CN107832912A - 一种密集人群风险分析方法及系统 - Google Patents

Abstract

本发明涉及一种密集人群风险分析方法及系统，对导致人群踩踏事故的因素进行多源数据深入融合分析，对密集人群踩踏事故风险进行预测研判。系统基于细分区域人群数量预估量与人群容量比、事故发生后的严重程度和事故触发条件，构建公共场所活动区域密集人群拥挤踩踏风险分析表达式，得到密集人群风险分析结果和风险等级，并反馈管控建议。本发明解决了当公共场所内聚集大量的人员时，如何有效地对人群拥挤踩踏事件进行风险分析及预警。

Description

一种密集人群风险分析方法及系统

技术领域

本发明涉及应急管理、数据分析领域，具体涉及一种基于多源数据融合的密集人群风险分析方法及系统。

背景技术

随着中国城镇化的不断深入，公共场所数目以及参与公共活动的人群数量急剧增大，由于公共活动的日益复杂性、多样性以及不确定性，一旦因为某种原因导致突发的事故，如踩踏事故，往往会因为事前预测准备不足，造成大量的人员和财产损失。因此，政府和社会迫切需要一种对于公共场所密集人群的风险分析预测方法，用来帮助减少相关事故造成的社会损失。

公共场所人员密集区域拥挤踩踏事故演化过程中的影响因素很多，数据来源多样，例如人群密度、个体行为、谣言恐慌、天气情况等都会对事故概率和严重程度造成影响，如何确定事故因素、基于多源数据进行风险预测，是亟待解决的问题。

发明内容

针对现有技术存在的缺陷，本发明提出了一种基于多源数据融合的密集人群风险分析方法及系统，能够对导致人群踩踏事故的因素进行深入融合分析，有效对密集人群踩踏事故发生风险进行预测研判。

本发明的一个目的是提供了一种密集人群风险分析方法，包括以下步骤：

将公共场所划分为N个细分区域S₁，...，S_N，其中N为大于0的自然数，针对每个区域，估算人群数量预估量与人群容量比δ；根据人群中是否有人摔倒或者是否有谣言传播，计算踩踏事故触发因子λ；根据单位时间受拥挤的人数f和事故持续时间t，计算事故发生后的严重程度F(f，t)；基于细分区域人群数量预估量与人群容量比δ、事故发生后的严重程度F(f，t)和事故触发条件，构建公共场所活动区域密集人群拥挤踩踏风险分析表达式，得到密集人群风险分析结果：

R＝λ·δ·P·F(f，t)其中，P表示的是事故发生时受影响人群占总人群的百分比。

其中估算人群数量预估量与人群容量比δ具体为：将公共场所划分为N个细分区域S_i＝S₁，...，S_N，针对每个区域，估算相应的人群容量V_i＝V₁，...，V_N，其中，i＝1，...N，N为大于0的自然数；对公共场所活动区域人群数量进行预测，得到公共场所活动区域人群数量预估值Y；将公共场所活动区域人群数量预估值按细分区域进行均分，则每一细分区域人群数量预估值为根据估算的人群容量进一步得到各细分区域人群数量预估量与人群容量比为

对公共场所活动区域人群数量进行预测，得到公共场所活动区域人群数量预估值Y具体为：数据表现形式为{(t₁，x₁，w₁，y₁)，...，(t_i，x_i，w_i，y_i)}，其中t_i表示的是该场所被使用的时间，x_i表示场所在t_i时间的累积网络舆情热度值，w_i表示的是t_i时间的天气情况，y_i表示的是该场所在t_i时间的真实人数，然后利用线性回归模型，并基于均方误差最小化求解模型，得到映射函数y_i＝β₀+β₁t_i+β₂x_i+β₃w_i+μ，其中β₀，β₁、β₂为回归参数，μ为随机误差项，将当前活动的时间t_i、网络舆情值x_i，天气情况w_i代入映射函数，得到当前公共场所活动区域人群数量预估值Y。

