CN104899577B - 建筑物内的人员数量确定方法和人群疏散方法 - Google Patents
建筑物内的人员数量确定方法和人群疏散方法 Download PDFInfo
- Publication number
- CN104899577B CN104899577B CN201510359792.6A CN201510359792A CN104899577B CN 104899577 B CN104899577 B CN 104899577B CN 201510359792 A CN201510359792 A CN 201510359792A CN 104899577 B CN104899577 B CN 104899577B
- Authority
- CN
- China
- Prior art keywords
- node
- people
- nodes
- determining
- building
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Alarm Systems (AREA)
Abstract
本发明提供了建筑物内的人员数量确定方法和人群疏散方法,涉及紧急疏散领域。本发明实施例提供的建筑物内的人员数量确定方法,采用构建动态贝叶斯网络魔性的方式,通过先对建筑物内的空间进行划分,确定多个节点,其中,节点可以是房间,也可以是通道,之后,依据节点之间的连通关系,建立了连通网络图,之后,通过预先获取到的不同时刻的人员数量和连通网络图,确定了动态贝叶斯模型。使用的时候(需要进行疏散的时候),可以根据建立好的动态贝叶斯网络模型和采集到的,指定节点的人员数量,来计算其他指定节点的人员数量。
Description
技术领域
本发明涉及紧急疏散领域,具体而言,涉及建筑物内的人员数量确定方法和人群疏散方法。
背景技术
日常生活中,危险是可能随时发生,在发生危险的时候,人们本能的会选择躲避,以原理危险源。从发生的环境来看,危险可以分为两类,一类是户外发生的,一类是建筑物内发生的。在户外发生危险状况的时候,人们可以直接朝向远离危险源的方向逃生。在建筑物内发生危险的时候,由于建筑物本身结构的限制(指逃生门的位置和相应通道的连接关系),导致人们只能按照既定的线路进行撤离,而不能直接朝向远离危险源的方向撤离。
面对非常规突发事件,有效的事故控制和人群疏散是应急管理面临的紧迫性问题。紧急疏散是一个非常复杂的动态过程,如果人群密度很高或者后面人群形成的压力较大,很容易发生跌倒或绊倒的现象;而且由于身体素质和心理行为的差异,个体行走速度会有较大区别,危急情况下,人们试图走到最前面而不是服从确定的方向顺序前进,疏散人群会呈现出破坏性的群体行为,例如推挤、踩踏现象,进而引发伤亡严重的群体性灾难。传统的疏散预案和现场指挥,主要以疏散时间为目标,对人群密度只能进行一个整体的估算。
在建筑物内部有紧急情况发生,需要逃生的时候,人们通常会选择通过最近的出口逃到建筑物的外部。如室内火灾、地震等情况发生的时候,人们的第一反应就是通过出口逃到室外,以防止在室内停留时间过长,而导致死亡。但同时,当建筑物内的环境变得复杂的时候,如各种房间和通道错综复杂,逃生线路不唯一的时候,就有可能存在某一条逃生线路人满为患,而其他的逃生线路则鲜有人使用,这也就造成了疏散效率的下降(可以理解为在单位时间内疏散人数的下降,或者是疏散全部人员的时间上涨),并且可能在人数较多的线路上发生踩踏事件
因此,需要先准确的确定指定位置上的人员数量,才能正确引导疏散,进而保证疏散快速完成。
发明内容
有鉴于此,本发明实施例的目的在于提供建筑物内的人员数量确定方法和人群疏散方法,以提高建筑物内人员数量确定的准确性。
第一方面,本发明实施例提供了建筑物内的人员数量确定方法,其特征在于,包括:
对建筑物内的空间进行划分,以确定多个节点,所述节点包括房间和通道;
根据每个所述节点与其他节点的连通关系,建立连通网络图;
根据不同时刻,每个节点内的人员数量和所述连通网络图,确定动态贝叶斯网络模型;
根据获取到的任一所述节点的人员数量和所述动态贝叶斯网络模型,确定指定的目标节点的人员数量;
所述根据不同时刻,每个节点内的人员数量和所述连通网络图,确定动态贝叶斯网络模型包括如下步骤:
根据不同时刻,每个节点内的人员数量和所述连通网络图,建立多个时刻的静态贝叶斯网络模型;
根据每个静态贝叶斯网络模型与其他静态贝叶斯网络模型,建立所述动态贝叶斯网络模型;
所述根据获取到的任一所述节点的人员数量和所述动态贝叶斯网络模型,确定指定的目标节点的人员数量包括:
使用如下公式计算目标节点的人员数量的均值和方差,
其中,E为目标节点的人员数量的均值,V为目标节点的人员数量的方差,Y为未知人数的节点集合,Z为已知人数的节点集合,z为节点集合Z中各节点在t时刻的人员数量,Zt为节点集合Z中在t时刻各节点的人员数量,∑Y为节点集合Y的方差,μY为节点集合Y的均值,∑Z为节点集合Z的方差,μz为节点集合Z的均值,∑YZ为节点集合Y和节点集合Z的协方差,Yt +n·Δt为t+n·Δt时刻节点集合Y的取值,Δt为时间间隔,n为常数。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述对建筑物内的空间进行划分,以确定多个节点,所述节点包括房间和通道包括如下步骤:
获取每个房间和通道的面积;
分别判断每个房间的面积是否大于预设的面积阈值,和判断每个通道的面积是否大于预设的面积阈值;
将面积大于预设的面积阈值的房间或通道进行分割为多个所述节点,和将面积小于预设的面积阈值的房间或通道作为一个节点,以使每个所述节点的面积均小于预设的面积阈值。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,还包括:
通过设置在每个节点的视频监控装置,获取每个节点,不同时刻的视频画面;
对每个视频画面进行目标检测,以确定每个节点内,不同时刻的人员数量。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,所述根据不同时刻,每个节点内的人员数量和所述连通网络图,建立多个时刻的静态贝叶斯网络模型包括如下步骤:
根据所述连通网络图,分别计算每个节点的中心到达出口的距离,以确定每个节点的势值;
根据所述势值,连接节点之间的弧方向,并根据不同时刻,每个节点内的人员数量,确定指定时刻的静态贝叶斯网络。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述弧方向是由势值大的节点指向势值小的节点。
结合第一方面,本发明实施例提供了第一方面的第五种可能的实施方式,其中,还包括:
实时删除内部人数为0的节点,以调整所述动态贝叶斯网络模型。
结合第一方面,本发明实施例提供了第一方面的第六种可能的实施方式,其中,还包括:
按照如下公式,对所述动态贝叶斯网络模型进行训练,
其中,xi表示节点变量X中第i个节点的人员数量;νi为给定xi的父节点Π(xi)=π(xi)时,xi的条件方差;βij为回归系数,表示xi和其父节点Π(xi)之间关系的强度;∑为N×N维协方差矩阵,其中∑i是xi的方差,是xi和Πi的协方差矩阵,是Πi中变量的协方差矩阵,Πi为Π(xi)中的变量。
第二方面,本发明实施例还提供了建筑物内的人群疏散方法,包括建筑物内的人员数量确定方法,还包括:
根据所述目标节点和其他节点的人员数量,以及所述连通网络图,确定人员引导方向;
按照所述人员引导方向,引导位于目标建筑物内的人员移动。
本发明实施例提供的建筑物内的人员数量确定方法,采用构建动态贝叶斯网络魔性的方式,与现有技术中的在引导人群进行疏散的时候,只能按照既定的路线进行疏散,从而可能会导致某些逃生通道的人数较多,某些通道的人数较少,使得整体疏散效率较低相比,其通过先对建筑物内的空间进行划分,确定多个节点,其中,节点可以是房间,也可以是通道,之后,依据节点之间的连通关系,建立了连通网络图,之后,通过预先获取到的不同时刻的人员数量和连通网络图,确定了动态贝叶斯模型。使用的时候(需要进行疏散的时候),可以根据建立好的动态贝叶斯网络模型和采集到的,指定节点的人员数量来计算其他指定节点的人员数量。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1示出了本发明实施例所提供的建筑物内的人员数量确定方法的基本流程图;
图2示出了本发明实施例所提供的建筑物内的人员数量确定方法的细节流程图;
图3示出了本发明实施例所提供的建筑物内的人员数量确定方法的局部建筑空间转化为网络结构的示意图;
图4示出了本发明实施例所提供的建筑物内的人员数量确定方法的动态贝叶斯网络示意图;
