro-spatial Environments[J]. International Journal of Geographical Information Science, 2005, 19(10): 1039–1056. DOI:10.1080/13658810500399043 |
| [11] | ZHAO Haifeng, WINTER S. A Time-aware Routing Map for Indoor Evacuation[J]. Sensors, 2016, 16(1): 112. DOI:10.3390/s16010112 |
| [12] | WANG Jing, ZHAO Haifeng, WINTER S. Integrating Sensing, Routing and Timing for Indoor Evacuation[J]. Fire Safety Journal, 2015, 78: 111–121. DOI:10.1016/j.firesaf.2015.08.009 |
| [13] | BERNARDINI G, AZZOLINI M, D'ORAZIO M, et al. Intelligent Evacuation Guidance Systems for Improving Fire Safety of Italian-style Historical Theatres without Altering Their Architectural Characteristics[J]. Journal of Cultural Heritage, 2016. DOI:10.1016/j.culher.2016.06.008 |
| [14] | KO B C, CHEONG K H, NAM J Y. Fire Detection Based on Vision Sensor and Support Vector Machines[J]. Fire Safety Journal, 2009, 44(3): 322–329. DOI:10.1016/j.firesaf.2008.07.006 |
| [15] | SADAHIRO Y, KOBAYASHI T. Exploratory Analysis of Time Series Data:Detection of Partial Similarities, Clustering,and Visualization[J]. Computers, Environment and Urban Systems, 2014, 45: 24–33. DOI:10.1016/j.compenvurbsys.2014.02.001 |
| [16] | HASOFER A M, THOMAS I. Analysis of Fatalities and Injuries in Building Fire Statistics[J]. Fire Safety Journal, 2006, 41(1): 2–14. DOI:10.1016/j.firesaf.2005.07.006 |
| [17] | 陈能成, 狄黎平, 龚健雅, 等. 基于Web目录服务的地学传感器观测服务注册和搜索[J]. 遥感学报, 2008, 12(3): 411–419. CHEN Nengcheng, DI Liping, GONG Jianya, et al. Sensor Observation Service Registry and Search Based on Catalogue Service for Web[J]. Journal of Remote Sensing, 2008, 12(3): 411–419. |
| [18] | W3C. Semantic Web Activity Statement[EB/OL]. https://www.w3.org/2001/sw/Activity. |
| [19] | The Semantic Toolbox:Building Semantics on Top of XML-RDF[EB/OL]. https://www.w3.org/DesignIssues/Toolbox.html. |
| [20] | 陈家赢, 陈能成, 王伟, 等. 基于SensorML的遥感卫星传感器建模方法[J]. 武汉大学学报(信息科学版), 2010, 35(8): 971–974. CHEN Jiaying, CHEN Nengcheng, WANG Wei, et al. A Remotey Sensing Satellite Sensor Modeling Approach Based on SensorML[J]. Geomatics and Information Science of Wuhan University, 2010, 35(8): 971–974. |
| [21] | 陈章其, 吴冲若. 火灾传感器[J]. 电子器件, 1995, 18(1): 55–58. CHEN Zhangqi, WU Chongruo. Fire Sensor[J]. Journal of Electron Devices, 1995, 18(1): 55–58. |
| [22] | WHITESIDE A, EVANS J D. Web Coverage Service (WCS) Implementation Specification[S].1.1.2 ed. Wayland, Massachusetts, USA:OGC, 2008. |
| [23] | 吕广宪, 潘懋, 王占刚, 等. 面向体数据的虚拟八叉树模型研究[J]. 计算机应用, 2006, 26(12): 2856–2859. LÜ Guangxian, PAN Mao, WANG Zhangang, et al. Study of Virtual Octree Model for Volume Data[J]. Computer Applications, 2006, 26(12): 2856–2859. |
| [24] | LEE J. A 3D Data Model for Representing Topological Relationships between Spatial Entities in Built-environments[D]. Ohio:The Ohio State University, 2001. |
| [25] | 徐艳秋, 王振东. 基于Pathfinder和FDS的火场下人员疏散研究[J]. 中国安全生产科学技术, 2012, 8(2): 50–54. XU Yanqiu, WANG Zhendong. Study on Evacuation Simulation of Fire Ground Based on Pathfinder and FDS[J]. Journal of Safety Science and Technology, 2012, 8(2): 50–54. |
| [26] | RONCHI E, ALVEAR D, BERLOCO N, et al. Human Behaviour in Road Tunnel Fires:Comparison between Egress Models (FDS+ Evac, STEPS, Pathfinder)[C]//Proceedings of the International Conference on Fire Science and Engineering Interflam. Nottingham.[s.n.]:2010:837-848. |
| [27] | 党会森, 赵宇宁. 基于Pathfinder的人员疏散仿真[J]. 中国公共安全(学术版), 2011(4): 46–49. DANG Huisen, ZHAO Yuning. Simulation of Crowd Evacuation Based on Pathfinder[J]. China Public Security (Academy Edition), 2011(4): 46–49. |