计算踩踏事故触发因子λ具体为其中，a为人群摔倒率，b为谣言传播速度，表示每分钟谣言传播的影响人数。

计算事故发生后的严重程度F(f，t)具体为其中，f表示单位时间受拥挤的人数，t表示事故持续的时间。

进一步地，预设风险等级阈值，将密集人群风险分析结果与风险等级阈值进行比较以识别风险等级，根据风险等级反馈相应的管控建议。

本发明的另一个目的是提供一种密集人群风险分析系统，包括：

人群数量风险评估模块，用于计算区域人群数量预估量与人群容量比δ，并将计算结果发送给密集人群风险分析模块；

事故触发因子模块，用于根据人群中是否有人摔倒或者是否有谣言传播，计算踩踏事故触发因子λ，并将结果发送给密集人群风险分析模块；

事故程度评估模块，根据单位时间受拥挤的人数f和事故持续时间t，计算事故发生后的严重程度F(f，t)，并将结果发送给密集人群风险分析模块；

事故影响人群评估模块，用于计算事故发生时受影响人群占总人群的百分比P，并将结果发送给密集人群风险分析模块；

密集人群风险分析模块，接收人群数量风险评估模块、事故触发因子模块、事故程度评估模块和事故影响人群评估模块的计算结果，根据公共场所活动区域密集人群拥挤踩踏风险分析表达式R＝λ·δ·P·F(f，t)，对密集人群风险进行分析计算。

其中，所述人群数量风险评估模块包括区域人群容量估算单元、区域人群数量估算单元、区域人群预估数量与容量比计算单元。区域人群容量估算单元用于将公共场所划分为N个细分区域S_i＝S₁，...，S_N，针对每个区域，估算相应的人群容量V_i＝V₁，...，V_N，其中，i＝1，...N，N为大于0的自然数，并将细分区域结果和估算值发送给区域人群预估数量与容量比计算单元；区域人群数量估算单元用于基于公共场所活动区域人群历史统计数据、网络舆情数据、天气数据，对公共场所活动区域人群数量进行预测，得到公共场所活动区域人群数量预估值Y，并将预估值Y发送给区域人群预估数量与容量比计算单元；区域人群预估数量与容量比计算单元用于将公共场所活动区域人群数量预估值按细分区域进行均分，则每一细分区域人群数量预估值为根据区域人群容量估算单元估算的人群容量进一步得到各细分区域人群数量预估量与人群容量比

进一步的，区域人群数量估算单元得到公共场所活动区域人群数量预估值Y具体为：数据表现形式为{(t₁，x₁，w₁，y₁)，...，(t_i，x_i，w_i，y_i)}，其中t_i表示的是该场所被使用的时间，x_i表示场所在t_i时间的累积网络舆情热度值，w_i表示的是t_i时间的天气情况，y_i表示的是该场所在t_i时间的真实人数，然后利用线性回归模型，并基于均方误差最小化求解模型，得到映射函数y_i＝β₀+β₁t_i+β₂x_i+β₃w_i+μ，其中β₀、β₁、β₂为回归参数，μ为随机误差项，将当前活动的时间t_i、网络舆情值x_i，天气情况w_i代入映射函数，得到当前公共场所活动区域人群数量预估值Y。

事故触发因子模块计算踩踏事故触发因子λ具体为：其中，a为人群摔倒率，b为谣言传播速度，表示每分钟谣言传播的影响人数。

事故程度评估模块计算事故发生后的严重程度F(f，t)具体为：其中，f表示单位时间受拥挤的人数，t表示事故持续的时间。

系统还包括风险定级模块和管控建议反馈模块，其中，风险定级模块预设风险等级阈值，将密集人群风险分析结果与风险等级阈值进行比较以识别风险等级，管控建议反馈模块根据风险等级反馈相应的管控建议。

本发明的密集人群风险分析方法及系统，能够对导致人群踩踏事故的因素进行深入融合分析，基于多源数据融合，有效地对密集人群拥挤踩踏事件进行风险分析及预警。

附图说明

图1示出了本发明的密集人群风险分析方法流程示意图。

图2示出了本发明的公共场所人员密集区域拥挤踩踏事故演化过程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明，应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

现在将详细参考本发明的实施例，这些实施例的示例在附图中示出。元件的后缀“模块”和“单元”在此用于方便描述，并且因此可以可交换地被使用，而且没有任何可区别的意义或功能。

虽然构成本发明的实施例的所有元件或单元被描述为结合到单个元件中或被操作为单个元件或单元，但是本发明不一定局限于此种实施例。根据实施例，在本发明的目的和范围内所有的元件可以选择性地结合到一个或多个元件并且被操作为一个或多个元件。