图5a示出了本发明实施例所提供的建筑物内的人员数量确定方法的节点划分示意图;
图5b示出了图5a所示的示意图转化为贝叶斯网络结构的示意图;
图6示出了本发明实施例所提供的建筑物内的人员数量确定方法的疏散总人数为100人的各区域预测结果示意图;
图7示出了本发明实施例所提供的建筑物内的人员数量确定方法的疏散总人数为1000人的各区域预测结果示意图。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
单位时间内疏散人员的数量决定了人员疏散的效率。如何在短时间内疏散大量的人员,一直是受到关注的问题。导致疏散效率低下的原因有很多。如不同空间的人员密集程度不同,疏散通道的空间过小(或者说与人员数量不匹配)等等。但其中最重要的,便是人员密集程度的不同,并且,当人员密集程度严重失衡的时候,人员过于密集的地方,容易发生踩踏事件,进而造成更为恶性的结果。
因此,为了提高疏散效率,应当首先准确的确定不同地点的人员数量。由此,本申请提供了建筑物内的人员数量确定方法,如图1所示,包括如下步骤:
S101,对建筑物内的空间进行划分,以确定多个节点,节点包括房间和通道;
S102,根据每个节点与其他节点的连通关系,建立连通网络图;
S103,根据不同时刻,每个节点内的人员数量和连通网络图,确定动态贝叶斯网络模型;
S104,根据获取到的任一节点的人员数量和动态贝叶斯网络模型,确定指定的目标节点的人员数量。
具体的,步骤S101,需要先对目标建筑物内的空间进行划分,来确定人员监测的单位(节点)。为了保证人员密度的计算方式相同,可以设置每个节点的大小是相同的。如某些面积过大的房间或通道,就可以采用分割的方式,分割为多个部分,每个部分均是一个节点。
每个划分得到的节点必然是与其他节点相连通的(如房间与房间之间通过门相连通,房间和通道之间也是通过门相连通等)。也就是不会存在单独的一个房间。
步骤S102,可以根据划分得到的节点,来建立连通网络图,也就是,根据确定的相邻两个节点之间的连通关系构建目标建筑内,全部节点的连通关系。如,A、B相互连通,B、C相互连通,那么连通网络图便可以将A、B、C连通起来。连通网络图中记载了多个节点相互连通所形成的连通线路。
在执行步骤S103之前,需要先确定不同时刻的人员数量作为建立模型的基础。此处,获取人员数量有两种方式,一种是在发生人员疏散的时候,实测来获取;另一种是通过仿真软件来获取。这两种获取方式,都能够获取到人员数量的信息。需要说明的是,获取到的人员数量信息不能是某一单一时刻的,而是多个时刻的,为了保证数据的可行度,最好两次获取的时候,是间隔相同的时间。如每15分钟获取一次,那么就是在一下时刻获取人员数量信息:0、15分钟、30分钟、45分钟、60分钟等。具体的时间间隔可以根据疏散的内容来确定,如某些灾情对时间要求高,那么时间间隔必须足够小(如火灾、地震等必须在极短的时间内完成疏散,就必须时间间隔控制在数秒-数十秒左右)。
获取到人员数量之后,可以建立如下的表格:
表1
ID | 时间 | 节点编号 | 人员数量 |
1 | 1分钟 | 2 | 11 |
2 | 2分钟 | 3 | 15 |
3 | 3分钟 | 5 | 51 |
4 | 4分钟 | 7 | 27 |
5 | 5分钟 | 8 | 18 |
6 | 6分钟 | 9 | 40 |
使用上述表1,便能够准确的记录下不同时间、不同节点编号的人员数量。ID号码,在进行管理的时候可以修改为以时间为主,或以节点编号为主的形式(数据表的主键为时间,或节点编号)。
之后,依据不同时刻节点内的人员数量和已经建立好的连通网络图便能够构建动态贝叶斯网络模型。建立动态贝叶斯网络模型可以先建立多个静态贝叶斯网络模型(根据每个节点在不同时刻下的人员数量和连通连通网络图能够建立多个静态贝叶斯网络模型),之后,由多个静态贝叶斯网络模型生成动态贝叶斯网络模型。
步骤S104,在使用的时候(当目标建筑物发生灾害,需要疏散人群的时候),就可以根据采集到的某一节点的人员数量,来计算其他节点的人员数量了。
本申请所提供的方法在使用前,需要先构建目标建筑物的动态贝叶斯网络模型,具体的建立过程如步骤S101至步骤S103所示。当目标建筑物的连通网络图与已经建立好动态贝叶斯网络模型的连通网络图相似或相同时,则可以直接使用这个已经建立好的动态贝叶斯网络模型。
具体的,如图2所示,步骤S101可以分为如下几个步骤:
S1011,获取每个房间和通道的面积;
S1012,分别判断每个房间的面积是否大于预设的面积阈值,和判断每个通道的面积是否大于预设的面积阈值;
S1013,将面积大于预设的面积阈值的房间或通道进行分割为多个所述节点,和将面积小于预设的面积阈值的房间或通道作为一个节点,以使每个所述节点的面积均小于预设的面积阈值。
也就是,在房间/通道的面积(指的是建筑面积)过大的时候,就需要对面积过大的房间进行分割,来保证节点的面积足够小,否则难以足够精确的建立动态贝叶斯网络模型,也就不易准确的确定人员数量。此处的分割,只是一种划分形式,并不是将使用阻挡物阻挡起来。
预设的面积阈值也可以根据需要的精度进行相应的调整。最直接的,可以根据目标建筑物内,最小房间的面积来确定面积阈值,也就是最小面积阈值等于目标建筑物内,最小房间的面积。
具体,本申请所提供的建筑物内的人员数量确定方法,还包括:
通过设置在每个节点的视频监控装置,获取每个节点,不同时刻的视频画面;
对每个视频画面进行目标检测,以确定每个节点内,不同时刻的人员数量。
也就是,使用实测方法的时候,需要先在不同节点所对应的位置上设置摄像头等类似的视频监控装置(也可以是单纯的影像拍摄装置)。
在获取到视频画面之后,便可以使用图像捕捉方法,在查找视频画面上的人员数量。
具体的,步骤S103根据不同时刻,每个节点内的人员数量和所述连通网络图,确定动态贝叶斯网络模型包括如下步骤:
根据不同时刻,每个节点内的人员数量和所述连通网络图,建立多个时刻的静态贝叶斯网络模型;
根据每个静态贝叶斯网络模型与其他静态贝叶斯网络模型,建立所述动态贝叶斯网络模型。
即,先建立静态贝叶斯网络模型,再有静态贝叶斯网络模型转化为动态贝叶斯网络模型。
其中,步骤根据不同时刻,每个节点内的人员数量和所述连通网络图,建立多个时刻的静态贝叶斯网络模型包括如下步骤:
根据所述连通网络图,分别计算每个节点的中心到达出口的距离,以确定每个节点的势值;
根据所述势值,连接节点之间的弧方向,并根据不同时刻,每个节点内的人员数量,确定指定时刻的静态贝叶斯网络。
进一步,弧方向是由势值大的节点指向势值小的节点。
需要注意的是,弧的方向仅表示统计关系,与行人逃生方向无对应关系。
为了提高计算效率和准确度,本申请所提供的建筑物内的人员数量确定方法,还包括:
实时删除内部人数为0的节点,以调整所述动态贝叶斯网络模型。
也就是在步骤S104执行之后,在某个节点内的人员数量降低为0后,就删除掉这个人员数量为0的节点。
通常,在建立好模型之后,需要使用具体的数值对模型进行训练,以提高模型的准确度,使得模型更为接近真实的情形。因此,本申请所提供的人员数量确定方法还包括:
按照如下公式,对所述动态贝叶斯网络模型进行训练,
其中,xi表示节点变量X中第i个节点的人员数量,μi为xi的均值;νi为给定xi的父节点Π(xi)=π(xi)时,xi的条件方差;βij为回归系数,表示xi和其父节点Π(xi)之间关系的强度;∑为N×N维协方差矩阵,其中∑i是xi的方差,是xi和Πi的协方差矩阵,是Πi中变量的协方差矩阵,Πi为Πi中的变量。
具体的,步骤,所述根据获取到的任一所述节点的人员数量和所述动态贝叶斯网络模型,确定指定的目标节点的人员数量包括:
使用如下公式计算目标节点的人员数量的均值和方差,
其中,E为目标节点的人员数量的均值,V为目标节点的人员数量的方差,Y为未知人数的节点集合,Z为已知人数的节点集合,z为节点集合Z中各节点在t时刻的人员数量,Zt为节点集合Z中在t时刻各节点的人员数量,∑Y为节点集合Y的方差,μY为节点集合Y的均值,∑Z为节点集合Z的方差,μz为节点集合Z的均值,∑YZ为节点集合Y和节点集合Z的协方差,Yt +n·Δt为t+n·Δt时刻节点集合Y的取值,Δt为时间间隔,n为常数。
方差和均值能够较为客观的表现计算结果,因此,可以通过这两个参数来具体表征指定节点的人员数量。
本发明实施例还提供了建筑物内的人群疏散方法,包括建筑物内的人员数量确定方法,还包括:
根据所述目标节点和其他节点的人员数量,以及所述连通网络图,确定人员引导方向;
按照所述人员引导方向,引导位于目标建筑物内的人员移动。
其中,人员引导方向是指将位于建筑物内的人员高效的引导至出口的行进方向。在确定了不同节点内的人员数量之后,便可以将人员从过于密集的节点内引导至人员较少的节点内,在人员分布均匀后,一方面能够提高疏散的速度,另一方面,也能够减少发生踩踏事故的概率。
下面,以一个具体的实施例来说明,本申请所提供的建筑物内的人员数量确定方法和建筑物内的人群疏散方法。
步骤如下:
(1)将建筑物内的走廊/通道以相邻房间的长度划分为不同的路段,以每个房间和路段为一个节点,根据房间与房间、路段与路段、房间与路段之间的连通情况,连接节点,构建网络。对于超过一定面积的房间,例如20m×20m的房间,将其按长宽均匀划分为l×w个区域(每个区域均小于预定的面积阈值),以每个区域为一个节点,根据区域间的连通性连接节点,建立建筑物的网络图。针对每个路段和区域安置视频监控设备记录人数数据:基于计算机视觉技术进行人数统计,即通过摄像头等视频监控设备获取图像,对获取的图像进行预处理,利用现有的目标检测及运动跟踪技术,统计人数信息。
(2)将步骤(1)得到的建筑物结构的网络图转化为贝叶斯网络形式。每个路段或区域的行人数量为贝叶斯网络的节点变量Xt={x1,x2,…xs};计算每个路段或区域的势值,即路段或区域中心到达目标出口路径的距离。根据势值赋予连接节点之间的弧方向,由势值大的节点指向势值小的节点。注意:弧的方向仅表示统计关系,与行人逃生方向无对应关系。
(3)由步骤(2)构建的是静态贝叶斯网络,建立(t,t+Δt,...,t+nΔt)时刻上静态贝叶斯网络之间的关系,构建动态贝叶斯网络。考虑到疏散清空行人的特殊性,随着时间的推进,部分节点(路段或区域)的人数为0后,删除该节点,忽略极少情况下行人折返的情况,可构建变结构的动态贝叶斯网络,即不同时刻的网络结构可变化。Δt根据估计的总疏散时间确定。
(4)记录人群疏散演习数据或计算机仿真数据,即每个节点在不同时刻的人数信息{Xt,Xt+Δt,...,Xt+nΔt},其中st为t时刻的节点数量,训练贝叶斯网络的结构和参数。贝叶斯网络的主要模型参数如下:
其中,μi为xi的均值;νi为给定xi的父节点Π(xi)=π(xi)时xi的条件方差;βij为回归系数,表示xi和其父节点Π(xi)之间关系的强度,当且仅当xi和xj相互独立,即xj不是xi的父节点时,βij=0。∑为N×N维协方差矩阵,其中∑i是xi的方差,是xi和Πi(Π(xi)中的变量)的协方差矩阵,是Πi中变量的协方差矩阵。
(6)预测结果输入到应急疏散标识系统的控制器,从而疏散标识能够根据人群分布的拥堵情况改变指引方向。
本申请所提供的建筑物内的人员数量确定方法和建筑物内的人群疏散方法,能够对疏散现场分布在不同区域的行人数量进行动态预测,预测结果可以指导疏散者避开人群拥堵的区域。由于贝叶斯网络对于处理不完备数据集的优势,即使部分视频监控设备失效导致数据缺失,仍然可以进行建模和运算;并且仅通过部分节点的观测值就可以得到所有节点预测值。
下面,配合图示来说明本申请所提供的建筑物内的人员数量确定方法:
(1)以建筑物内的局部走廊和房间为例说明网络的构建。
如图3所示,将其转化为相应的网络结构。对应的动态贝叶斯网络如图4所示。在离线状态下,利用疏散仿真软件对该结构空间的人群疏散过程进行仿真,记录下每个时间片每个节点区域的行人数量X={C1,C2,R1,R2,R31,R32,R33,R34}t,时间片间隔为Δt。重复多次,作为训练样本,训练贝叶斯网络的模型参数bi、vi和βij。
在每个需要关注的节点区域安装视频监控设备,当发生突发事
件,间隔相同时间Δt获取一次各区域行人数量的现场数据Z,传输到主控中心,计算得到未来时刻(t+nΔt)的各区域人数Y。结果可输入到应急疏散标识或指挥系统以辅助疏散决策。
(2)以一个具体的房间为例说明计算过程。
房间大小为26m×26m,出口宽0.4m,将其划分为3×3个区域如图5(a)所示,转换后的网络形式如图5(b)所示,每个区域作为一个节点,连接弧由势值大的节点指向势值小的节点。
总人数为100人,设置不同的初始人群分布进行仿真试验。Δt=100,网络节点数ss=3×3=9、取时间片(次数)T=15,即每间隔100秒记录一次9个区域内的人数记录了15个时刻的数据。本算例仿真了11次,样本数据data{k}(i,j),k=1:ncase,i=1:ss,j=1:T,样本量为ncase=11,10个样本用于训练模型参数,1个样本用于验证预测结果。假设所有节点都是可观测的,已知t=0和t=100时刻所有节点的数据为evident1=data{11}(1:ss,T=2),进行推理计算,得到所有节点在时间片T=3~15的预测结果见表2和表3。增加t=200和t=300时刻的观测数据evident2=data{11}(1:ss,T=4),得到所有节点在时间片T=5~15的预测结果见表4和表5。图6分别显示了节点变量X在给定evident1和evident2后的预测值,并与验证样本的数据(reference)进行了对比。
相同场景总人数为1000人,Δt=200,,取时间片T=15,预测结果如图7所示。对比显示本发明提出的方法具有较高的预测精度。
表2
表3
表4
表5
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (8)
1.建筑物内的人员数量确定方法,其特征在于,包括:
对建筑物内的空间进行划分,以确定多个节点,所述节点包括房间和通道;
根据每个所述节点与其他节点的连通关系,建立连通网络图;
根据不同时刻,每个节点内的人员数量和所述连通网络图,确定动态贝叶斯网络模型;
根据获取到的任一所述节点的人员数量和所述动态贝叶斯网络模型,确定指定的目标节点的人员数量;
所述根据不同时刻,每个节点内的人员数量和所述连通网络图,确定动态贝叶斯网络模型包括如下步骤:
根据不同时刻,每个节点内的人员数量和所述连通网络图,建立多个时刻的静态贝叶斯网络模型;
根据每个静态贝叶斯网络模型与其他静态贝叶斯网络模型,建立所述动态贝叶斯网络模型;
所述根据获取到的任一所述节点的人员数量和所述动态贝叶斯网络模型,确定指定的目标节点的人员数量包括:
使用如下公式计算目标节点的人员数量的均值和方差,
其中,E为目标节点的人员数量的均值,V为目标节点的人员数量的方差,Y为未知人数的节点集合,Z为已知人数的节点集合,z为节点集合Z中各节点在t时刻的人员数量,Zt为节点集合Z中在t时刻各节点的人员数量,∑Y为节点集合Y的方差,μY为节点集合Y的均值,∑Z为节点集合Z的方差,μz为节点集合Z的均值,∑YZ为节点集合Y和节点集合Z的协方差,Yt +n·Δt为t+n·Δt时刻节点集合Y的取值,Δt为时间间隔,n为常数。
2.根据权利要求1所述的建筑物内的人员数量确定方法,其特征在于,所述对建筑物内的空间进行划分,以确定多个节点,所述节点包括房间和通道包括如下步骤:
获取每个房间和通道的面积;
分别判断每个房间的面积是否大于预设的面积阈值,和判断每个通道的面积是否大于预设的面积阈值;
将面积大于预设的面积阈值的房间或通道分割为多个所述节点,和将面积小于预设的面积阈值的房间或通道作为一个节点,以使每个所述节点的面积均小于预设的面积阈值。
3.根据权利要求1所述的建筑物内的人员数量确定方法,其特征在于,还包括:
通过设置在每个节点的视频监控装置,获取每个节点,不同时刻的视频画面;
对每个视频画面进行目标检测,以确定每个节点内,不同时刻的人员数量。
4.根据权利要求1所述的建筑物内的人员数量确定方法,其特征在于,所述根据不同时刻,每个节点内的人员数量和所述连通网络图,建立多个时刻的静态贝叶斯网络模型包括如下步骤:
根据所述连通网络图,分别计算每个节点的中心到达出口的距离,以确定每个节点的势值;
根据所述势值,连接节点之间的弧方向,并根据不同时刻,每个节点内的人员数量,确定指定时刻的静态贝叶斯网络。
5.根据权利要求4所述的建筑物内的人员数量确定方法,其特征在于,所述弧方向是由势值大的节点指向势值小的节点。
6.根据权利要求1所述的建筑物内的人员数量确定方法,其特征在于,还包括:
实时删除内部人数为0的节点,以调整所述动态贝叶斯网络模型。
8.建筑物内的人群疏散方法,包括如权利要求1-7项中任一项所述的建筑物内的人员数量确定方法,其特征在于,还包括:
根据所述目标节点和其他节点的人员数量,以及所述连通网络图,确定人员引导方向;
按照所述人员引导方向,引导位于目标建筑物内的人员移动。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510359792.6A CN104899577B (zh) | 2015-06-25 | 2015-06-25 | 建筑物内的人员数量确定方法和人群疏散方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510359792.6A CN104899577B (zh) | 2015-06-25 | 2015-06-25 | 建筑物内的人员数量确定方法和人群疏散方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104899577A CN104899577A (zh) | 2015-09-09 |
CN104899577B true CN104899577B (zh) | 2020-02-14 |
Family
ID=54032231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510359792.6A Active CN104899577B (zh) | 2015-06-25 | 2015-06-25 | 建筑物内的人员数量确定方法和人群疏散方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104899577B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106528554A (zh) * | 2015-09-10 | 2017-03-22 | 中国科学院上海高等研究院 | 一种快速确定人员初始位置与建筑物参数的系统 |
CN105469539B (zh) * | 2015-12-30 | 2018-06-19 | 深圳职业技术学院 | 一种防人群踩踏报警系统 |
CN106326569A (zh) * | 2016-08-25 | 2017-01-11 | 刘华英 | 人群疏散方法和装置 |
CN106327992A (zh) * | 2016-09-05 | 2017-01-11 | 清华大学 | 一种用于地铁折返线的火灾试验装置及方法 |
CN106773717A (zh) * | 2017-01-23 | 2017-05-31 | 复旦大学 | 建筑物应急疏散高效实时控制系统 |
CN109996170B (zh) * | 2017-12-29 | 2021-08-17 | 杭州海康威视系统技术有限公司 | 一种室内路线生成方法、装置及系统 |
CN110807345A (zh) * | 2018-08-06 | 2020-02-18 | 开利公司 | 建筑物疏散方法和建筑物疏散系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279800A (zh) * | 2013-01-10 | 2013-09-04 | 吉林大学 | 基于博弈论的大规模人群疏散最优逃生路线生成方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7792779B2 (en) * | 2007-06-05 | 2010-09-07 | Intel Corporation | Detection of epidemic outbreaks with Persistent Causal-Chain Dynamic Bayesian Networks |
CN103488886B (zh) * | 2013-09-13 | 2017-01-04 | 清华大学 | 基于模糊动态贝叶斯网络的态势威胁评估方法 |
-
2015
- 2015-06-25 CN CN201510359792.6A patent/CN104899577B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103279800A (zh) * | 2013-01-10 | 2013-09-04 | 吉林大学 | 基于博弈论的大规模人群疏散最优逃生路线生成方法 |
Non-Patent Citations (2)
Title |
---|
人流紧急疏散模拟方法述评;郑小平 等;《系统管理学报》;20081231;第17卷(第6期);698-703 * |
基于贝叶斯网络的住宅防水风险研究;贺兆泽 等;《工程管理学报》;20150228;第29卷(第1期);86-90 * |
Also Published As
Publication number | Publication date |
---|---|
CN104899577A (zh) | 2015-09-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104899577B (zh) | 建筑物内的人员数量确定方法和人群疏散方法 | |
CN104750768B (zh) | 用于从社交媒体中识别、监控和排名事件的方法和系统 | |
CN110929378B (zh) | 一种基于数字孪生的高层建筑应急疏散方法、系统及电子设备 | |
CN110737989A (zh) | 一种平行智能应急协同方法、系统及电子装备 | |
CN112199882B (zh) | 一种火灾下人员疏散过程模拟方法、疏散预警方法及系统 | |
Peacock et al. | Pedestrian and evacuation dynamics | |
Cuesta et al. | School egress data: comparing the configuration and validation of five egress modelling tools | |
Taneja et al. | Network redesign for efficient crowd flow and evacuation | |
Ruggiero et al. | Investigating pedestrian navigation in indoor open space environments using big data | |
WO2019135751A1 (en) | Visualization of predicted crowd behavior for surveillance | |
CN115775085B (zh) | 一种基于数字孪生的智慧城市管理方法及系统 | |
CN102142061A (zh) | 流模拟工具和流模型的校准 | |
Ding et al. | Intelligent emergency digital twin system for monitoring building fire evacuation | |
CN114689058B (zh) | 基于深度学习和混合遗传算法的火灾疏散路径规划方法 | |
CN113935643A (zh) | 一种校园安全风险防控方法、系统、设备及存储介质 | |
Cheng et al. | Graph-based network generation and CCTV processing techniques for fire evacuation | |
CN116502763A (zh) | 一种基于时空图神经网络的人群拥堵预测方法及系统 | |
Zhang et al. | Ex-ante online risk assessment for building emergency evacuation through multimedia data | |
Dugdale et al. | Agent-based simulation for IoT facilitated building evacuation | |
CN114170041A (zh) | 应用建筑主题数据建立智慧建筑运维管理系统的方法 | |
Alolaiwy et al. | Crowd path trajectory prediction using least action principle | |
CN106022311A (zh) | 基于城市监控视频识别的应急事件发现方法及系统 | |
Du et al. | Multi-agent based simulation of elderly egress process and fall accident in senior apartment buildings | |
CN113744476B (zh) | 建筑物内应急疏散指引方法及装置 | |
CN115775055A (zh) | 多层建筑人员疏散时间的预测方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |