随着大规模枪击事件频发，实时引导受害者安全撤离的需求日益迫切。有效的疏散系统需要在最小化威胁暴露的同时，考虑对手的不确定性和人群拥挤的动态特征。现有方法往往只能针对特定建筑布局生成固定策略，且在大规模场景下计算成本高昂；实际操作中常见的建议仅是“跑、躲、打”。
我们提出 GPEvac，一种基于图神经网络（GNN）和近端策略优化（PPO）的框架，能够在枪击事件中实时生成自适应疏散路线。为捕获局部与全局依赖，我们设计了 edge‑first 顺序消息传递 机制，并引入可学习的 虚拟全局节点，使得信息可以在图中快速聚合。得到的图嵌入随后送入 置换不变评分函数，实现单一策略在不同拓扑和规模的建筑布局上通用。
在大规模仿真实验中，GPEvac 在多种建筑结构上均显著降低了累计威胁暴露，相比智能基线提升明显。关键是系统在本地 CPU 上仅用 14.73 ms 完成全局路径计算，满足实时监控系统的集成需求。
除枪击事件外，所提出的方法同样适用于其他图结构决策场景，如关键基础设施防护、智能交通系统以及自适应传感网络等。
点评：GPEvac 将图神经网络与强化学习巧妙结合，实现了跨布局的快速疏散规划，为应急响应提供了可落地的技术路径。