CN109522876A - 基于bp神经网络的地铁站楼扶梯选择预测方法及系统 - Google Patents
基于bp神经网络的地铁站楼扶梯选择预测方法及系统 Download PDFInfo
- Publication number
- CN109522876A CN109522876A CN201811525212.6A CN201811525212A CN109522876A CN 109522876 A CN109522876 A CN 109522876A CN 201811525212 A CN201811525212 A CN 201811525212A CN 109522876 A CN109522876 A CN 109522876A
- Authority
- CN
- China
- Prior art keywords
- data set
- neural network
- subway station
- passenger
- training
- 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.)
- Granted
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 94
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 29
- 238000012216 screening Methods 0.000 claims abstract description 21
- 239000000523 sample Substances 0.000 claims abstract description 15
- 238000012795 verification Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 54
- 238000007637 random forest analysis Methods 0.000 claims description 31
- 238000001514 detection method Methods 0.000 claims description 22
- 238000004422 calculation algorithm Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 15
- 238000003672 processing method Methods 0.000 claims description 11
- 238000012163 sequencing technique Methods 0.000 claims description 10
- 230000003287 optical effect Effects 0.000 claims description 5
- 238000011410 subtraction method Methods 0.000 claims 1
- 238000010200 validation analysis Methods 0.000 abstract 1
- 230000006399 behavior Effects 0.000 description 18
- 230000006870 function Effects 0.000 description 11
- 210000002569 neuron Anatomy 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000002253 acid Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
- Y02B50/00—Energy efficient technologies in elevators, escalators and moving walkways, e.g. energy saving or recuperation technologies
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于BP神经网络的地铁站楼扶梯选择预测方法及系统,包括获取地铁站楼扶梯设施的基本参数和通过视频探头对地铁站乘客进行实时图像采集,采用视频图像处理方法根据实时图像对地铁站乘客运动的基本参数进行提取,对扶梯设施的基本参数和乘客运动的基本参数进行分析,建立原始数据集;对原始数据集进行筛选和排序,构建筛选后的数据集;搭建BP神经网络,通过BP神经网络对筛选后的数据集进行训练和有效性验证;采用验证成功的BP神经网络对乘客楼扶梯选择行为进行预测。本发明能够对地铁站客流进行有效指引,提高车站设施使用效率、减少人群拥堵的发生,解决了现有技术中存在的客流瓶颈、安全隐患等问题。
Description
技术领域
本发明涉及轨道交通管理运营技术领域,尤其涉及一种基于BP神经网络的地铁站楼扶梯选择预测方法及系统。
背景技术
