CN110399690B

CN110399690B - 地铁车站行人仿真方法、装置、电子设备及存储介质

Info

Publication number: CN110399690B
Application number: CN201910698833.2A
Authority: CN
Inventors: 李德紘; 赵康嘉; 华文
Original assignee: Guangdong Huazhiyuan Information Engineering Co ltd; Guangzhou Xinke Jiadu Technology Co Ltd; PCI Suntek Technology Co Ltd
Current assignee: Guangdong Huazhiyuan Information Engineering Co ltd; Guangzhou Xinke Jiadu Technology Co Ltd; PCI Technology Group Co Ltd
Priority date: 2019-07-31
Filing date: 2019-07-31
Publication date: 2020-09-22
Anticipated expiration: 2039-07-31
Also published as: CN110399690A

Abstract

本申请实施例公开了一种地铁车站行人仿真方法、装置、电子设备及存储介质。所述方法包括：构建行为学习样本，所述行为学习样本包含地铁行人的至少一种行为动作数据集；基于所述行为学习样本通过生成式对抗网络训练得到对应行为动作的行为生成器，并通过所述行为生成器生成行人行为仿真数据；将所述行人行为仿真数据输入到预设的地铁客流仿真模型中，进行行人对应行为动作的仿真。本申请实施例提供的技术方案，能够根据仿真结果来反映进行仿真的车站运行设计方案的优劣性，以使车站运行设计方案的实行更为合理；并且通过仿真地铁行人的各种具体的行为动作，使得地铁车站的客流运行仿真结果更接近实际客流运行情况，以便于地铁客流的运营组织。

Description

地铁车站行人仿真方法、装置、电子设备及存储介质

技术领域

本申请实施例涉及轨道交通运营技术领域，尤其涉及一种地铁车站行人仿真方法、装置、电子设备及存储介质。

背景技术

随着城市人口的增多，城市轨道交通客流量的逐年稳步提升，地铁车站的客流量压力也在日益增大。同时，在轨道交通成网的发展过程中，随着地铁线路增设，地铁车站运行呈现出换乘车站多，换乘线路多，换乘形式多样，换乘客流量巨大的特点。基于此，如何在有限的车站空间内实现高效，安全的客流运行组织是地铁运营工作的重要内容。

目前，在地铁运营工作中，会制定各种客流组织方案来应对不同客流情况下的客流运营。为了较好的评价客流组织方案的优劣，可使用地铁车站客流仿真模型以方便快速地评价新的客流组织方案。在使用地铁车站客流仿真模型进行客流仿真模拟过程中，需要模拟出行人相互作用的情况。对此，传统的行人仿真软件会采用数学模型或规则(如元胞自动机)来描述和仿真地铁行人流动情况，通过模拟密集流量下人与人之间的相互作用，以直观地反映对应客流组织方案下的客流运行情况。但是，这类传统的行人仿真方法通常只对行人简单的运动行为(如直线运动、侧向运动及碰撞规避等)进行仿真。而在地铁实际运行的一些场景中，行人攀越栏杆、抢上抢下等行为时有发生，这些行为极易对地铁客流运行产生负面影响，进而导致根据客流运行设计方案仿真得到的地铁运行情况与实际运行情况出现较大的差异。

发明内容

本申请实施例提供一种地铁车站行人仿真方法、装置、电子设备及存储介质，能够提高地铁行人仿真的精度，减少地铁客流运行仿真情况与实际客流运行情况的差异。

在第一方面，本申请实施例提供了一种地铁车站行人仿真方法，包括：

构建行为学习样本，所述行为学习样本包含地铁行人的至少一种行为动作数据集；

基于所述行为学习样本通过生成式对抗网络训练得到对应行为动作的行为生成器，并通过所述行为生成器生成行人行为仿真数据；

将所述行人行为仿真数据输入到预设的地铁客流仿真模型中，进行行人对应行为动作的仿真。

进一步的，所述基于所述行为学习样本通过生成式对抗网络训练得到对应行为动作的行为生成器，并通过所述行为生成器生成行人行为仿真数据，包括：

将所述行为学习样本中的一种行为动作数据集输入生成式对抗网络中；

所述生成式对抗网络基于所述行为动作数据集进行生成对抗学习，训练得到对应所述行为动作数据集的行为生成器；

基于所述行为生成器模拟生成对应所述行为动作数据集的行人行为仿真数据。

进一步的，所述构建行为学习样本，所述行为学习样本包含地铁行人的至少一种行为动作数据集，包括：

在地铁车站日常运营过程中，采集地铁车站内各个摄像头拍摄的视频数据；

从所述视频数据中截取选定乘客的行为示范数据，所述行为示范数据为对应一种行为动作的连续动作轨迹图像；

将对应同一种行为动作的行为示范数据汇总，得到若干种行为动作数据集。

进一步的，所述动作数据集为攀越栏杆、抢上抢下、插队、尾随过闸、正常行走、快跑行为中的任意一种行为数据集。

进一步的，所述将所述行人行为仿真数据输入到预设的地铁客流仿真模型中，具体为根据车站运行设计方案的行为动作仿真需求，将对应种类的行为生成器生成的行人行为仿真数据输入到预设的地铁客流仿真模型中。

进一步的，在所述将所述行人行为仿真数据输入到预设的地铁客流仿真模型中，进行行人对应行为动作的仿真之后，还包括：

采集客流仿真结果数据，基于所述客流仿真结果数据生成仿真试验指标。

在第二方面，本申请实施例提供了一种地铁车站行人仿真装置，包括：

构建模块，用于构建行为学习样本，所述行为学习样本包含地铁行人的至少一种行为动作数据集；

训练模块，用于基于所述行为学习样本通过生成式对抗网络训练得到对应行为动作的行为生成器，并通过所述行为生成器生成行人行为仿真数据；

仿真模块，用于将所述行人行为仿真数据输入到预设的地铁客流仿真模型中，进行行人对应行为动作的仿真。

进一步的，还包括：

指标生成模块，用于采集客流仿真结果数据，基于所述客流仿真结果数据生成仿真试验指标。

在第三方面，本申请实施例提供了一种电子设备，包括：

存储器以及一个或多个处理器；

所述存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如第一方面所述的地铁车站行人仿真方法。

在第四方面，本申请实施例提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面所述的地铁车站行人仿真方法。

本申请实施例通过构建包含多种行为动作数据集的学习样本，将学习样本输入生成式对抗网络进行训练得到行为生成器，通过行为生成器生成需要模拟的行人行为仿真数据，将行人行为仿真数据输入到预设的地铁客流仿真模型中，以仿真地铁车站运行中乘客的各种行为动作，最终根据仿真结果来反映进行仿真的车站运行设计方案的优劣性，以使车站运行设计方案的实行更为合理；并且通过仿真地铁行人的各种具体的行为动作，使得地铁车站的客流运行仿真结果更接近实际客流运行情况，以便于地铁客流的运营组织。

附图说明

图1是本申请实施例一提供的一种地铁车站行人仿真方法的流程图；

图2是本申请实施例一中的学习样本构建流程图；

图3是本申请实施例一中行为生成器的训练及数据生成的具体流程图；

图4是本申请实施例一中生成式对抗网络训练示意图；

图5是本申请实施例二提供的另一种地铁车站行人仿真方法的流程图；

图6是本申请实施例三提供的一种地铁车站行人仿真装置的结构示意图；

图7是本申请实施例四提供的一种电子设备的结构示意图。

具体实施方式

为了使本申请的目的、技术方案和优点更加清楚，下面结合附图对本申请具体实施例作进一步的详细描述。可以理解的是，此处所描述的具体实施例仅仅用于解释本申请，而非对本申请的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本申请相关的部分而非全部内容。在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。

本申请提供的地铁车站行人仿真方法，旨在通过在地铁客流仿真模型中对乘客的具体行为动作进行模拟，以使得地铁客流仿真结果更接近地铁客流运行的实际情况。在地铁车站运营管理过程中，为了更好地进行客流组织运营，地铁工作人员会产出多种车站运行设计方案以应对不同时段、不同客流情况下的客流组织。而为了验证车站运行设计方案的优劣，会采用地铁车站行人仿真模型来模拟地铁车站中密集流量下人与人之间的相互作用，但由于传统的行人仿真软件是通过数学模型或规则(如元胞自动机)来描述和仿真人的行为，无法仿真较为复杂的人的行为。而对于地铁车站组织运行时，除了正常行走、快跑等正常行为外，行人攀越栏杆、抢上抢下、插队、尾随过闸等违反运行秩序的行为动作，会影响地铁车站的客流运营组织，导致通道拥挤、行人行走速度变慢、延长排队时间等情形。并且其仿真精度也无法满足大流量，高密度人群，设施及动线复杂的地铁车站场景下的行人仿真。为此，提供本申请实施例的地铁车站行人仿真方法，通过在地铁客流仿真模型中模拟地铁车站中行人的各种具体的行为动作，确保基于车站运行设计方案进行的地铁客流仿真能够准确的反映方案的优劣性，使得地铁客流仿真结果更接近实际的客流运行情况。

实施例一：

图1给出了本申请实施例一提供的一种地铁车站行人仿真方法的流程图，本实施例中提供的地铁车站行人仿真方法可以由地铁车站行人仿真设备执行，该地铁车站行人仿真设备可以通过软件和/或硬件的方式实现，该地铁车站行人仿真设备可以是两个或多个物理实体构成，也可以是一个物理实体构成。一般而言，地铁车站行人仿真设备具备电子白板功能，该地铁车站行人仿真设备可以是电脑。

下述以地铁车站行人仿真设备为执行地铁车站行人仿真方法的主体为例，进行描述。参照图1，该地铁车站行人仿真方法具体包括：

S110、构建行为学习样本，所述行为学习样本包含地铁行人的至少一种行为动作数据集。

示例性的，为了模拟地铁车站中行人的各种具体行为，需要通过深度学习训练生成一个能够自动模拟地铁车站行人行为动作的行为生成器，借助行为生成器来自动生成各类行人行为仿真数据。为此，根据需要模拟的行人行为动作类型，采集大量对应类型的行为动作图像数据，形成对应一类行为动作的行为动作数据集，以该行为动作数据集作为训练对应行为类型的行为生成器的训练集。地铁车站行人仿真设备对应需要模拟的若干种行人行为动作，进行对应类型的行为动作数据集(训练集)的采集聚合，最终得到对应需要模拟的若干种行人行为动作的行为动作数据集，形成各类行为生成器的学习样本。

具体的，参照图2，学习样本构建的具体流程包括：

S1101、在地铁车站日常运营过程中，采集地铁车站内各个摄像头拍摄的视频数据。

S1102、从所述视频数据中截取选定乘客的行为示范数据，所述行为示范数据为对应一种行为动作的连续动作轨迹图像。

S1103、将对应同一种行为动作的行为示范数据汇总，得到若干种行为动作数据集。

在地铁车站日常运营场景下，于车站的进站口、车站通道、闸机、电梯口、屏蔽门入口等各个设定位置设置摄像头。各摄像头实时获取对应监控位置处的视频数据，并将实时获取到的视频数据上传至地铁车站行人仿真设备，进行视频数据的进一步处理。

由于地铁车站组织运行时，行人攀越栏杆、抢上抢下、插队、尾随过闸等违反运行秩序的行为动作，会影响地铁车站的客流运营组织，导致通道拥挤、行人行走速度变慢、延长排队时间等情形。为此，在地铁客流仿真模型中除模拟正常行走、快跑等正常行为外，还需要模拟上述违反运行秩序的行为动作，以使客流仿真结果数据更接近实际的客流运行情况。地铁车站行人仿真设备在获取到的各个视频数据中，对视频数据中存在上述行人攀越栏杆、抢上抢下、插队、尾随过闸等违反运行秩序的行为动作和正常行走、快跑等正常的行为动作进行一一截取。以攀爬栏杆为例，将截取出的某一选定乘客在一定时间段内存在攀爬栏杆行为动作的视频片段做进一步处理，得到描述乘客攀爬栏杆行为动作的连续动作轨迹图像。在进行攀爬栏杆连续动作轨迹图像的截取时，可采用预先设置的攀爬栏杆图像识别模型对视频数据中的各帧图像进行识别，通过攀爬栏杆图像识别模型识别出存在攀爬栏杆行为动作的连续帧图像。对这一连续帧图像进行去噪处理，保留图像中对应乘客的行为动作及周围环境状态信息(设施及周围乘客数量)，最终得到对应该乘客攀越栏杆行为的连续动作轨迹图像，作为视频数据中的一个攀越栏杆行为动作的行为示范数据。

对应攀越栏杆行为示范数据的截取，通过对各个摄像头采集的视频数据均进行攀越栏杆行为动作的图像识别处理，最终得到大量攀越栏杆行为示范数据，形成攀越栏杆行为动作数据集。同样的，对于抢上抢下、插队、尾随过闸、正常行走、快跑等需要进行模拟的行为动作，采用上述图像识别处理方式逐个截取出对应的行为示范数据，最终得到对应抢上抢下、插队、尾随过闸、正常行走、快跑行为动作的各个行为动作数据集，以这些行为动作数据集作为行为学习样本，即可进行行为生成器的深度学习训练。

S120、基于所述行为学习样本通过生成式对抗网络训练得到对应行为动作的行为生成器，并通过所述行为生成器生成行人行为仿真数据。

示例性的，基于上述步骤S110得到的行为学习样本，采用生成式对抗网络进行生成式对抗学习，以训练得到对应上述攀越栏杆、抢上抢下、插队、尾随过闸、正常行走、快跑等行为动作的各个行为生成器。

生成式对抗网络(GAN,Generative Adversarial Networks)是一种深度学习模型，具体为复杂分布上无监督学习的方法。一个生成式对抗网络中包含两个相互竞争的神经网络模型。其中，一个神经网络模型为生成器，能将噪声作为输入并生成样本；另一个神经网络模型称为鉴别器，能接收生成器数据和真实训练数据，训练得到能正确区分数据类型的分类器。这两个网络互相对抗，一方面，生成器通过学习来产生更逼近真实数据的新样本，用于愚弄鉴别器；另一方面，鉴别器也需要更好地区分生成数据与真实数据。将这两个网络联合训练，经过生成式对抗学习，最终，鉴别器将无法区分生成样本和实际数据，表明此时生成器生成的样本已然与实际数据极其相近。

利用生成式对抗网络对抗学习的原理，将行为学习样本的各个行为动作数据集输入生成式对抗网络中进行生成式对抗学习，得到可以生成与实际行为动作数据高度相似的各类行为生成器。通过各类行为生成器来模拟生成攀越栏杆、抢上抢下、插队、尾随过闸、正常行走、快跑等行为动作的行人行为仿真数据。

具体的，参照图3，生成器的训练及数据生成的具体流程包括：

S1201、将所述行为学习样本中的一种行为动作数据集输入生成式对抗网络中。

S1202、所述生成式对抗网络基于所述行为动作数据集进行生成对抗学习，训练得到对应所述行为动作数据集的行为生成器。

S1203、基于所述行为生成器模拟生成对应所述行为动作数据集的行人行为仿真数据。

在进行行为生成器的学习训练时，以攀越栏杆行为生成器为例，将攀越栏杆行为动作数据集输入到生成式对抗网络中。参照图4，生成式对抗网络的生成器和鉴别器分别以攀越栏杆行为动作数据集作为学习训练的样本数据进行学习训练。其中，生成器通过观测攀越栏杆行为动作数据集中每一个行为示范数据，获取其联合概率分布。生成器能够随机生成观测数据的模型，尤其是在给定某些隐含参数的条件下。它给观测值和标注数据序列指定一个联合概率分布。在机器学习中，生成器可以用来直接对数据建模(例如根据某个变量的概率密度函数进行数据采样)，也可以用来建立变量间的条件概率分布。由于每一个行为示范数据都是描述攀越栏杆行为动作的连续动作轨迹图像，将图像表示为一个随机向量，其中每一维都表示一个像素值，那么这些图像必然都服从一个未知的概率分布。通过观测这些行为示范数据，即可估计其概率分布，并基于这一概率分布得到一个生成动作序列样本给到鉴别器进行鉴别。鉴别器则以攀越行为动作数据集作为示范动作序列样本，比对生成动作序列样本与示范动作序列样本之间的差异，并将这一差异反馈给生成器。生成器以这一差异反馈作为学习收益反馈，修改相关参数，生成新的生成动作序列样本进行比对。以此类推，最终，鉴别器无法鉴别示范动作序列样本与生成动作序列样本之间的区别，表明生成器能够生成高度接近攀越栏杆行为动作的图像。

根据上述生成的攀越栏杆行为生成器，模拟生成对应攀越栏杆行为动作的行人行为仿真数据。对应其他诸如抢上抢下、插队、尾随过闸、正常行走、快跑等行为动作的模拟，则一一按照将对应的行为动作数据集输入到生成式对抗网络中进行生成式对抗学习，最终得到对应抢上抢下、插队、尾随过闸、正常行走、快跑等行为动作的行为生成器。

S130、将所述行人行为仿真数据输入到预设的地铁客流仿真模型中，进行行人对应行为动作的仿真。

示例性的，对于上述步骤S120生成的各个行为生成器，根据车站运行设计方案的行为动作仿真需求，需要仿真哪种行为动作则将对应种类的行为生成器生成的行人行为仿真数据输入到预设的地铁客流仿真模型中。地铁客流仿真模型是根据车站的设施、空间、路径、行人进行构建的描述虚拟车站环境的仿真模型，在进行车站运行设计方案的仿真试验时，根据车站运行设计方案输入车站客流量等参数信息，仿真对应运行设计方案运行时地铁车站的客流情况。由于此时地铁车站客流仿真模型只模拟行人与行人之间的相互作用，为此，根据试验实际需求，通过行为生成器生成行人行为仿真数据输入到地铁客流仿真模型中，以使地铁客流仿真模型中的行人模拟对应的行为动作。以此来建立更高精度的车站客流仿真模型。

上述，通过构建包含多种行为动作数据集的学习样本，将学习样本输入生成式对抗网络进行训练得到行为生成器，通过行为生成器生成需要模拟的行人行为仿真数据，将行人行为仿真数据输入到预设的地铁客流仿真模型中，以仿真地铁车站运行中乘客的各种行为动作，最终根据仿真结果来反映进行仿真的车站运行设计方案的优劣性，以使车站运行设计方案的实行更为合理；并且通过仿真地铁行人的各种具体的行为动作，使得地铁车站的客流运行仿真结果更接近实际客流运行情况，以便于地铁客流的运营组织。

实施例二：

在上述实施例的基础上，图5为本申请实施例二提供的另一种地铁车站行人仿真方法的流程图。参考图5，本实施例提供的地铁车站行人仿真方法具体包括：

S210、构建行为学习样本，所述行为学习样本包含地铁行人的至少一种行为动作数据集。

S220、基于所述行为学习样本通过生成式对抗网络训练得到对应行为动作的行为生成器，并通过所述行为生成器生成行人行为仿真数据。

S230、将所述行人行为仿真数据输入到预设的地铁客流仿真模型中，进行行人对应行为动作的仿真。

S240、采集客流仿真结果数据，基于所述客流仿真结果数据生成仿真试验指标。

示例性的，根据行为生成器生成的行人行为仿真数据给到地铁客流仿真模型进行行人行为仿真后。基于这一模拟的行人行为对地铁客流产生的影响，最终进行仿真结果数据的采集。仿真结果数据主要包括了行人的排队长度、行走的速度及进闸时间等参数，根据这些参数信息，生成仿真试验指标。仿真试验指标用于评价对应的车站运行设计方案的优劣。仿真试验指标可包括车站拥挤程度、通行能力等信息。通过仿真试验指标来反映车站运行设计方案的优劣，使仿真试验结果更为直观。

由上述方案可知，在进行行人行为仿真之后，通过采集仿真结果数据，根据仿真结果数据生成仿真试验指标。用仿真试验指标来评价一个车站运行设计方案的优劣，方便地铁车站运营人员对应修改车站运行设计方案，优化地铁车站客流组织运营。

实施例三

在上述实施例的基础上，图6为本申请实施例三提供的一种地铁车站行人仿真装置的结构示意图。参考图6，本实施例提供的地铁车站行人仿真装置具体包括：构建模块31、训练模块32及仿真模块33。

其中，构建模块31用于构建行为学习样本，所述行为学习样本包含地铁行人的至少一种行为动作数据集；

训练模块32用于基于所述行为学习样本通过生成式对抗网络训练得到对应行为动作的行为生成器，并通过所述行为生成器生成行人行为仿真数据；

仿真模块33用于将所述行人行为仿真数据输入到预设的地铁客流仿真模型中，进行行人对应行为动作的仿真。

具体的，还包括：

指标生成模块34用于采集客流仿真结果数据，基于所述客流仿真结果数据生成仿真试验指标。

本申请实施例三提供的地铁车站行人仿真装置可以用于执行上述实施例一提供的地铁车站行人仿真方法，具备相应的功能和有益效果。

实施例四：

本申请实施例四提供了一种电子设备，该电子设备包括：处理器41、存储器42、通信模块43、输入装置44及输出装置45。该电子设备中处理器的数量可以是一个或者多个，该电子设备中的存储器的数量可以是一个或者多个。该电子设备的处理器41、存储器42、通信模块43、输入装置44及输出装置45可以通过总线或者其他方式连接。

存储器42作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本申请任意实施例所述的地铁车站行人仿真方法对应的程序指令/模块(例如，地铁车站行人仿真装置中的构建模块、训练模块和仿真模块)。存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

通信模块43用于进行数据传输。

处理器41通过运行存储在存储器中的软件程序、指令以及模块，从而执行设备的各种功能应用以及数据处理，即实现上述的地铁车站行人仿真方法。

输入装置44可用于接收输入的数字或字符信息，以及产生与设备的用户设置以及功能控制有关的键信号输入。输出装置45可包括显示屏等显示设备。

上述提供的电子设备可用于执行上述实施例一提供的地铁车站行人仿真方法，具备相应的功能和有益效果。

实施例五：

本申请实施例还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种地铁车站行人仿真方法，该地铁车站行人仿真方法包括：构建行为学习样本，所述行为学习样本包含地铁行人的至少一种行为动作数据集；基于所述行为学习样本通过生成式对抗网络训练得到对应行为动作的行为生成器，并通过所述行为生成器生成行人行为仿真数据；将所述行人行为仿真数据输入到预设的地铁客流仿真模型中，进行行人对应行为动作的仿真。

存储介质——任何的各种类型的存储器设备或存储设备。术语“存储介质”旨在包括：安装介质，例如CD-ROM、软盘或磁带装置；计算机系统存储器或随机存取存储器，诸如DRAM、DDR RAM、SRAM、EDO RAM，兰巴斯(Rambus)RAM等；非易失性存储器，诸如闪存、磁介质(例如硬盘或光存储)；寄存器或其它相似类型的存储器元件等。存储介质可以还包括其它类型的存储器或其组合。另外，存储介质可以位于程序在其中被执行的第一计算机系统中，或者可以位于不同的第二计算机系统中，第二计算机系统通过网络(诸如因特网)连接到第一计算机系统。第二计算机系统可以提供程序指令给第一计算机用于执行。术语“存储介质”可以包括驻留在不同位置中(例如在通过网络连接的不同计算机系统中)的两个或更多存储介质。存储介质可以存储可由一个或多个处理器执行的程序指令(例如具体实现为计算机程序)。

当然，本申请实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的地铁车站行人仿真方法，还可以执行本申请任意实施例所提供的地铁车站行人仿真方法中的相关操作。

上述实施例中提供的地铁车站行人仿真装置、存储介质及电子设备可执行本申请任意实施例所提供的地铁车站行人仿真方法，未在上述实施例中详尽描述的技术细节，可参见本申请任意实施例所提供的地铁车站行人仿真方法。

上述仅为本申请的较佳实施例及所运用的技术原理。本申请不限于这里所述的特定实施例，对本领域技术人员来说能够进行的各种明显变化、重新调整及替代均不会脱离本申请的保护范围。因此，虽然通过以上实施例对本申请进行了较为详细的说明，但是本申请不仅仅限于以上实施例，在不脱离本申请构思的情况下，还可以包括更多其他等效实施例，而本申请的范围由权利要求的范围决定。

Claims

1.地铁车站行人仿真方法，其特征在于，包括：

基于所述行为学习样本通过生成式对抗网络训练得到对应行为动作的行为生成器，并通过所述行为生成器生成行人行为仿真数据，其中，包括将所述行为学习样本中的一种行为动作数据集输入生成式对抗网络中，所述生成式对抗网络基于所述行为动作数据集进行生成对抗学习，训练得到对应所述行为动作数据集的行为生成器，基于所述行为生成器模拟生成对应所述行为动作数据集的行人行为仿真数据；

2.根据权利要求1所述的地铁车站行人仿真方法，其特征在于，所述构建行为学习样本，所述行为学习样本包含地铁行人的至少一种行为动作数据集，包括：

3.根据权利要求2所述的地铁车站行人仿真方法，其特征在于，所述动作数据集为攀越栏杆、抢上抢下、插队、尾随过闸、正常行走、快跑行为中的任意一种行为数据集。

4.根据权利要求1所述的地铁车站行人仿真方法，其特征在于，所述将所述行人行为仿真数据输入到预设的地铁客流仿真模型中，具体为根据车站运行设计方案的行为动作仿真需求，将对应种类的行为生成器生成的行人行为仿真数据输入到预设的地铁客流仿真模型中。

5.根据权利要求1所述的地铁车站行人仿真方法，其特征在于，在所述将所述行人行为仿真数据输入到预设的地铁客流仿真模型中，进行行人对应行为动作的仿真之后，还包括：

6.一种地铁车站行人仿真装置，其特征在于，包括：

训练模块，用于基于所述行为学习样本通过生成式对抗网络训练得到对应行为动作的行为生成器，并通过所述行为生成器生成行人行为仿真数据，其中，包括将所述行为学习样本中的一种行为动作数据集输入生成式对抗网络中，所述生成式对抗网络基于所述行为动作数据集进行生成对抗学习，训练得到对应所述行为动作数据集的行为生成器，基于所述行为生成器模拟生成对应所述行为动作数据集的行人行为仿真数据；

7.根据权利要求6所述的地铁车站行人仿真装置，其特征在于，还包括：

8.一种电子设备，其特征在于，包括：

存储器以及一个或多个处理器；

所述存储器，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-5任一所述的地铁车站行人仿真方法。

9.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-5任一所述的地铁车站行人仿真方法。