图1示出了本发明的密集人群风险分析方法流程示意图。

如图1所示，本发明的一个实施例中的密集人群风险分析方法具体包括：

将公共场所划分为N个细分区域S₁，...，S_N，其中N为大于0的自然数，针对每个区域，估算人群数量预估量与人群容量比δ；根据人群中是否有人摔倒或者是否有谣言传播，计算踩踏事故触发因子λ；根据单位时间受拥挤的人数f和事故持续时间t，计算事故发生后的严重程度F(f，t)；基于细分区域人群数量预估量与人群容量比δ、事故发生后的严重程度F(f，t)和事故触发条件，构建公共场所活动区域密集人群拥挤踩踏风险分析表达式，得到密集人群风险分析结果：

R＝λ·δ·P·F(f，t)其中，P表示的是事故发生时受影响人群占总人群的百分比。

其中估算人群数量预估量与人群容量比δ具体为：将公共场所划分为N个细分区域S_i＝S₁，...，S_N，针对每个区域，估算相应的人群容量V_i＝V₁，...，V_N，其中，i＝1，...N，N为大于0的自然数；对公共场所活动区域人群数量进行预测，得到公共场所活动区域人群数量预估值Y；将公共场所活动区域人群数量预估值按细分区域进行均分，则每一细分区域人群数量预估值为根据估算的人群容量进一步得到各细分区域人群数量预估量与人群容量比为

对公共场所活动区域人群数量进行预测，得到公共场所活动区域人群数量预估值Y具体为：数据表现形式为{(t_1，x₁，w₁，y₁)，...，(t_i，x_i，w_i，y_i)}，其中t_i表示的是该场所被使用的时间，x_i表示场所在t_i时间的累积网络舆情热度值，w_i表示的是t_i时间的天气情况，y_i表示的是该场所在t_i时间的真实人数，然后利用线性回归模型，并基于均方误差最小化求解模型，得到映射函数y_i＝β₀+β₁t_i+β₂x_i+β₃w_i+μ，其中β₀、β₁、β₂为回归参数，μ为随机误差项，将当前活动的时间t_i、网络舆情值x_i，天气情况w_i代入映射函数，得到当前公共场所活动区域人群数量预估值Y。

计算踩踏事故触发因子λ具体为其中，a为人群摔倒率，b为谣言传播速度，表示每分钟谣言传播的影响人数。

计算事故发生后的严重程度F(f，t)具体为其中，f表示单位时间受拥挤的人数，t表示事故持续的时间。

进一步地，预设风险等级阈值，将密集人群风险分析结果与风险等级阈值进行比较以识别风险等级，根据风险等级反馈相应的管控建议。

在一个具体的实施例中，对公共场所活动区域进行人群容量估算，将公共场所划分为多个细分区域S₁，...，S_N(100m²，...，150m²)，针对每个区域，计算相应的人群容量V₁，...，V_N(₁₃0人，...，200人)；

基于场所活动区域人群历史统计数据以及互联网数据、天气数据，对公共场所区域人群数量进行预测。数据表现形式为{(t₁，x₁，w₁，y₁)，...，(t_M，x_M，w_M，y_M)}，具体：{(上午，热度高，晴，3600人)，...，(晚上，热度低，下雨，600人)}，其中t_i表示的是该场所被使用的时间，x_i表示场所在t_i时间的累积网络舆情热度值，w_i表示的是t_i时间的天气情况，y_i表示的是该场所在t_i时间的真实人数，然后利用线性回归模型，并基于均方误差最小化求解模型，最终得到(t，x，w)→(y)的映射f，f＝β₀+β₁t+β₂x+β₃w+μ，其中β₀、β₁、β₂为回归参数，μ为随机误差项，从而可以对该场所下一活动的人员数量值Y进行预测；

将人员预估值按公告场所划分区域S₁，...，S_N进行均分，即每一细分区域人员预估量为对应的细分区域人群容量为V_i，所以得到各细分区域人员预估量与人群容量比δ为

确定人群中是否有人摔倒或者有谣言传播，计算踩踏事故触发因子λ，λ＝G(有人摔倒率，谣言传播速度)，其中，人群中有人摔倒率为谣言传播速度b表示每分钟谣言传播的影响人数，函数故