近年来,随着我国轨道交通建设的快速发展,地铁在缓解城市交通拥堵、满足人民群众多样的出行需求、优化城市布局建设等方面发挥了越来越重要的作用。然而随着地铁客流量的不断增长,地铁站内拥堵问题日益严重,由此可能导致人群事故的发生,给人身安全和社会经济造成不可挽回的严重后果。
楼梯与自动扶梯作为地铁站内的连接站台层和站厅层的主要设施,是车站“咽喉”区域。客流高峰期,由于乘客对步行楼梯和自动扶梯的选择不平衡性,导致自动扶梯前排队过长形成客流瓶颈,成为地铁车站内的一处安全隐患。
因此,亟需一种提高车站设施使用效率、减少人群拥堵的客流指引方法。
发明内容
本发明提供了一种基于BP神经网络的地铁站楼扶梯选择预测方法及系统,以解决以上问题。
为了实现上述目的,本发明采取了如下技术方案。
本发明的一方面提供了一种基于BP神经网络的地铁站楼扶梯选择预测方法,包括以下步骤:
获取地铁站楼扶梯设施的基本参数和通过视频探头对地铁站乘客进行实时图像采集,采用视频图像处理方法根据所述实时图像对地铁站乘客运动的基本参数进行提取,对所述的扶梯设施的基本参数和乘客运动的基本参数进行分析,建立原始数据集;
对所述的原始数据集进行筛选和排序,构建筛选后的数据集;
搭建BP神经网络,通过BP神经网络对筛选后的数据集进行训练和有效性验证;
采用验证成功的BP神经网络对乘客楼扶梯选择行为进行预测。
进一步地,采用视频图像处理方法根据所述实时图像对地铁站乘客运动的基本参数进行提取,包括:采用视频图像处理的乘客检测与跟踪算法对地铁站乘客运动的基本参数进行提取。
进一步地,检测与跟踪算法包括背景差分法、动态检测法和光流法。
进一步地,对所述的原始数据集进行筛选和排序,构建筛选后的数据集包括,通过随机森林RF对所述的原始数据集进行筛选和排序,构建筛选后的数据集,具体包括:根据基尼Gini指数或袋外数据OBB错误率计算原始数据集中变量的重要度评分,根据所述的重要度得分统计量,对原始数据集进行筛选和排序。
进一步地,根据Gini指数或袋外数据OBB错误率计算原始数据集中变量的重要度评分,包括:
根据下述Gini指数公式(1)计算原始数据集中变量的重要度评分:
其中,变量sj在节点m的重要性根据下式(2)所述:
当变量sj在第i棵树中出现M次,则变量sj在第i棵树的重要性根据下式(3)所述:
变量sj在RF中的Gini重要性根据下式(4)所述
K为原始数据集的类别数,为节点m样本属于K类的概率估计值,为样本在节点m属于任意一类的概率估计值,GIl和GIr分别表示由节点m分裂的两新节点的Gini指数,为变量sj的Gini得分统计量,n为RF中分类树的数量;
根据下述袋外数据OBB错误率公式(5)计算原始数据集中变量的重要度评分:
变量sj在RF中的置换重要性根据下述公式(6)计算:
其中,为第i棵树OOB数据的观测列数,I(g)为指示函数,即两值相等时取1,不等时取0;YP∈{0,1}为第p个观测的真实结果,为随机置换前第i棵树对OOB数据第p个观测的预测结果,πj∈{0,1}为随机置换后第i棵树对OOB数据第p个观测的预测结果,当变量sj没有在第i棵树中出现时,n为RF中分类树的数量。
进一步地,搭建BP神经网络,通过BP神经网络对筛选后的数据集进行训练和有效性验证,包括,将所述的筛选后的数据集分为训练数据集和测试数据集,搭建BP神经网络,通过训练数据集对BP神经网络进行训练,对训练好的BP神经网络进行有效性验证。
本发明的另一方面提供了一种基于BP神经网络的地铁站楼扶梯选择预测系统,包括数据采集模块、离线训练子系统和在线预测子系统;
所述的数据采集模块,用于采用视频探头对地铁站乘客进行实时图像采集;
所述的离线预测子系统,用于采用视频图像处理方法根据所述实时图像对地铁站乘客运动的基本参数进行提取,对所述的扶梯设施的基本参数和乘客运动的基本参数进行分析,建立原始数据集;对所述的原始数据集进行筛选和排序,构建筛选后的数据集;搭建BP神经网络,通过BP神经网络对筛选后的数据集进行训练和验证,得到验证后的BP神经网络;
所述的在线预测子系统,用于采用视频图像处理方法根据采集到的需要预测的实时图像对地铁站乘客运动的基本参数进行提取,通过所述的验证后的BP神经网络对乘客楼扶梯选择行为进行预测。
进一步地,离线训练子系统包括离线数据处理模块和模型训练模块;
所述的离线数据处理模块,用于采用视频图像处理的乘客检测与跟踪算法对所述数据采集模块采集的地铁站乘客运动的基本参数进行提取,对输入的扶梯设施的基本参数和所述的乘客运动的基本参数进行分析,建立原始数据集;通过随机森林RF对所述的原始数据集进行筛选和排序,构建筛选后的数据集;
所述的模型训练模块,用于将所述的筛选后的数据集分为训练数据集和测试数据集,搭建BP神经网络,通过BP神经网络对训练数据集进行训练;通过测试数据集对训练好的BP神经网络进行有效性验证。
进一步地,在线预测子系统包括在线数据处理模块、实时预测模块和结果显示模块;
所述的在线数据处理模块,用于采用视频图像处理的乘客检测与跟踪算法对所述数据采集模块采集的地铁站乘客运动的基本参数进行提取;
所述的实时预测模块,用于根据训练后得到的BP神经网络对所述数据处理模块提取的参数以及对应存储的场景信息进行实时预测;
所述的结果显示模块,用于完成预测结果的输出显示。
