基于地铁站空间的视觉环境评价模型研究

郭凤群，肖 辉

(1.中船第九设计研究院工程有限公司，上海 200063；2.同济大学电子与信息工程学院，上海 201804)



基于地铁站空间的视觉环境评价模型研究

郭凤群1，肖 辉2

(1.中船第九设计研究院工程有限公司，上海 200063；2.同济大学电子与信息工程学院，上海 201804)

随着半导体光源在地铁站空间照明的应用，对地铁站空间视觉环境的综合评价势在必行。本文的核心是建立视觉环境综合评价的理论模型用以评价地铁站空间视觉环境。本文首先在充分分析地铁站空间照明功能性的基础上，结合德尔菲法从众多因素中筛选出适用于地铁站空间视觉环境评价的16个评价指标；再通过指标间两两对比得出初始判断矩阵，并建立基于初始判断矩阵和指标权重的非线性一致性修正模型；最后利用粒子群算法求出具有较好一致性的判断矩阵和对应各评价指标的权重，由此构建出地铁站空间视觉环境综合评价的理论模型。

半导体照明；视觉环境；评价体系；模糊综合评价法；粒子群算法

引言

伴随半导体技术的发展以及节能减排的需求，利用LED代替传统的荧光灯光源进行地铁站空间照明成为当前地铁站空间照明研究的热门话题。由于半导体光源出现的时间较晚，且应用于地下公共空间照明时间也较晚，就地铁站空间而言，深圳地铁2号线是国内较早且全线直接采用LED进行照明的地铁线路，故而对半导体照明营造的视觉环境方面的研究也较少，使得LED应用于地铁站空间照明缺乏理论依据和数据支撑。为研究地铁站空间视觉环境的优劣以及不同光源下视觉环境的特点，本文试图从人的主观感受出发，对视觉环境进行综合评价，即构建地铁站空间照明视觉环境评价模型[1]，利用粒子群算法求解出评价模型中各评价指标对应的指标权重，最终建立起客观评价指标与使用者主观感受之间的关系模型。同时，将该理论模型应用于地铁站空间视觉环境的评价中，得到最优的主观评价值，并结合现场光环境特性测量以得到最优视觉环境下对应的地铁站空间光环境特性，为今后地铁站空间照明的发展提供理论依据。

1 地铁站空间视觉环境评价准则

对荧光灯照明下地铁站空间视觉环境的评价主要从照明的功能性出发，其照明主要目的是满足空间使用者在地铁站空间中能够准确辨别周围环境及前往路线所需要的光环境物理特性。而LED具有高光效、寿命长、可调光等特点，其应用于地铁站空间照明所营造的视觉环境除了满足功能性的需求外，其节能方面的特性较为突出。因此，为研究适用于地铁站空间视觉环境的评价体系，需要结合照明的功能性和节能两方面的特性进行深入研究，构建出地铁站空间视觉环境评价体系理论模型，利用粒子群算法求解模型中各指标权重，并从模型出发，结合现场调研得到两种光源下视觉环境的优劣。

2 地铁站空间视觉环境评价模型

2.1 地铁站空间视觉环境评价指标

地铁站空间视觉环境评价指标主要包括功能性和节能性两大类指标，其中功能性指标又分为光环境和空间环境两大类。光环境因素包括照度水平、照度均匀度、亮度水平、亮度分布、眩光指数、色温、显色指数、视觉诱导性、识别性等；空间环境因素包括灯具外观效果、立体感、环境协调性、照明层次、光照艺术性等。节能性因素包括照明控制和照明节能两大类，其中照明控制包括控制策略、控制方式；照明节能包括照明功率密度LPD值、节能灯具、新能源利用。

利用德尔菲法对评价指标进行筛选，经过三轮专家征询，得到评价地铁站空间照明视觉环境的评价指标体系，共包含16项指标：照度水平、照度均匀度、亮度水平、亮度分布、眩光、色温、显色性、视觉诱导性、识别性、立体感、环境协调性、光照艺术性、控制策略、控制方式、照明功率密度LPD、节能灯具，并利用层次分析法将一个复杂的决策问题分解为若干个相互联系的层次，建立递阶层次结构[3]，如图1所示。

图1 地铁站空间视觉环境评价递阶层次结构Fig.1 Hierarchical structure of subway station space visual environmental assessment

2.2 指标权重计算

权重的合理确定是正确评价的前提，在确定地铁站空间照明视觉环境综合评价指标之后，各指标的权重成为评价体系研究的重要部分，其准确性更关系着最终评价结果的正确性和科学性。基于此，本文拟采用层次分析法构建递阶层次结构，建立初始判断矩阵，利用粒子群算法求解指标权重，建立起城市地铁站空间照明视觉环境评价体系模型[4]。计算流程如图2所示。

图2 指标权重计算流程Fig.2 Index weight calculation process

2.2.1 初始判断矩阵和初始权重

层次分析法是确定权重向量行之有效的方法，利用层次分析法计算权重时，函数f(x,y)表示对总体而言x比因素y的重要性标度。若f(x,y)>1，说明x比y重要，反之则说明y比x重要，当且仅当f(x,y)=1时，说明x与y同等重要，且约定f(y,x)=1/f(x,y)。

表1 评价指标两两比较的等级划分标度值Table 1 Evaluation grading scale value

注：偶数则介于相邻两奇数之间。

根据以上所述评价指标两两对比数值的含义，初步确定地铁站空间照明视觉环境综合评价指标间的重要程度，如初始判断矩阵A0式(1)所示。

2.2.2 AHP最小二乘一致性修正模型建立

层次分析法是主观赋权方法，人的主观选择和偏好起到相当重要的作用，这给层次分析法解决决策问题带来很大的不可靠性，因为层次分析法在解决决策问题时要求必须具有满足的一致性，只有通过一致性检验，得出的排序权重才会对实际决策问题提供有价值的参考。但在目前的应用中，1～9标度给出的判断矩阵通常很难达到一致，导致判断矩阵与实际判断思维不一致，带来相对权重的计算失真，这也是当前多决策问题需要解决的问题和面临的挑战。

(1)

从前文可知，由于地铁站空间视觉环境综合评价体系中含有较多的评价指标，得出的初始判断矩阵阶数较大，如果根据传统的矩阵一致性校验方法进行校验，工作量大，计算困难且无法做出准确的判断，从而成为本文的难题所在。因此，对于文中研究的16阶初始判断矩阵，为检验初始判断矩阵的一致性，得到合理的权重向量，需要构建出恰当的一致性修正模型，并利用智能算法进行优化求解，以快速得到能够通过一致性校验的判断矩阵和对应的权重向量。再将得到的判断矩阵反馈给专家，评估修正后的矩阵是否在实际中可接受的范围内和该非线性模型求解得到的一组权重向量是否可作为要求解实际问题的各评价指标的权重。若专家意见是肯定的，则说明该修正后的判断矩阵可接受；反之则需对参数进行重新设置并求解，再次进行验证，直至专家认可。

(2)

目标函数中的Y越小越好，说明在满足一致性条件的情况下调整的幅度相对较小，修正后的矩阵质量越高。其中，λ1,λ2是权重因子，赋值主要根据实际中的具体要求而定，一方面是对专家判断矩阵的遵循程度，一方面是对满足一致性指标的要求程度，在本文中，该模型解的主要目标是满足一致性指标，因此满足一致性指标要求的程度高于对专家判断矩阵的遵循程度[5]。θ是在原始专家判断矩阵修正的过程中针对各元素调整的一个约束指标，越小越好。aij为初始判断矩阵的元素，xij，wi为所求具有较好一致性的判断矩阵元素及对应的指标权重。

2.2.3 AHP最小二乘一致性修正模型求解

经过大量研究，拟采用粒子群算法(PSO)对所建立的层次分析法最小二乘一致性修正模型进行求解，以得到具有较好一致性的判断矩阵，从主客观两方面修正指标权重，提高指标权重的准确性。基本原理是：在D维空间中有M个粒子，粒子的运动空间就是解空间，待优化的目标函数值就是粒子的适应度，粒子的位置向量代表优化问题解空间中的变量，粒子的运动过程就是解的搜索过程。每个粒子在搜索时，根据搜索到的个体历史最优点和群体内所有粒子的历史最优点，更新飞行速度，从而实现位置的更新[6]。

设M个粒子中第i个粒子的位置为xi=(xi1,xi2,…,xiD)，速度为vi=(vi1,vi2,…,viD)，其历史最优位置为局部最优位置Pi=(Pi1,Pi2,…,PiD)，即Pbest，所有粒子最优位置为Gbest。粒子在迭代进化过程中，位置和速度更新为

(3)

其中k为迭代次数，i=1,2,…,M,rand1和rand2为[0,1]的随机数，c1和c2为加速度权重，ω*为惯性权重。

利用PSO算法求解基于PSO与AHP最小二乘模型的流程如图3所示。

图3 粒子群算法流程Fig.3 Particle Swarm Optimization Process

根据上述分析，AHP最小二乘一致性修正模型是个典型的非线性优化模型，一共有136个独立变量，利用MATLAB对模型(1)进行求解，求解过程中如下：

1)初始化：

首先设置一个初始的粒子种群：设该粒子群包含M=50个粒子，每个粒子具有D=136维向量，这50个粒子都被赋予了一个初始位置和初始速度。

(4)

(5)

初始时，局部最优位置Pbest和全局最优位置Gbest初始化为

(6)

2)第K代进化过程：

(7)

(8)

第3步：更新粒子的位置和速度：

(9)

第4步：算法终止检验：检验更新后的Gk对应的适应度值是否达到终止要求或搜索总代数达到最大代数限制，如果满足则算法终止；否则，返回第1步。

3)参数设置：

粒子规模：M=50；加速常数：c1=c2=2；最大迭代次数：T=1000。

惯性权重：ω*∈[0.8,1.2]，算法实现过程中，在更新粒子速度和位置的同时，不断在该范围内更新惯性权重，以得到全局最优解。

权重因子：λ1∈[0.1,0.4]，λ2∈[0.6,0.9]，在更新粒子速度和位置的同时，不断在该范围内更新权重因子。

约束条件：θ∈[0.1,0.3]，随着粒子速度和位置的更新，不断更新。

4)PSO算法求解AHP最小二乘一致性修正模型的MATLAB实现：

① 算法初始化：

v(:,:,i)=rand(n+1,n);

%初始化粒子速度

pbp(:,:,i)=zeros(n+1,n);

%初始化个体最优位置

gbp=zeros(n+1,n);

%初始化群体最优位置

pbf=inf*ones(1,N);

%初始化个体最优适应度

gbf=inf;

%初始化群体最优适应度

② 迭代更新：

v(:,:,i)=w(iter)*v(:,:,i)+c1*rand(1)*(pbp(:,:,i)-particle(:,:,i))+c2*rand(1)*(gbp-particle(:,:,i));

%速度更新

particle(:,:,i)=particle(:,:,i)+v(:,:,i); %位置更新

③ 运行结果：

利用MATLAB运行上述程序100次取得最优结果；

最优权重对应的各参数：ω*=1.0959，λ1=0.3219，λ2=0.6781，θ=0.2479 ；

所得指标权重向量W及具有较好一致性的判断矩阵为(A=X)，即

W=[0.0901 0.0729 0.1015 0.1184 0.0620 0.0881 0.0219 0.0743 0.1024 0.0199 0.0139 0.0124 0.0454 0.0503 0.0755 0.0511]

2.3 地铁站空间视觉环境评价体系建立

将利用粒子群算法求解得出的通过一致性修正的判断矩阵和排序权重向量反馈给初始判断矩阵的专家，专家意见为可接受。因此，将修正后的判断矩阵作为最终的判断矩阵，把求解模型得出的权重向量作为各评价指标权重，从而构建出地铁站空间视觉环境综合评价模型，如表2所示。

表2 地铁站空间视觉环境评价体系Table 2 Visual environmental assessment system of subway station space

3 结束语

本文针对地铁站空间视觉环境综合评价这一问题，利用光环境、环境心理学和模糊数学的理论知识构建地铁站空间视觉环境综合评价的理论模型，并将模型应用于利用LED光源进行照明的深圳地铁2号线和荧光灯进行照明的深圳地铁3号线地铁站空间的视觉环境综合评价中，根据现场对各指标的问卷调研结合模型得出最优的视觉环境，并结合主观调研结果和模型理论数据验证模型中所选指标的合理性和指标权重的有效性，从而说明该评价模型具有普遍适用性，为今后地铁站空间视觉环境的评价提供模型参考，为地铁站空间照明设计提供理论依据。

[1] 张永锋. 酒店大堂照明环境质量评价与技术体系研究[D]. 重庆：重庆大学, 2005.

[2] 张颋. 地铁照明系统的电效评价研究[D]. 兰州：兰州交通大学, 2011.

[3] 刘世豪, 刘志刚. 地铁安全性能模糊综合评价模型及其应用研究[J]. 铁道工程学报, 2011, 03.

[4] 杜元. 基于PSO与AHP的多属性问题权重求解及其在应急物流中的应用[D]. 合肥：中国科学技术大学, 2011, 05.

[5] 丁斌, 杜元. 基于PSO算法与AHP最小二乘模型对多属性决策问题权重求解[J]. 系统工程, 2010,7(7).

[6] 尹大伟. 航空发动机模型求解算法及性能寻优控制中的参数估计研究[D]. 长沙：国防科学技术大学, 2011.

Study of Visual Environment Evaluation Model Based on Subway Station Space

GUO Fengqun1，XIAO Hui2

(1.ChinaShipBulidingNDRIEngineeringCo.,LTD,Shanghai200063,China; 2.CollegeofElectronicandInformationEngineering,TongjiUniversity,Shanghai201804,China)

With the application of LED lighting in subway station space, evaluating its visual environment becomes more and more important. This paper is to build a theoretical model for visual environment evaluation of subway station space. It adopted Delphi method to filter out 16 evaluation indexes which are fit for the subway station visual environment evaluation. It then obtained the initial judgment matrix through pairwise comparison, and established the non-linear consistency correction model. Finally, it calculated the judgment matrix with better consistency and the corresponding index weight using Particle Swarm Optimization, and constructed the theoretical model.

semiconductor lighting; visual environment; evaluation model; fuzzy comprehensive evaluation method; particle swarm optimization

TU114

A

10.3969j.issn.1004-440X.2016.04.007