计算事故发生后的严重程度F(f，t)，其中f表示人群中每时间受拥挤的人数，t表示事故持续的时间，函数故

基于人员预估量与人群容量比δ、事故发生后的严重程度和事故触发条件等多源信息，得出场所某一区域密集人群拥挤踩踏风险分析表达式：

R＝λ·δ·P·F(f，t)

其中，λ是踩踏事故触发因子，其值取决于人群中是否有人摔倒或者有谣言在传播；δ是场所某一区域人员预估量与人群容量比，其值越大，在其他变量不变的情况下，密集人群风险也越大；P表示的是事故发生时受影响人群占总人群的百分比；F(f，t)表示的是事故发生后的严重程度，f表示人群中每时间受拥挤的人数，t表示的是事故持续的时间。

其中，线性回归模型建立过程如下：

假定被解释变量Y与多个解释变量X₁，X₂，…，X_k之间具有线性关系，是解释变量的多元线性函数，称为多元线性回归模型。即

Y＝β₀+β₁X₁+β₂X₂+…+β_kX_k+μ (1.1)

其中Y为被解释变量，X_j(j＝1，2，…，k)为k个解释变量，β_j(j＝0，1，2，…，k)为k+1个未知参数，μ为随机误差项。

被解释变量Y的期望值与解释变量X₁，X₂，…，X_k的线性方程为：

E(Y)＝β₀+β₁X₁+β₂X₂+…+β_kX_k (1.2)

称为多元总体线性回归方程，简称总体回归方程。

对于n组观测值Y_i，X_1i，X_2i，...，X_ki(I＝1，2，…，n)，其方程组形式为：

Y_i＝β₀+β₁X_1i+β₂X_2i+…+β_kX_ki+μ_i，(i＝1，2，…，n) (1.3)

即

其矩阵形式为

即Y＝Xβ+μ (1.4)

其中为被解释变量的观测值向量；为解释变量的观测值矩阵；为总体回归参数向量；为随机误差项向量。

总体回归方程表示为：

E(Y)＝Xβ (1.5)

多元线性回归模型包含多个解释变量，多个解释变量同时对被解释变量Y发生作用，若要考察其中一个解释变量对Y的影响就必须假设其它解释变量保持不变来进行分析。因此多元线性回归模型中的回归系数为偏回归系数，即反映了当模型中的其它变量不变时，其中一个解释变量对因变量Y的均值的影响。

由于参数β₀，β₁，β₂，…，β_k都是未知的，可以利用样本观测值(X_1i，X_2i，…，X_ki，Y_i)对它们进行估计。若计算得到的参数估计值为用参数估计值替代总体回归函数的未知参数β₀，β₁，β₂，…，β_k，则得多元线性样本回归方程：

其中为参数估计值，为Y_i的样本回归值或样本拟合值、样本估计值。

其矩阵表达形式为：

其中为被解释变量样本观测值向量Y的n×1阶拟合值列向量；为解释变量X的n×(k+1)阶样本观测矩阵；为未知参数向量β的(k+1)×1阶估计值列向量。

样本回归方程得到的被解释变量估计值与实际观测值Y_i之间的偏差称为残差e_i。

对多元线性回归模型的参数进行估计，具体包括：回归参数的最小二乘估计和随机误差项μ的方差的估计量。

回归参数的最小二乘估计：

对于含有k个解释变量的多元线性回归模型

Y_i＝β₀+β₁X_1i+β₂X_2i+…+β_kX_ki+μ_i(I＝1，2，…，n)

设分别作为参数β₀，β₁，…，β_k的估计量，得样本回归方程为：

观测值Y_i与回归值的残差e_i为：

由最小二乘法可知应使全部观测值Y_i与回归值的残差e_i的平方和最小，即使

取得最小值。根据多元函数的极值原理，Q分别对求一阶偏导，并令其等于零，即

即

化简得下列方程组

上述(k+1)个方程称为正规方程，其矩阵形式为

因为

设为估计值向量

样本回归模型两边同乘样本观测值矩阵X的转置矩阵X′，则有

得正规方程组：

由假定(6)，R(X)＝k+1，X′X为(k+1)阶方阵，所以X′X满秩，X′X的逆矩阵(X′X)^-1存在。因而

则为向量β的OLS估计量。

以二元线性回归模型为例，导出二元线性回归模型的OLS估计量的表达式。由(1.3)式得二元线性回归模型为

Y_i＝β₀+β₁X_li+β₂X_2i+μ_I

为了计算的方便，先将模型中心化。

L_pq＝∑x_pix_qi，(p，q＝1，2)

L_jY＝∑x_jiy_i，(j＝1，2)

设则二元回归模型改写为中心化模型。

Y_i＝α₀+β₁x_1i+β₂x_2i+μ_i (3.7)

记

将L_pq＝∑x_pix_qi，(p，q＝1，2)代入得

因为

则

由(3.6)式得

其中

由(3.11)式可知

得

计算随机误差项μ的方差的估计量，样本回归方程得到的被解释变量估计值与实际观测值Y_i之间的偏差称为残差e_i：

则

设P＝I_n-X(X′X)^-1X′，可以得出P是n阶对称幂等矩阵，P＝P′，P²＝P。于是e＝Pμ

而残差的平方和为

其中″tr″表示矩阵的迹，即矩阵主对角线元素的和。于是

随机误差项μ的方差的无偏估计量，记作即 S_e为残差的标准差(或回归标准差)。

因此

其中

例如，对于二元线性回归模型(k＝2)

在另一个实施例中，本发明的密集人群风险分析系统包括：人群数量风险评估模块，用于计算区域人群数量预估量与人群容量比δ，并将计算结果发送给密集人群风险分析模块；

事故触发因子模块，用于根据人群中是否有人摔倒或者是否有谣言传播，计算踩踏事故触发因子λ，并将结果发送给密集人群风险分析模块；

事故程度评估模块，根据单位时间受拥挤的人数f和事故持续时间t，计算事故发生后的严重程度F(f，t)，并将结果发送给密集人群风险分析模块；

事故影响人群评估模块，用于计算事故发生时受影响人群占总人群的百分比P，并将结果发送给密集人群风险分析模块；

密集人群风险分析模块，接收人群数量风险评估模块、事故触发因子模块、事故程度评估模块和事故影响人群评估模块的计算结果，根据公共场所活动区域密集人群拥挤踩踏风险分析表达式R＝λ·δ·P·F(f，t)，对密集人群风险进行分析计算。

其中，所述人群数量风险评估模块包括区域人群容量估算单元、区域人群数量估算单元、区域人群预估数量与容量比计算单元。区域人群容量估算单元用于将公共场所划分为N个细分区域S_i＝S₁，...，S_N，针对每个区域，估算相应的人群容量V_i＝V₁，...，V_N，其中，i＝1，...N，N为大于0的自然数，并将细分区域结果和估算值发送给区域人群预估数量与容量比计算单元；区域人群数量估算单元用于基于公共场所活动区域人群历史统计数据、网络舆情数据、天气数据，对公共场所活动区域人群数量进行预测，得到公共场所活动区域人群数量预估值Y，并将预估值Y发送给区域人群预估数量与容量比计算单元；区域人群预估数量与容量比计算单元用于将公共场所活动区域人群数量预估值按细分区域进行均分，则每一细分区域人群数量预估值为根据区域人群容量估算单元估算的人群容量进一步得到各细分区域人群数量预估量与人群容量比

进一步的，区域人群数量估算单元得到公共场所活动区域人群数量预估值Y具体为：数据表现形式为{(t₁，x₁，w₁，y₁)，...，(t_i，x_i，w_i，y_i)}，其中t_i表示的是该场所被使用的时间，x_i表示场所在t_i时间的累积网络舆情热度值，w_i表示的是t_i时间的天气情况，y_i表示的是该场所在t_i时间的真实人数，然后利用线性回归模型，并基于均方误差最小化求解模型，得到映射函数y_i＝β₀+β₁t_i+β₂x_i+β₃w_i+μ，其中β₀、β₁、β₂为回归参数，μ为随机误差项，将当前活动的时间t_i、网络舆情值x_i，天气情况w_i代入映射函数，得到当前公共场所活动区域人群数量预估值Y。

事故触发因子模块计算踩踏事故触发因子λ具体为：其中，a为人群摔倒率，b为谣言传播速度，表示每分钟谣言传播的影响人数。

事故程度评估模块计算事故发生后的严重程度F(f，t)具体为：其中，f表示单位时间受拥挤的人数，t表示事故持续的时间。

系统还包括风险定级模块和管控建议反馈模块，其中，风险定级模块预设风险等级阈值，将密集人群风险分析结果与风险等级阈值进行比较以识别风险等级，管控建议反馈模块根据风险等级反馈相应的管控建议。

本发明的密集人群风险分析方法及系统，能够对导致人群踩踏事故的因素进行深入融合分析，基于多源数据融合，有效地对密集人群拥挤踩踏事件进行风险分析及预警。

应当理解，在本说明书中描述的功能单元或能力可被称为或标示为组件、模块或系统，以便更具体地强调它们的实现独立。例如，组件、模块或系统可被实现为硬件电路，其包括定制超大规模集成(VLSI)电路或门阵列、现成的半导体，诸如逻辑芯片、晶体管，或其他分立组件。组件或模块还可在可编程硬件设备中实现，诸如场可编程门阵列、可编程阵列逻辑、可编程逻辑设备等。组件或模块还可以在用于由各种类型的处理器执行的软件中实现。例如，可执行代码的识别的组件或模块可以包括一个或多个物理或逻辑的计算机指令，其可以，例如，被组织为对象、程序或功能。然而，所识别的组件或模块不必在物理上定位在一起，而是可以包含存储在不同位置的全异指令，其当逻辑上接合在一起时，包含组件或模块并实现对于组件或模块的规定目的。

应该理解由本领域技术人员通过本发明能够实现的效果并不局限于在上文已特别描述的内容，并且本发明的其它优点从上面的详细描述中将更清楚地理解。

对于本领域技术人员，显然可以在不脱离本发明的精神或范围的情况下在本发明中做出各种修改和变型。因此，本发明旨在如果本发明的修改和变型落入附随权利要求和它们的等同形式的范围内，那么本发明覆盖这些修改和变型。

Claims (12)

1.一种密集人群风险分析方法，其特征在于，包括以下步骤：

(1)将公共场所划分为N个细分区域S₁，...，S_N，其中N为大于0的自然数，针对每个区域，估算人群数量预估量与人群容量比δ；

(2)根据人群中是否有人摔倒或者是否有谣言传播，计算踩踏事故触发因子λ；根据单位时间受拥挤的人数f和事故持续时间t，计算事故发生后的严重程度F(f，t)；

(3)基于细分区域人群数量预估量与人群容量比δ、事故发生后的严重程度F(f，t)和事故触发条件，构建公共场所活动区域密集人群拥挤踩踏风险分析表达式，得到密集人群风险分析结果：

R＝λ·δ·P·F(f，t)

其中，P表示的是事故发生时受影响人群占总人群的百分比。

2.根据权利要求1所述的方法，其特征在于，步骤(1)中估算人群数量预估量与人群容量比δ具体为：

将公共场所划分为N个细分区域S_i＝S₁，...，S_N，针对每个区域，估算相应的人群容量V_i＝V₁，...，V_N，其中，i＝1，...N，N为大于0的自然数；

对公共场所活动区域人群数量进行预测，得到公共场所活动区域人群数量预估值Y；

将公共场所活动区域人群数量预估值按细分区域进行均分，则每一细分区域人群数量预估值为根据估算的人群容量进一步得到各细分区域人群数量预估量与人群容量比为

3.根据权利要求2所述的方法，其特征在于，对公共场所活动区域人群数量进行预测，得到公共场所活动区域人群数量预估值Y具体为：数据表现形式为{(t₁，x₁，w₁，y₁)，...，(t_i，x_i，w_i，y_i)}，其中t_i表示的是该场所被使用的时间，x_i表示场所在t_i时间的累积网络舆情热度值，w_i表示的是t_i时间的天气情况，y_i表示的是该场所在t_i时间的真实人数，然后利用线性回归模型，并基于均方误差最小化求解模型，得到映射函数y_i＝β₀+β₁t_i+β₂x_i+β₃w_i+μ，其中β₀、β₁、β₂为回归参数，μ为随机误差项，将当前活动的时间t_i、网络舆情值x_i，天气情况w_i代入映射函数，得到当前公共场所活动区域人群数量预估值Y。

4.根据权利要求1所述的方法，其特征在于，步骤(2)中计算踩踏事故触发因子λ具体为：其中，a为人群摔倒率，b为谣言传播速度，表示每分钟谣言传播的影响人数。

5.根据权利要求1所述的方法，其特征在于，步骤(2)中计算事故发生后的严重程度F(f，t)具体为：其中，f表示单位时间受拥挤的人数，t表示事故持续的时间。

6.根据权利要求1所述的方法，其特征在于，预设风险等级阈值，将密集人群风险分析结果与风险等级阈值进行比较以识别风险等级，根据风险等级反馈相应的管控建议。

7.一种密集人群风险分析系统，其特征在于，包括以下模块：

人群数量风险评估模块，用于计算区域人群数量预估量与人群容量比δ，并将计算结果发送给密集人群风险分析模块；

事故触发因子模块，用于根据人群中是否有人摔倒或者是否有谣言传播，计算踩踏事故触发因子λ，并将结果发送给密集人群风险分析模块；

事故程度评估模块，根据单位时间受拥挤的人数f和事故持续时间t，计算事故发生后的严重程度F(f，t)，并将结果发送给密集人群风险分析模块；

事故影响人群评估模块，用于计算事故发生时受影响人群占总人群的百分比P，并将结果发送给密集人群风险分析模块；

密集人群风险分析模块，接收人群数量风险评估模块、事故触发因子模块、事故程度评估模块和事故影响人群评估模块的计算结果，根据公共场所活动区域密集人群拥挤踩踏风险分析表达式R＝λ·δ·P·F(f，t)，对密集人群风险进行分析计算。

8.根据权利要求7所述的系统，其特征在于，所述人群数量风险评估模块包括区域人群容量估算单元、区域人群数量估算单元、区域人群预估数量与容量比计算单元，其中，

区域人群容量估算单元用于将公共场所划分为N个细分区域S_i＝S₁，...，S_N，针对每个区域，估算相应的人群容量V_i＝V₁，...，V_N，其中，i＝1，...N，N为大于0的自然数，并将细分区域结果和估算值发送给区域人群预估数量与容量比计算单元；

区域人群数量估算单元用于基于公共场所活动区域人群历史统计数据、网络舆情数据、天气数据，对公共场所活动区域人群数量进行预测，得到公共场所活动区域人群数量预估值Y，并将预估值Y发送给区域人群预估数量与容量比计算单元；

区域人群预估数量与容量比计算单元用于将公共场所活动区域人群数量预估值按细分区域进行均分，则每一细分区域人群数量预估值为根据区域人群容量估算单元估算的人群容量进一步得到各细分区域人群数量预估量与人群容量比

9.根据权利要求8所述的系统，其特征在于，区域人群数量估算单元得到公共场所活动区域人群数量预估值Y具体为：数据表现形式为{(t₁，x₁，w₁，y₁)，...，(t_i，x_i，w_i，y_i)}，其中t_i表示的是该场所被使用的时间，x_i表示场所在t_i时间的累积网络舆情热度值，w_i表示的是t_i时间的天气情况，y_i表示的是该场所在t_i时间的真实人数，然后利用线性回归模型，并基于均方误差最小化求解模型，得到映射函数y_i＝β₀+β₁t_i+β₂x_i+β₃w_i+μ，其中

β₀、β₁、β₂为回归参数，μ为随机误差项，将当前活动的时间t_i、网络舆情值x_i，天气情况w_i代入映射函数，得到当前公共场所活动区域人群数量预估值Y。

10.根据权利要求7所述的系统，其特征在于，事故触发因子模块计算踩踏事故触发因子λ具体为：其中，a为人群摔倒率，b为谣言传播速度，表示每分钟谣言传播的影响人数。

11.根据权利要求7所述的系统，其特征在于，事故程度评估模块计算事故发生后的严重程度F(f，t)具体为：其中，f表示单位时间受拥挤的人数，t表示事故持续的时间。

12.根据权利要求7所述的密集人群风险分析系统，其特征在于，系统还包括风险定级模块和管控建议反馈模块，其中，风险定级模块预设风险等级阈值，将密集人群风险分析结果与风险等级阈值进行比较以识别风险等级，管控建议反馈模块根据风险等级反馈相应的管控建议。