由上述本发明提供的技术方案可以看出,本发明提供的基于BP神经网络的地铁站楼扶梯选择预测方法及系统的有益效果为:
1.基于视频图像处理技术获取乘客在地铁站内运动的真实数据信息,实现数据获取的快捷性与准确性,与传统人工统计、问卷调查等方法相比,耗时较短,同时具有更强的重复可操作性。
2.基于随机森林方法的变量筛选,为影响因子的选取提供了一个理论标准,筛选后的训练数据集降低了BP神经网络的训练难度,提高了BP神经网络预测的准确度。
3.基于BP神经网络的地铁站乘客楼扶梯选择行为预测方法,通过不同车站楼扶梯场景的学习训练,对新的场景也具有高预测准确性,能够对地铁站客流进行有效指引,提高车站设施使用效率、减少人群拥堵的发生,同时提高车站运营服务质量和乘客的舒适度水平。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1为本发明实施例提供的基于BP神经网络的地铁站楼扶梯选择行为预测方法流程图;
图2为实施例1的影响乘客选择行为的因素分析图;
图3为实施例1的BP神经网络算法流程图;
图4为实施例2的基于BP神经网络的地铁站楼扶梯选择预测系统示意图;
图5为本实施例的基于BP神经网络的地铁站楼扶梯选择的显示效果图。
具体实施方式
下面详细描述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解,下面将结合附图以具体实施例为例做进一步的解释说明,且实施例并不构成对本发明实施例的限定。
本发明实施例的基于BP神经网络的地铁站楼扶梯选择预测方法及系统,旨在通过视频图像处理技术获取乘客在地铁站内运动的真实数据信息,基于随机森林方法的变量筛选和基于BP神经网络的地铁站乘客楼扶梯选择行为预测方法,解决地铁设施使用效率低、地铁拥堵的问题。
实施例
图1为本发明实施例提供的基于BP神经网络的地铁站楼扶梯选择预测方法流程图,参照图1,该方法包括以下步骤:
S10获取地铁站楼扶梯设施的基本参数和通过视频探头对地铁站乘客进行实时图像采集,采用视频图像处理方法根据所述实时图像对地铁站乘客运动的基本参数进行提取,对所述的扶梯设施的基本参数和乘客运动的基本参数进行分析,建立原始数据集。
其中,神经网络是一种运算模型,由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数,称为激励函数(activation function,AF)。每两个节点间的连接都代表一个对于通过该连接信号的加权值,称之为权重,这相当于人工神经网络的记忆。网络的输出则依据网络的连接方式,权重值和激励函数的不同而不同。而网络自身通常都是对自然界某种算法或者函数的逼近,也可能是对一种逻辑策略的表达。
BP(Back Propagation,后向传播)神经网络是神经网络的一种,属于前向网络。BP神经网络是包含多个隐含层的网络,神经网络实现了一个从输入到输出的映射功能,BP神经网络具有实现任何复杂非线性映射的能力,特别适合求解内部机制复杂的问题。
不同的地铁车站设计结构均有不同,通过实地调研观测车站楼扶梯设计结构,并且在楼扶梯入口上方以垂直角度拍摄乘客运动。设施结构参数根据观测值据实记录。本实施例的研究区域是北京市部分地铁站点,不同的地铁车站设计结构均有不同,获取地铁站楼扶梯设施的基本参数可以根据实地调研进行观测,记录站内自动扶梯与步行楼梯混行区域两类设施的高度、宽度、距离入口走行距离等数据,具体数据如下表1所示:
表1
乘客运动数据采集采用视频采集方法,通过在地铁站在站内的各区域都有安装监控摄像头进行拍摄,通过视频探头对地铁站乘客进行实时图像采集,在楼扶梯区域摄像头安装在入口和出口处上方,通过获取摄像头拍摄的视频数据存储后传输到数据处理模块进行数据的提取,此方法的优势在于可以离线重复进行数据处理。
优选地,采用视频图像处理的乘客检测与跟踪算法对地铁站乘客运动的基本参数进行提取。检测与跟踪算法包括背景差分法、动态检测法和光流法。基于视频图像处理的乘客检测与跟踪算法可以快速准确地提取乘客运动的基本参数。从实际视频图像中获取乘客运动数据,进而得到乘客的运动特征以及运动轨迹,同时将检测和跟踪相结合达到实时人数计数的目的。
进一步地,对所述的扶梯设施的基本参数和乘客运动的基本参数进行分析,建立原始数据集,包括:总结影响乘客楼扶梯选择行为的因素,根据所述的因素对扶梯设施的基本参数和乘客运动的基本参数进行分析,建立原始数据集。
图2为本发明实施例的影响乘客选择行为的因素分析图,参照图2,通过文献调研与实地观测总结得到16种影响乘客楼扶梯选择行为的因素,其中以乘客个体特性、设施基本参数和客流宏观特性分别划分为:性别、年龄、携带行李数量、是否结伴、出行目的、紧急程度和个人偏好;高度、宽度、容量、走行距离(特指楼扶梯距离车站入口闸机的走行距离)、运行速度和运行方向;入口排队人数、客流密度和客流分布。根据分析,建立原始数据集S={s1,s2,s3...s16},其中sj代表第j个因素特征的数组。
基于视频图像处理的乘客检测与跟踪可以快速准确地提取乘客运动参数。其中检测算法主要包括背景差分、动态检测和光流法等,从实际视频图像中获取乘客运动数据,进而得到乘客的运动特征以及运动轨迹,同时将检测、跟踪相结合达到实时人数计数的目的。下表2的数据以西直门地铁站A进站口某一天晚高峰时长为30分钟的视频提取数据为依据说明具体行人路径选择统计信息(只统计了从13号线换乘的乘客数据信息)。
