基于机器学习的城市交通网络震后疏散性能高效预测
《Scientific Reports》:Rapid post-earthquake evacuation time prediction in urban bridge networks using a machine-learning-based surrogate model
【字体:
大
中
小
】
时间:2026年10月21日
来源:Scientific Reports 4.9
编辑推荐:
随着地震发生频率和强度的持续增加,准确评估城市交通系统的震后疏散性能已成为一项关键挑战。桥梁作为道路网络中的关键连接节点,其地震破坏可显著降低整体网络功能,并严重阻碍车辆疏散过程。然而,传统的基于交通模拟的方法需要大量的计算资源和时间,限制了其在大规模情景探索和实时决策中的适
随着地震发生频率和强度的持续增加,准确评估城市交通系统的震后疏散性能已成为一项关键挑战。桥梁作为道路网络中的关键连接节点,其地震破坏可显著降低整体网络功能,并严重阻碍车辆疏散过程。然而,传统的基于交通模拟的方法需要大量的计算资源和时间,限制了其在大规模情景探索和实时决策中的适用性。为解决上述局限性,本研究提出了一种基于机器学习的代理模型框架,以高效预测震后疏散性能。研究采用疏散时间估计(ETE)作为网络性能的定量指标。通过在韩国浦项真实道路网络(包含48座桥梁)上进行基于模拟的交通分析,生成了大规模数据集。根据浦项市内道路交通密集区域震中位置的变动以及地震震级的不同,系统定义了桥梁破坏情景。共构建了10万个模拟样本用于训练和验证代理模型。随后将训练好的模型应用于各种地震情景下的ETE预测,在保持高预测精度的同时,相比传统模拟方法大幅减少了计算时间。此外,数值分析结果表明,疏散时间的变异性随地震震级的增加而增大,特别是当震中更靠近道路网络时。这些发现表明,所提出的代理模型能够有效捕捉地震对交通系统的影响,为震后疏散快速评估和科学决策提供了一种实用且高效的工具。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号