表2
S20对原始数据集进行筛选和排序,构建筛选后的数据集。
优选地,通过随机森林RF(Random forest,RF)变量重要度计算方法对所述的原始数据集进行筛选和排序,构建筛选后的数据集。
由于影响乘客选择行为的因素较为繁杂,不同因素对于乘客的行为影响程度也不同,但是不同的影响因素对乘客最终选择行为的影响贡献并不是等额的。如果考虑所有可能因素,数据处理工作量繁重,并且同时也加重了神经网络的训练难度,不利于模型预测准确性的提高。所以根据不同因素对最终选择行为影响的重要程度进行原始数据的数据筛选尤为重要。
随机森林(Random forest,RF)是一种集成机器学习方法,它利用随机重采样技术拔靴法bootstrap和节点随机分裂技术构建多棵决策树,变量重要性评估是随机森林算法的一个重要特点,RF具有分析复杂相互作用分类特征的能力,具有较快的学习速度,其变量重要性度量可以作为高维数据的特征选择工具。随机森林通常提供4种变量重要性度量。优选地,本发明的随机森林RF根据基尼(Gini)指数或袋外数据(outofband,OBB)错误率来计算原始数据集中变量的重要度评分(variable importance measures,VIM),根据所述的重要度得分统计量,对原始数据集进行筛选和排序。
现原始数据集有变量s1,s2,s3...s16,需要计算16个VIM得分统计量,变量sj的得分统计量分别用和表示。
统计量表示第j个变量在RF所有树中节点分裂不纯度的平均改变量。Gini指数的计算公式如下式(1)所示:
其中,K为自助样本集的类别数(这里K=16),为节点m样本属于K类的概率估计值,为样本在节点m属于任意一类的概率估计值。
变量sj在节点m的重要性,即节点m分枝前后Gini指数变化量根据下式(2)计算:
其中,GIl和GIr分别表示由节点m分裂的两新节点的Gini指数。
如果变量sj在第i棵树中出现M次,则变量sj在第i棵树的重要性根据下式(3)计算:
变量sj在RF中的Gini重要性根据下式(4)计算:
其中,n为RF中分类树的数量。
的定义:在RF的每一棵树中,使用随机抽取的训练自助样本建树,并计算OOB的预测错误率,然后随机置换变量Xj的观测值后再次建树,并计算OOB的预测错误率,最后计算两次OOB错误率的差值,经过上述标准化处理后,在所有树中的平均值即为变量sj的置换重要性
变量sj在第i棵树的根据下式(5)计算:
其中,为第i棵树OOB数据的观测列数,I(g)为指示函数,即两值相等时取1,不等时取0;YP∈{0,1}为第p个观测的真实结果,为随机置换前第i棵树对OOB数据第p个观测的预测结果,πj∈{0,1}为随机置换后第i棵树对OOB数据第p个观测的预测结果。当变量sj没有在第i棵树中出现时,
变量sj在RF中的置换重要性根据下式(6)计算:
其中,n为RF中分类树的数量。
以上只是列举了通过随机森林方法计算变量重要度进行数据筛选的方法,针对影响变量之间的多重共线性以及相互依赖性,分析因素贡献重要度的方法还有诸如逐步回归分析法、主成分分析法等等。
S30搭建BP神经网络,通过BP神经网络对筛选后的数据集进行训练和有效性验证,图3为本发明实施例的BP神经网络算法流程图。
优选地,将所述的筛选后的数据集分为训练数据集和测试数据集,搭建BP神经网络,通过训练数据集对BP神经网络进行训练,对训练好的BP神经网络进行有效性验证。
根据VIM得分统计量,对筛选后的数据集进行筛选,示意性地,选择重要度前10的因素,构建筛选后数据集对数据集S*根据7:3的比例划分为训练数据集Xtraining={x1,x2,x3...xn}和测试数据集Xtest={x1,x2,x3...xm},其中xi为第i组数据集合,集合维数为10维。n和m分别为训练数据集和测试数据集数据组数量,n:m=7:3。
其中,通过BP神经网络对训练数据集进行训练包括:确定神经网络层数和各层节点个数,搭建BP神经网络,通过训练集数据训练BP神经网络,BP神经网络在外界输入样本的刺激下不断改变网络的连接权值,以使网络的输出接近期望的输出。
设计搭建一个BP神经网络首先需要确定网络的层数,一般认为增加隐含层可以降低网络误差,提高精度,但也使网络复杂化,从而增加了网络的训练时间和出现过拟合的倾向。优选地,确定神经网络层数为3层,即输入层、隐含层和输出层。另外,隐含层的节点个数选择非常重要,不仅对建立的神经网络的性能影响很大,而且是训练中出现过拟合的直接原因。以下3种途径可用于选择最佳隐含层节点个数的参考公式:
ⅰ.其中k为样本数,n1为隐含层节点数,n为输入节点数,i为[0,n]之间的常数。
ⅱ其中n1为隐含层节点数,n为输入层节点数,m为输出层节点数,a为[1,10]之间的常数。
ⅲ.n1=log2n,其中n1为隐含层节点数,n为输入层节点数。
确定神经网络层数和各层节点个数后,通过训练集数据训练神经网络,神经网络在外界输入样本的刺激下不断改变网络的连接权值,以使网络的输出接近期望的输出,具体包括如下步骤:
S301网络初始化,给各连接权值分别赋一个区间(-1,1)内的随机数,设定误差函数e,给定计算精度值ε和最大学习次数M;
S302随机选取第k个输入样本以及对应的期望输出
S303计算隐含层各神经元的输入和输出;
S304误差信号反向传播,利用网络期望输出和实际输出,计算误差函数对输出层的各神经元的偏导数,根据微分的链式规则得到局部梯度;
S305误差信号前向传播,利用隐含层到输出层的连接权值、输出层的和隐含层的输出计算误差函数对隐含层各神经元的偏导数,根据微分的链式规则得到局部梯度;
S306利用输出层神经元和隐含层各神经元的输出来修正连接权值,权值调整量=学习率*局部梯度*上一层输出信号;
S307利用隐含层各神经元和输入层各神经元的输入参数修正连接权值,权值调整量=学习率*局部梯度*上一层输出信号;
S308计算全局误差;判断网络误差是否满足要求,当误差达到预设精度或学习次数大于设定的最大次数,则结束算法。否则,选取下一个学习样本及对应的期望输出,返回到第三步,进入下一轮学习。
使用测试集数据,对训练好的BP神经网络进行有效性验证。使用测试集Xtest={x1,x2,x3...xm}作为输入,通过统计神经网络输出结果,给出网络实际预测能力统计值。
S40采用验证成功的BP神经网络对乘客楼扶梯选择行为进行预测。
具体地,根据新的输入数据,输出乘客楼扶梯选择行为预测结果。
实施例2
本实施例提供了一种基于BP神经网络的地铁站楼扶梯选择预测系统,图4为本实施例的基于BP神经网络的地铁站楼扶梯选择预测系统示意图,参照图4,该系统包括数据采集模块、离线训练子系统和在线预测子系统。
数据采集模块,用于采用视频探头对地铁站乘客进行实时图像采集;
离线预测子系统,用于采用视频图像处理方法根据所述实时图像对地铁站乘客运动的基本参数进行提取,对所述的扶梯设施的基本参数和乘客运动的基本参数进行分析,建立原始数据集;对所述的原始数据集进行筛选和排序,构建筛选后的数据集;搭建BP神经网络,通过BP神经网络对筛选后的数据集进行训练和验证,得到验证后的BP神经网络;
在线预测子系统,用于采用视频图像处理方法根据采集到的需要预测的实时图像对地铁站乘客运动的基本参数进行提取,通过所述验证后的BP神经网络对乘客楼扶梯选择行为进行预测。
优选地,离线训练子系统包括离线数据处理模块和模型训练模块;
离线数据处理模块,用于采用视频图像处理的乘客检测与跟踪算法对所述数据采集模块采集的地铁站乘客运动的基本参数进行提取,对输入的扶梯设施的基本参数和所述的乘客运动的基本参数进行分析,建立原始数据集;通过随机森林RF对所述的原始数据集进行筛选和排序,构建筛选后的数据集;
模型训练模块,用于将所述的筛选后的数据集分为训练数据集和测试数据集,搭建BP神经网络,通过BP神经网络对训练数据集进行训练;通过测试数据集对训练好的BP神经网络进行有效性验证。
优选地,在线预测子系统包括在线数据处理模块、实时预测模块和结果显示模块;
在线数据处理模块,用于采用视频图像处理的乘客检测与跟踪算法对所述数据采集模块采集的地铁站乘客运动的基本参数进行提取;
实时预测模块,用于根据训练后得到的BP神经网络对所述数据处理模块提取的参数以及对应存储的场景信息进行实时预测;
结果显示模块,用于完成预测结果的输出显示。
进一步地,在线数据处理模块实时接收地铁站摄像头采集的乘客运动视频数据,通过检测算法提取相关速度、密度等数据信息,并将数据分组传输给实时预测模块。
实时预测模块根据数据采集模块拍摄的地铁站实时客流视频通过数据处理模块提取的乘客运动数据,结合对应于当前地铁站的设备静态数据,由训练好的预测模型对当前客流情况下乘客的路径选择行为作出预测,输出当前客流情况下乘客对于步行楼梯和自动扶梯的选择概率,将预测的概率结果实时地传输到结果显示模块,给出未来一段时间内楼扶梯区域的客流分布情况估计。
结果显示模块是对乘客路径选择预测结果的直观显示,主要可以为地铁站内客流的指引提供一个辅助参考。在具体实施过程中,考虑在地铁站入口区域设置显示屏,图5为本实施例的基于BP神经网络的地铁站楼扶梯选择的显示效果图,乘客根据显示的客流预测结果可以提前规划自己的路径,避免站内楼扶梯区域产生大量的拥堵现象,同时提高车站楼扶梯设施的利用水平,进一步提升车站的通行能力。
本领域技术人员应能理解,图2仅为简明起见而示出的影响乘客选择行为因素的数量可能小于一个实际网络中的数量,但这种省略无疑是以不会影响对发明实施例进行清楚、充分的公开为前提的。
综上所述,本发明实施例的基于BP神经网络的地铁站楼扶梯选择预测方法及系统,能够对地铁站客流进行有效指引,提高车站设施使用效率、减少人群拥堵的发生,解决了现有地铁站由于乘客路径选择不均衡性导致的楼扶梯区域拥堵问题,同时提高车站运营服务质量和乘客的舒适度水平。
本领域普通技术人员可以理解:附图只是一个实施例的示意图,附图中的流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
以上所述,仅为本发明较佳的具体实施方式,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,可轻易想到的变化或替换,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该以权利要求的保护范围为准。
Claims (9)
1.一种基于BP神经网络的地铁站楼扶梯选择预测方法,其特征在于,包括以下步骤:
获取地铁站楼扶梯设施的基本参数和通过视频探头对地铁站乘客进行实时图像采集,采用视频图像处理方法根据所述实时图像对地铁站乘客运动的基本参数进行提取,对所述的扶梯设施的基本参数和乘客运动的基本参数进行分析,建立原始数据集;
对所述的原始数据集进行筛选和排序,构建筛选后的数据集;
搭建BP神经网络,通过BP神经网络对筛选后的数据集进行训练和有效性验证;
采用验证成功的BP神经网络对乘客楼扶梯选择行为进行预测。
2.根据权利要求1所述的方法,其特征在于,所述的采用视频图像处理方法根据所述实时图像对地铁站乘客运动的基本参数进行提取,包括:采用视频图像处理的乘客检测与跟踪算法对地铁站乘客运动的基本参数进行提取。
3.根据权利要求2所述的方法,其特征在于,所述的检测与跟踪算法包括背景差分法、动态检测法和光流法。
4.根据权利要求1所述的方法,其特征在于,所述的对所述的原始数据集进行筛选和排序,构建筛选后的数据集包括,通过随机森林RF对所述的原始数据集进行筛选和排序,构建筛选后的数据集,具体包括:根据基尼Gini指数或袋外数据OBB错误率计算原始数据集中变量的重要度评分,根据所述的重要度得分统计量,对原始数据集进行筛选和排序。
5.根据权利要求5所述的方法,其特征在于,所述的根据Gini指数或袋外数据OBB错误率计算原始数据集中变量的重要度评分,包括:
根据下述Gini指数公式(1)计算原始数据集中变量的重要度评分:
其中,变量sj在节点m的重要性根据下式(2)所述:
当变量sj在第i棵树中出现M次,则变量sj在第i棵树的重要性根据下式(3)所述:
变量sj在RF中的Gini重要性根据下式(4)所述
K为原始数据集的类别数,为节点m样本属于K类的概率估计值,为样本在节点m属于任意一类的概率估计值,GIl和GIr分别表示由节点m分裂的两新节点的Gini指数,为变量sj的Gini得分统计量,n为RF中分类树的数量;
根据下述袋外数据OBB错误率公式(5)计算原始数据集中变量的重要度评分:
变量sj在RF中的置换重要性根据下述公式(6)计算:
其中,为第i棵树OOB数据的观测列数,I(g)为指示函数,即两值相等时取1,不等时取0;YP∈{0,1}为第p个观测的真实结果,为随机置换前第i棵树对OOB数据第p个观测的预测结果,为随机置换后第i棵树对OOB数据第p个观测的预测结果,当变量sj没有在第i棵树中出现时,n为RF中分类树的数量。
6.根据权利要求1所述的方法,其特征在于,所述的搭建BP神经网络,通过BP神经网络对筛选后的数据集进行训练和有效性验证,包括,将所述的筛选后的数据集分为训练数据集和测试数据集,搭建BP神经网络,通过训练数据集对BP神经网络进行训练,对训练好的BP神经网络进行有效性验证。
7.一种基于BP神经网络的地铁站楼扶梯选择预测系统,其特征在于,包括数据采集模块、离线训练子系统和在线预测子系统;
所述的数据采集模块,用于采用视频探头对地铁站乘客进行实时图像采集;
所述的离线预测子系统,用于采用视频图像处理方法根据所述实时图像对地铁站乘客运动的基本参数进行提取,对所述的扶梯设施的基本参数和乘客运动的基本参数进行分析,建立原始数据集;对所述的原始数据集进行筛选和排序,构建筛选后的数据集;搭建BP神经网络,通过BP神经网络对筛选后的数据集进行训练和验证,得到验证后的BP神经网络;
所述的在线预测子系统,用于采用视频图像处理方法根据采集到的需要预测的实时图像对地铁站乘客运动的基本参数进行提取,通过所述的验证后的BP神经网络对乘客楼扶梯选择行为进行预测。
8.根据权利要求7所述的系统,其特征在于,所述的离线训练子系统包括离线数据处理模块和模型训练模块;
所述的离线数据处理模块,用于采用视频图像处理的乘客检测与跟踪算法对所述数据采集模块采集的地铁站乘客运动的基本参数进行提取,对输入的扶梯设施的基本参数和所述的乘客运动的基本参数进行分析,建立原始数据集;通过随机森林RF对所述的原始数据集进行筛选和排序,构建筛选后的数据集;
所述的模型训练模块,用于将所述的筛选后的数据集分为训练数据集和测试数据集,搭建BP神经网络,通过BP神经网络对训练数据集进行训练;通过测试数据集对训练好的BP神经网络进行有效性验证。
9.根据权利要求7所述的系统,其特征在于,所述的在线预测子系统包括在线数据处理模块、实时预测模块和结果显示模块;
所述的在线数据处理模块,用于采用视频图像处理的乘客检测与跟踪算法对所述数据采集模块采集的地铁站乘客运动的基本参数进行提取;
所述的实时预测模块,用于根据训练后得到的BP神经网络对所述数据处理模块提取的参数以及对应存储的场景信息进行实时预测;
所述的结果显示模块,用于完成预测结果的输出显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811525212.6A CN109522876B (zh) | 2018-12-13 | 2018-12-13 | 基于bp神经网络的地铁站楼扶梯选择预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811525212.6A CN109522876B (zh) | 2018-12-13 | 2018-12-13 | 基于bp神经网络的地铁站楼扶梯选择预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109522876A true CN109522876A (zh) | 2019-03-26 |
CN109522876B CN109522876B (zh) | 2023-04-18 |
Family
ID=65796173
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811525212.6A Active CN109522876B (zh) | 2018-12-13 | 2018-12-13 | 基于bp神经网络的地铁站楼扶梯选择预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109522876B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111401507A (zh) * | 2020-03-12 | 2020-07-10 | 大同公元三九八智慧养老服务有限公司 | 一种自适应决策树跌倒检测方法及系统 |
CN111754253A (zh) * | 2019-06-20 | 2020-10-09 | 北京沃东天骏信息技术有限公司 | 用户的鉴权方法、装置、计算机设备及存储介质 |
CN113902002A (zh) * | 2021-09-30 | 2022-01-07 | 北京百度网讯科技有限公司 | 用于训练站点出入口确定模型的方法和装置 |
CN114141020A (zh) * | 2022-02-08 | 2022-03-04 | 北京城建设计发展集团股份有限公司 | 一种基于轨道交通的行人仿真方法、系统及电子设备 |
CN115270506A (zh) * | 2022-08-16 | 2022-11-01 | 青岛理工大学 | 一种人群沿楼梯上行的通行时间预测方法及系统 |
CN117313931A (zh) * | 2023-09-26 | 2023-12-29 | 青岛理工大学 | 一种基于火灾场景下地铁站台乘客疏散时间的预测方法 |
CN117455553A (zh) * | 2023-12-08 | 2024-01-26 | 青岛理工大学 | 一种地铁站客流量预测的方法 |
CN118171136A (zh) * | 2024-03-01 | 2024-06-11 | 湖南工商大学 | 基于rf-c-som聚类算法的水质监测布点优化方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665178A (zh) * | 2018-05-17 | 2018-10-16 | 上海工程技术大学 | 一种基于afc的地铁站内楼扶梯客流量预测方法 |
-
2018
- 2018-12-13 CN CN201811525212.6A patent/CN109522876B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665178A (zh) * | 2018-05-17 | 2018-10-16 | 上海工程技术大学 | 一种基于afc的地铁站内楼扶梯客流量预测方法 |
Non-Patent Citations (4)
Title |
---|
刘传泽 等: "基于区域筛选分割和随机森林的人造板表面缺陷识别", 《制造业自动化》 * |
张晓凤 等: "基于AUC统计量的随机森林变量重要性评分的研究", 《中国卫生统计》 * |
张鑫 等: "Hadoop环境下基于随机森林的特征选择算法", 《计算机技术与发展》 * |
谭娟 等: "集成随机森林的交通拥堵检测模型", 《计算机测量与控制》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111754253A (zh) * | 2019-06-20 | 2020-10-09 | 北京沃东天骏信息技术有限公司 | 用户的鉴权方法、装置、计算机设备及存储介质 |
CN111401507A (zh) * | 2020-03-12 | 2020-07-10 | 大同公元三九八智慧养老服务有限公司 | 一种自适应决策树跌倒检测方法及系统 |
CN111401507B (zh) * | 2020-03-12 | 2021-01-26 | 大同公元三九八智慧养老服务有限公司 | 一种自适应决策树跌倒检测方法及系统 |
CN113902002A (zh) * | 2021-09-30 | 2022-01-07 | 北京百度网讯科技有限公司 | 用于训练站点出入口确定模型的方法和装置 |
CN114141020A (zh) * | 2022-02-08 | 2022-03-04 | 北京城建设计发展集团股份有限公司 | 一种基于轨道交通的行人仿真方法、系统及电子设备 |
CN114141020B (zh) * | 2022-02-08 | 2022-09-16 | 北京城建设计发展集团股份有限公司 | 一种基于轨道交通的行人仿真方法、系统及电子设备 |
CN115270506A (zh) * | 2022-08-16 | 2022-11-01 | 青岛理工大学 | 一种人群沿楼梯上行的通行时间预测方法及系统 |
CN115270506B (zh) * | 2022-08-16 | 2024-02-23 | 青岛理工大学 | 一种人群沿楼梯上行的通行时间预测方法及系统 |
CN117313931A (zh) * | 2023-09-26 | 2023-12-29 | 青岛理工大学 | 一种基于火灾场景下地铁站台乘客疏散时间的预测方法 |
CN117313931B (zh) * | 2023-09-26 | 2024-03-12 | 青岛理工大学 | 一种基于火灾场景下地铁站台乘客疏散时间的预测方法 |
CN117455553A (zh) * | 2023-12-08 | 2024-01-26 | 青岛理工大学 | 一种地铁站客流量预测的方法 |
CN117455553B (zh) * | 2023-12-08 | 2024-04-30 | 青岛理工大学 | 一种地铁站客流量预测的方法 |
CN118171136A (zh) * | 2024-03-01 | 2024-06-11 | 湖南工商大学 | 基于rf-c-som聚类算法的水质监测布点优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109522876B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109522876B (zh) | 基于bp神经网络的地铁站楼扶梯选择预测方法及系统 | |
Pierson et al. | Fast threshold tests for detecting discrimination | |
Ali et al. | CLACD: A complete LAne-Changing decision modeling framework for the connected and traditional environments | |
CN108509976A (zh) | 动物的识别装置和方法 | |
CN109034194B (zh) | 基于特征分化的交易欺诈行为深度检测方法 | |
CN102254183B (zh) | 一种基于AdaBoost算法的人脸检测方法 | |
CN108596409A (zh) | 提升交通危险人员事故风险预测精度的方法 | |
CN109345832B (zh) | 一种基于深度递归神经网络的城市道路超车预测方法 | |
CN116631186B (zh) | 基于危险驾驶事件数据的高速公路交通事故风险评估方法、系统 | |
CN107392217A (zh) | 计算机实现的信息处理方法及装置 | |
CN110286668A (zh) | 一种基于大数据的轨交信号系统vim板卡故障预测方法 | |
CN113158835A (zh) | 一种基于深度学习的交通事故智能检测方法 | |
CN106778800A (zh) | 一种AdaBoost级联分类器快速检测方法 | |
CN104463207B (zh) | 知识自编码网络及其极化sar影像地物分类方法 | |
CN111144462A (zh) | 一种雷达信号的未知个体识别方法及装置 | |
CN113642162B (zh) | 一种城市道路交通应急预案仿真综合分析方法 | |
Yang et al. | Alighting and boarding time prediction in different types of waiting areas at subway stations | |
Anagnostopoulos et al. | Predicting roundabout lane capacity using artificial neural networks | |
CN111783678A (zh) | 基于在线深度学习和商场运营价值量化的金融大数据系统 | |
CN116946183A (zh) | 一种考虑驾驶能力的商用车驾驶行为预测方法及车用设备 | |
CN114912719B (zh) | 一种基于图神经网络的异质交通个体轨迹协同预测方法 | |
CN114937506A (zh) | 一种面向疫情防控的公交车在途强化学习速度控制方法 | |
CN115618743A (zh) | 一种瞄准镜系统的状态评估方法及状态评估系统 | |
CN115394083A (zh) | 一种基于深度学习的高速公路交通拥堵预测方法 | |
Sun et al. | Freeway traffic safety state classification method based on multi-parameter fusion clustering |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |