CN113033110A - 一种基于交通流模型的重点区域人员应急疏散系统及方法 - Google Patents
一种基于交通流模型的重点区域人员应急疏散系统及方法 Download PDFInfo
- Publication number
- CN113033110A CN113033110A CN202110581051.8A CN202110581051A CN113033110A CN 113033110 A CN113033110 A CN 113033110A CN 202110581051 A CN202110581051 A CN 202110581051A CN 113033110 A CN113033110 A CN 113033110A
- Authority
- CN
- China
- Prior art keywords
- traffic
- model
- people
- prediction
- early warning
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
Description
技术领域
本发明涉及重点区域中人群的紧急预警和疏散方法,尤其涉及一种基于交通流模型的重点区域人员应急疏散系统及方法,属于道路交通规划领域。
背景技术
北京工业大学编制了《奥运会交通仿真系统研究》,分别从微观、中观和宏观建立了奥运交通仿真系统,从而深度研究奥运会期间的交通运行特性。陈非博士通过收集整理历年的国内外大型活动中交通规划的经验,分析了大型活动中普遍存在的交通需求特征,提出了与大型活动交通需求特征相符合的规划、建设、管理三类综合性管理策略。北京工业大学的安志强博士通过总结和分析观看奥运会观众的出行特征,提炼出奥运期间交通组织和需求预测的思路及办法,并基于此建立了一整套大型活动适用的交通需求预测方法。北京工业大学的洪锋利利用成熟的四阶段法,从交通参与者的出行特点、需求和大型活动期间的交通政策、管理措施等方面入手,分层次研究城市交通网络,给出相应的需求预测方法。上述研究均是基于已知活动会发生为前提,活动场馆的交通需求进行分析,但未更深一步进行探讨,对已知活动场景下的交通需求,提出人员达到预警状态时如何进行不同交通方式的调度。
由上介绍可知,现有重点区域人流需求预测和不同交通方式应急疏散调度技术主要可分为传统仿真技术为基础的分析手段和现代科学技术与方法(如交通流模型、人工智能)为基础的预测两大类。其各自存在的缺点为:
(1)传统仿真手段:分别有微观、中观和宏观仿真模型。在仿真系统中,上述三种模型可以分析大型活动中普遍存在的交通需求特征,研究人员可以根据仿真结果匹配与大型活动交通需求特征相符合的规划、建设、管理三类综合性管理策略。但同时也存在以下不足:仿真实验均是理想条件下进行;采用仿真技术大型活动期间的交通运行特性和人流进行分析,没有考虑实际活动下其他任何影响因素,而交通系统是和很多因素有关的,所以仿真结果与实际结果间存在明显的误差。
(2)现代科学技术与方法类:现存的预测模型,包括历史平均模型、时间序列模型、非参数回归模型、神经网络模型、卡尔曼滤波模型等,各有优缺点和自己的适应条件。所以,应用某一单一模型进行复杂人员出行需求的预测,很多情况下是不足够的。
(3)现有交通方式划分中常用的预测方法有回归模型预测法、概率模型预测法以及转移曲线模型预测法。回归模型预测法需基于大量的调查数据和历史资料,然后建立反映各出行方式分担率和各影响因素之间关系的回归方程,这种模型较为粗糙,且预测精度有限,使用常受到限制;概率模型预测法与回归模型预测法类似,其模型中参数的确定也需要基于大量的调查数据,在城市大型活动的预测中实施起来较困难。
发明内容
为解决现有技术中交通需求仿真过程存在明显误差和现存的预测模型预测时间长的问题,本发明提出了一种基于交通流模型的重点区域人员应急疏散系统及方法,方案如下:
方案一:一种基于交通流模型的重点区域人员应急疏散系统,该系统包括两个子系统,分别为实时人流监测预警系统和针对交通需求预测的调度方案确定系统;
其中,实时人流监测预警系统包括人流数据采集模块、决策树分类模块和人流预警模块,各模块顺次连接负责对实时人流进行监测,预警人员应急疏散;
交通需求预测的调度方案确定系统包括交通需求预测模块、交通分布预测模块、交通方式划分模块和车辆调度模块;各模块顺次连接用于交通行为预测和划分,并配合人流监测预警层预警结果完成车辆调度。
进一步地,所述的人流数据采集模块负责将采集带有活动标签的人流数据以及实时人流数据;所述的决策树分类模块负责将建立CART决策树;所述的人流预警模块用于实时监控并判断是否触发预警。
进一步地,所述的交通需求预测模块利用LightGBM算法对交通需求进行分析;所述的交通分布预测模块利用重力模型对各交通小区需求预测;所述的交通方式划分模块包括转移曲线模型,用于交通行为方式的划分,所述的车辆调度模块对各类型车进行调度。
方案二:一种基于交通流模型的重点区域人员应急疏散方法,是根据上述的系统为基础而实现的,该方法具体步骤如下:
步骤一,通过所述的人流数据采集模块接入实时人流数据;
步骤二,利用决策树分类模块建立CART决策树,利用CART算法确定人流预警阈值;
步骤三,所述的人流预警模块通过上述步骤获得的阈值和实时人流数据判断是否触发预警,若否返回步骤一循环进行实时人流数据的接入;若是则执行下一步;
步骤四,进行交通需求预测、交通分布预测以及交通方式的划分,区块化处理交通需求;
步骤五,最终由所述的车辆调度模块预警人员以及车辆调度,完成重点区域人员应急疏散。
进一步地,在步骤二中,所述的建立CART决策树的过程,具体细化为:
步骤二一,输入训练实时人流数据的数据集;
步骤二二,进行决策树剪枝,利用验证数据集对已生成的树进行剪枝并选择最优子树,最小的损失函数作为剪枝的标准;
步骤二三,递归地构建二叉决策树,CART决策树用Gini系数的最小化准则来进行特征选择,生成二叉树;
进一步地,在步骤二四中,所述的CART算法的运算步骤如下:
步骤二四一,赋予人流数据集标签,规定活动期间为1,反之为0;
步骤二四二,将数据集输入至决策树进行模型训练,区分是否发生活动,构建单个节点的决策树;
步骤二四三,最后对人流数特征A每个可能的取值a,根据样本点对A=a的测试为“是”或“否”将训练集分为两部分,并计算A=a时的Gimi指数,选择Gimi指数最小的特征切分点为人流预警阈值。
进一步地,所述的交通需求预测,包括特征工程、数据预处理、模型训练和实时预测框架四部分,该模块预测算法的主要步骤如下:
步骤S1,构建预测模型的特征工程;
步骤S2:根据特征工程中的指标做对应的数据预处理工作;
步骤S3:进行LightGBM模型的训练,并根据特征灵敏度分析结果调整模型参数,得到训练后的模型;
步骤S4:将训练好的模型输入到实时预测框架中,实现实时5分钟间隔的区域人流预测;
所述的特征工程包括人流数特征、天气特征、时间特征和周边路况。
进一步地,所述的交通分布预测,包括非集计模型预测方法、基于参加活动概率预测方法或重力模型预测方法三种:
非集计模型预测方法以实时人流数据为基础建立预测模型,在模型中针对交通小区之间的总体差异性,对实际的总预测量进行修正;
基于参加活动概率预测方法,假设了各小区间的观众出行总量等于参加大型活动的观众总量,且小区中的居民参加活动的概率一致情况下使用的预测方法;
重力模型预测法,其中重力模型中包含了居民出行距离和大型活动的交通特性的影响因素,
上述方法中任一一种方法结合手机信令数据获取交通小区居住人数并进行小区分布预测,进而得到各交通小区的疏散人数分布结果。
进一步地,所述的交通方式划分模块城针对监测场馆周围区域内道路上的交通压力,以及通小区居住人员的公交可达性和距场馆的距离,针对交通小区内居民选择常出行方式的比例,计算交通方式的分担率。
进一步地,所述的车辆调度过程,采用转移曲线法计算各交通方式出行时间的比,进行交通方式的分担率预测,转移曲线法描述了不同出行距离下的各交通方式的分担率,结合个交通小区到达活动地点的距离以及参与活动人数可获得各类交通方式的人数需求,最后根据各类车运力计算需要调度的车辆数。
本发明有益效果体现在:
(1)本发明能够处理海量的历史数据,同时支持多种交通特征关联分析,更真实反映多种因素对人员出行需求的影响。
(2)基于决策树建立的模型具有算法简单、预测精准得特点,且具有很好的鲁棒性。
(3)该算法支持特征并行和数据并行,通过并行计算提高模型的训练和计算速度,耗时短。
(4)各类相关数据皆可实时接入并分析,具有良好的时效性,结果更为准确。
(5)本发明采用转移曲线模型显示监测调度结果可以直接从图中得到各交通小区内的出行方式分担率,具有直观、易行、工作量较小的特点。
附图说明
图1为基于交通流模型的重点区域人员应急疏散系统框架图;
图2为基于交通流模型的重点区域人员应急疏散方法流程图;
图3为LightGBM在线人流预测流程示意图。
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术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中记载的一些实施例,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。
具体实施方式
具体实施方式一:一种基于交通流模型的重点区域人员应急疏散系统,该系统包括实时人流监测预警层和针对交通需求预测的调度方案确定层;其中,实时人流监测预警层包括人流数据采集模块、决策树分类模块和人流预警模块,各模块顺次连接负责对实时人流进行监测,预警人员应急疏散;
调度方案确定层包括交通需求预测模块、交通分布预测模块、交通方式划分模块和车辆调度模块;各模块顺次连接用于交通行为预测和划分,并配合人流监测预警层预警结果完成车辆调度。
人流数据采集模块负责将采集带有活动标签的人流数据以及实时人流数据;所述的决策树分类模块负责将建立CART决策树;所述的人流预警模块用于实时监控并判断是否触发预警。
交通需求预测模块利用LightGBM算法对交通需求进行分析;所述的交通分布预测模块利用重力模型对各交通小区需求预测;所述的交通方式划分模块包括转移曲线模型,用于交通行为方式的划分,所述的车辆调度模块对各类型车进行调度。
具体实施方式二:一种基于交通流模型的重点区域人员应急疏散方法,实现实时人流监测预警实施流程如下:
CART算法由以下两步组成:
决策树生成:基于训练数据集生成决策树,生成的决策树要尽量大;
决策树剪枝:用验证数据集对已生成的树进行剪枝并选择最优子树,这时损失函数最小作为剪枝的标准。
CART决策树的生成就是递归地构建二叉决策树的过程,CART决策树既可以用于分类也可以用于回归;对分类树而言,CART用Gini系数最小化准则来进行特征选择,生成二叉树。CART生成算法如下:
输入:训练数据集D,停止计算的条件;
输出:CART决策树。
根据训练数据集,从根结点开始,递归地对每个结点进行以下操作,构建二叉决策树:
设结点的训练数据集为D,计算现有特征对该数据集的Gimi系数。此时,对每一个特征A,对其可能取的每个值a,根据样本点对A=a的测试为“是”或 “否”将D分割成D1,D2两部分,计算A=a时的Gimi系数;
在所有可能的特征A以及它们所有可能的切分点a中,选择Gimi系数最小的特征及其对应的切分点作为最优特征与最优切分点。依最优特征与最优切分点,从现结点生成两个子结点,将训练数据集依特征分配到两个子结点中去。对两个子结点递归地调用步骤l~2,直至满足停止条件。
算法停止计算的条件是结点中的样本个数小于预定阈值,或样本集的Gimi系数小于预定阈值(样本基本属于同一类),或者没有更多特征。
如果样本集合D根据某个特征A被分割为D1,D2两个部分,那么在特征A的条件下,集合D的Gimi指数的定义为:
基于以上的理论,通过Gimi指数来确定某个特征的最优切分点(也即只需要确保切分后某点的Gimi指数值最小),这就是决策树CART算法中类别变量切分的关键所在。
基于该算法的应用具体步骤如下:
Step1:赋予区域人流数据集标签,活动期间为1,反之为0;
Step2:将数据集输入至决策树进行模型训练,由于这里只需要得到人流阈值,即区分是否发生活动,且特征只有人流数,因此只需要构建单个节点的决策树;
Step3:最后对人流数特征A每个可能的取值a,根据样本点对A=a的测试为“是”或“否”将训练集分为两部分,并计算A=a时的Gimi指数,选择Gimi指数最小的特征切分点为人流预警阈值。
具体实施方式三:除具体实施方式二描述的实时人流监测预警层对预警人员应急疏散交通需求预测,本实施例可从交通行为预测和划分进行应急疏散预警,具体实施过程如下:
(一)交通需求预测:
当人流数达到预警时,通过基于LightGBM的短时人流预测模型获取未来2h的人流变化情况,取最大人流数为疏散人流,即交通需求。基于LightGBM模型的短时人流预测算法的主要流程设计如下:
Step1:构建预测模型的特征工程;
Step2:根据特征工程中的指标做对应的数据预处理工作;
Step3:进行LightGBM模型的训练,并根据特征灵敏度分析结果调整模型参数,得到训练后的模型;
Step4:将训练好的模型输入到实时预测框架中,实现实时5分钟间隔的区域人流预测。
(1)特征工程:
上述的特征工程除了人流数特征之外,统筹考虑天气、周边交通运行状况、时间等其他可能潜在影响因素,构建的特征工程如下所示:
人流数特征:除了沿用前3个时间片的人流值,增加前2h人流时间序列的统计指标,包括均值、标准差、最大值、最小值、中位数、峰度、偏度,更为全面地考虑人流的变化趋势;
天气特征:考虑温度、风力与降雨量,考虑天气情况可能对观众参与活动造成影响;
时间特征:划分当前小时、是否高峰时段、是否工作日,考虑不同时间段内人员参与活动的意愿;
周边路况:考虑周边交通对人流抵达的影响;
(2)数据预处理:
模型的预测精确度很大程度上由训练特征的数据集的质量决定,因此一个数据充沛、完善、采样率合适的历史数据集是模型准确预测的前提条件。上述特征工程的特征变量可细分为连续变量和离散变量。针对连续变量主要的操作为剔除异常数据,对数据进行平滑操作,减少数据噪声影响。
(3)模型训练:
模型训练的时段为2019年8月1日-2019年12月14日,共135天的数据。LightGBM模型的子叶数设置为200个,最大树深为8层,迭代次数为200。处理与训练的数据量200w条,特征数量为15个,训练时长为30min。
(4)实时预测框架:
基于LightGBM模型和预测的实时要求,搭建的在线预测框架如图3所示。首先是读取实时的人流数据、天气数据、周变路况等数据,进行相应的聚合、过滤、补全处理,按照离散变量和连续变量的处理方式构建特征工程;接着读取训练好的LightGBM模型的树结构文件;然后将特征变量输入至LightGBM模型中,并行地进行逐步滚动预测,直到完成2h的短时预测;最后将预测的结果写入数据库,并将时间窗向前滚动一步,直到完成所有时段的预测。
(二)交通分布预测:
城市大型活动中本地观众的数量占所有活动参与者数量的主要部分,也是出行分布预测中的重要内容,因此准确预测其出行生成和分布对整个预测工作有至关重要的作用。目前在城市大型活动中预测观众出行分布常用的方法有非集计模型预测方法、基于参加活动概率预测方法和重力模型预测方法三种:
(1)非集计模型预测方法:
对居民个体进行具体分析,以此为基础建立预测模型,在模型中可体现出不同交通小区之间的总体差异性,并可对活动中实际到场观众的总预测量进行修正,整体预测精度较高,但该模型需基于大量的问卷调查,工作量大且计算繁琐,不易于在一般城市大型活动中应用和推广。
(2)基于参加活动概率预测方法:
此方法是基于假设了各小区间的观众出行总量等于参加大型活动的观众总量且小区中的居民参加活动的概率一致情况下的预测方法,不需要进行问卷调查,工作量小,计算简单,容易使用,但模型中只反映了小区居民数量的影响,考虑的影响因素少,模型较为粗糙,只使用于票价高且上座率也高的大型活动,应用范围较窄。
(3)重力模型预测法:
重力模型计算过程简单,应用广泛且易于推广,适用于多种类型的大型活动交通预测,该模型中包含了居民出行距离和大型活动的交通特性等众多影响因素,精确度高,而其数据可通过小范围的简单调查得到,但指定参数时需要基于较多的历史资料积累。
各种活动需要根据举办所在城市自身特点来选择适合的交通预测方法。综合考虑以上的分析及已有数据内容,结合重力模型预测方法由于其具有高精度和便于应用等特性,是一种较为理想的预测方法。基于重力模型假设各交通小区参加大型活动的概率一致,在各小区情况相同的条件下,活动实际参加量与距离成反比,再结合交通小区居住人数(手机信令数据获取)进行小区分布预测,进而得到各交通小区的疏散人数分布结果。
(三)交通方式划分
城市大型活动期间,活动场馆周围区域内各条道路上的交通压力大小各不相同,同时各交通小区内参加活动的观众所在地的常规公交可达性和距场馆的距离也不相同,这就造成了各交通小区内观众将选择不同的出行方式到达活动场馆,因此就应该分别考虑各个交通小区内居民选择常出行方式的比例,即各交通方式的分担率。
最终,采用转移曲线法计算各交通方式出行时间的比,进而完成各类交通方式的分担率的预测,转移曲线法描述了不同出行距离下的各交通方式的分担率,结合个交通小区到达活动地点的距离以及参与活动人数可获得各类交通方式的人数需求,最后根据各类车运力计算需要调度的车辆数。
由此可见,本发明只是对方法及系统的示例性说明,并不限定它的保护范围,本发明有许多变形和变化而不脱离本发明的精神本领域技术人员还可以对其局部进行改变,只要没有超出本专利的精神实质,都在本发明的保护范围内。
Claims (10)
1.一种基于交通流模型的重点区域人员应急疏散系统,其特征在于:该系统包括两个子系统,分别为实时人流监测预警系统和针对交通需求预测的调度方案确定系统;
其中,实时人流监测预警系统包括人流数据采集模块、决策树分类模块和人流预警模块,各模块顺次连接负责对实时人流进行监测,预警人员应急疏散;
交通需求预测的调度方案确定系统包括交通需求预测模块、交通分布预测模块、交通方式划分模块和车辆调度模块;各模块顺次连接用于交通行为预测和划分,并配合人流监测预警层预警结果完成车辆调度。
2.根据权利要求1所述的一种基于交通流模型的重点区域人员应急疏散系统,其特征在于:所述的人流数据采集模块负责将采集带有活动标签的人流数据以及实时人流数据;所述的决策树分类模块负责将建立CART决策树;所述的人流预警模块用于实时监控并判断是否触发预警。
3.根据权利要求1所述的一种基于交通流模型的重点区域人员应急疏散系统,其特征在于:所述的交通需求预测模块利用LightGBM算法对交通需求进行分析;所述的交通分布预测模块利用重力模型对各交通小区需求预测;所述的交通方式划分模块包括转移曲线模型,用于交通行为方式的划分,所述的车辆调度模块对各类型车进行调度。
4.一种基于交通流模型的重点区域人员应急疏散方法,是根据权利要求1-3中任一一项所述的系统为基础而实现的,其特征在于:该方法具体步骤如下:
步骤一,通过所述的人流数据采集模块接入实时人流数据;
步骤二,利用决策树分类模块建立CART决策树,利用CART算法确定人流预警阈值;
步骤三,所述的人流预警模块通过上述步骤获得的阈值和实时人流数据判断是否触发预警,若否返回步骤一循环进行实时人流数据的接入;若是则执行下一步;
步骤四,进行交通需求预测、交通分布预测以及交通方式的划分,区块化处理交通需求;
步骤五,最终由所述的车辆调度模块预警人员以及车辆调度,完成重点区域人员应急疏散。
5.根据权利要求4所述的一种基于交通流模型的重点区域人员应急疏散方法,其特征在于:在步骤二中,所述的建立CART决策树的过程,具体细化为:
步骤二一,输入训练实时人流数据的数据集;
步骤二二,进行决策树剪枝,利用验证数据集对已生成的树进行剪枝并选择最优子树,最小的损失函数作为剪枝的标准;
步骤二三,递归地构建二叉决策树,CART决策树用Gini系数的最小化准则来进行特征选择,生成二叉树;
步骤二四,通过CART算法确认停止计算的阈值,最终输出CART决策树。
6.根据权利要求5所述的一种基于交通流模型的重点区域人员应急疏散方法,其特征在于:在步骤二四中,所述的CART算法的运算步骤如下:
步骤二四一,赋予人流数据集标签,规定活动期间为1,反之为0;
步骤二四二,将数据集输入至决策树进行模型训练,区分是否发生活动,构建单个节点的决策树;
步骤二四三,最后对人流数特征A每个可能的取值a,根据样本点对A=a的测试为“是”或“否”将训练集分为两部分,并计算A=a时的Gimi指数,选择Gimi指数最小的特征切分点为人流预警阈值。
7.根据权利要求4所述的一种基于交通流模型的重点区域人员应急疏散方法,其特征在于:所述的交通需求预测,包括特征工程、数据预处理、模型训练和实时预测框架四部分,该模块预测算法的主要步骤如下:
步骤S1,构建预测模型的特征工程;
步骤S2:根据特征工程中的指标做对应的数据预处理工作;
步骤S3:进行LightGBM模型的训练,并根据特征灵敏度分析结果调整模型参数,得到训练后的模型;
步骤S4:将训练好的模型输入到实时预测框架中,实现实时5分钟间隔的区域人流预测;
所述的特征工程包括人流数特征、天气特征、时间特征和周边路况。
8.根据权利要求4所述的一种基于交通流模型的重点区域人员应急疏散方法,其特征在于:所述的交通分布预测,包括非集计模型预测方法、基于参加活动概率预测方法或重力模型预测方法三种:
非集计模型预测方法以实时人流数据为基础建立预测模型,在模型中针对交通小区之间的总体差异性,对实际的总预测量进行修正;
基于参加活动概率预测方法,假设了各小区间的观众出行总量等于参加大型活动的观众总量,且小区中的居民参加活动的概率一致情况下使用的预测方法;
重力模型预测法,其中重力模型中包含了居民出行距离和大型活动的交通特性的影响因素,
上述方法中任一一种方法结合手机信令数据获取交通小区居住人数并进行小区分布预测,进而得到各交通小区的疏散人数分布结果。
9.根据权利要求8所述的一种基于交通流模型的重点区域人员应急疏散方法,其特征在于:所述的交通方式划分模块是根据监测场馆周围区域内道路上的交通压力,以及通小区居住人员的公交可达性和距场馆的距离,针对交通小区内居民选择常出行方式的比例,计算交通方式的分担率。
10.根据权利要求4所述的一种基于交通流模型的重点区域人员应急疏散方法,其特征在于:所述的车辆调度,采用转移曲线法计算各交通方式出行时间的比,进行交通方式的分担率预测,转移曲线法描述了不同出行距离下的各交通方式的分担率,结合个交通小区到达活动地点的距离以及参与活动人数可获得各类交通方式的人数需求,最后根据各类车运力计算需要调度的车辆数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110581051.8A CN113033110B (zh) | 2021-05-27 | 2021-05-27 | 一种基于交通流模型的重点区域人员应急疏散系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110581051.8A CN113033110B (zh) | 2021-05-27 | 2021-05-27 | 一种基于交通流模型的重点区域人员应急疏散系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113033110A true CN113033110A (zh) | 2021-06-25 |
CN113033110B CN113033110B (zh) | 2021-10-29 |
Family
ID=76455768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110581051.8A Active CN113033110B (zh) | 2021-05-27 | 2021-05-27 | 一种基于交通流模型的重点区域人员应急疏散系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033110B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113869779A (zh) * | 2021-10-13 | 2021-12-31 | 深圳联和智慧科技有限公司 | 基于城市管理的人流监控方法、系统及云平台 |
CN115240431A (zh) * | 2022-09-20 | 2022-10-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 高速公路收费站交通流量实时在线仿真系统及仿真方法 |
CN115578233A (zh) * | 2022-11-18 | 2023-01-06 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种交通应急疏散方法、系统及计算机设备 |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6101275A (en) * | 1998-01-26 | 2000-08-08 | International Business Machines Corporation | Method for finding a best test for a nominal attribute for generating a binary decision tree |
JP2002113144A (ja) * | 2000-10-06 | 2002-04-16 | Futaba Corp | ゴルフカートの運行管理装置 |
US20030061213A1 (en) * | 2001-07-31 | 2003-03-27 | International Business Machines Corporation | Method for building space-splitting decision tree |
US20050267911A1 (en) * | 2001-06-08 | 2005-12-01 | The Regents Of The University Of California | Parallel object-oriented decision tree system |
US20150098655A1 (en) * | 2013-10-08 | 2015-04-09 | National Tsing Hua University | Method of Defect Image Classification through Integrating Image Analysis and Data Mining |
CN104700159A (zh) * | 2015-02-12 | 2015-06-10 | 广州市地下铁道总公司 | 一种轨道交通客流监测预警系统 |
CN106448149A (zh) * | 2016-05-16 | 2017-02-22 | 江苏智通交通科技有限公司 | 道路交通事故预警方法 |
CN107301513A (zh) * | 2017-06-27 | 2017-10-27 | 上海应用技术大学 | 基于cart决策树的水华预警方法和装置 |
CN109218211A (zh) * | 2017-07-06 | 2019-01-15 | 阿里巴巴集团控股有限公司 | 数据流的控制策略中阈值的调整方法、装置和设备 |
US20190212754A1 (en) * | 2018-01-09 | 2019-07-11 | Robert Bosch Llc | Mass Evacuation Utilizing a Fleet of Autonomous Vehicles |
CN110020750A (zh) * | 2019-03-28 | 2019-07-16 | 中广核工程有限公司 | 一种基于acp的平行应急疏散系统及其构建方法 |
US20200311852A1 (en) * | 2019-03-29 | 2020-10-01 | Fortinet, Inc. | Cloud-based artificial intelligence routing for emergency evacuation systems using wi-fi access points over data communication systems |
CN112052875A (zh) * | 2020-07-30 | 2020-12-08 | 华控清交信息科技(北京)有限公司 | 一种训练树模型的方法、装置和用于训练树模型的装置 |
-
2021
- 2021-05-27 CN CN202110581051.8A patent/CN113033110B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6101275A (en) * | 1998-01-26 | 2000-08-08 | International Business Machines Corporation | Method for finding a best test for a nominal attribute for generating a binary decision tree |
JP2002113144A (ja) * | 2000-10-06 | 2002-04-16 | Futaba Corp | ゴルフカートの運行管理装置 |
US20050267911A1 (en) * | 2001-06-08 | 2005-12-01 | The Regents Of The University Of California | Parallel object-oriented decision tree system |
US20030061213A1 (en) * | 2001-07-31 | 2003-03-27 | International Business Machines Corporation | Method for building space-splitting decision tree |
US20150098655A1 (en) * | 2013-10-08 | 2015-04-09 | National Tsing Hua University | Method of Defect Image Classification through Integrating Image Analysis and Data Mining |
CN104700159A (zh) * | 2015-02-12 | 2015-06-10 | 广州市地下铁道总公司 | 一种轨道交通客流监测预警系统 |
CN106448149A (zh) * | 2016-05-16 | 2017-02-22 | 江苏智通交通科技有限公司 | 道路交通事故预警方法 |
CN107301513A (zh) * | 2017-06-27 | 2017-10-27 | 上海应用技术大学 | 基于cart决策树的水华预警方法和装置 |
CN109218211A (zh) * | 2017-07-06 | 2019-01-15 | 阿里巴巴集团控股有限公司 | 数据流的控制策略中阈值的调整方法、装置和设备 |
US20190212754A1 (en) * | 2018-01-09 | 2019-07-11 | Robert Bosch Llc | Mass Evacuation Utilizing a Fleet of Autonomous Vehicles |
CN110020750A (zh) * | 2019-03-28 | 2019-07-16 | 中广核工程有限公司 | 一种基于acp的平行应急疏散系统及其构建方法 |
US20200311852A1 (en) * | 2019-03-29 | 2020-10-01 | Fortinet, Inc. | Cloud-based artificial intelligence routing for emergency evacuation systems using wi-fi access points over data communication systems |
CN112052875A (zh) * | 2020-07-30 | 2020-12-08 | 华控清交信息科技(北京)有限公司 | 一种训练树模型的方法、装置和用于训练树模型的装置 |
Non-Patent Citations (5)
Title |
---|
JIAN-ZHOU WANG ET AL: "Research on Real Estate Early Warning System Based on Decision Tree and Fuzzy Recognition Theory", 《2008 FIFTH INTERNATIONAL CONFERENCE ON FUZZY SYSTEMS AND KNOWLEDGE DISCOVERY》 * |
庄立坚 等: "道路交通运行指数在城市综合治理中的应用实践", 《交通与港航》 * |
裔隽 等: "《Python机器学习实战》", 28 February 2018, 科学技术文献出版社 * |
赵慧 等: "机器学习在运营商用户流失预警中的运用", 《信息通信技术》 * |
雷霄然: "城市大型活动中常规公交运力调度研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113869779A (zh) * | 2021-10-13 | 2021-12-31 | 深圳联和智慧科技有限公司 | 基于城市管理的人流监控方法、系统及云平台 |
CN113869779B (zh) * | 2021-10-13 | 2023-06-13 | 深圳联和智慧科技有限公司 | 基于城市管理的人流监控方法、系统及云平台 |
CN115240431A (zh) * | 2022-09-20 | 2022-10-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 高速公路收费站交通流量实时在线仿真系统及仿真方法 |
CN115240431B (zh) * | 2022-09-20 | 2023-02-10 | 深圳市城市交通规划设计研究中心股份有限公司 | 高速公路收费站交通流量实时在线仿真系统及仿真方法 |
CN115578233A (zh) * | 2022-11-18 | 2023-01-06 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种交通应急疏散方法、系统及计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113033110B (zh) | 2021-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113033110B (zh) | 一种基于交通流模型的重点区域人员应急疏散系统及方法 | |
Dong et al. | Hourly energy consumption prediction of an office building based on ensemble learning and energy consumption pattern classification | |
CN110570651B (zh) | 一种基于深度学习的路网交通态势预测方法及系统 | |
CN108985965A (zh) | 一种结合神经网络和参数估计的光伏功率区间预测方法 | |
WO2020098728A1 (zh) | 集群负荷预测方法、装置及存储介质 | |
CN107292534A (zh) | 城市配电网中长期动态投资的标尺竞争评价方法及装置 | |
CN109376906B (zh) | 基于多维度轨迹的出行时间预测方法、系统及电子设备 | |
CN114429053B (zh) | 流域尺度wefe系统适配性模拟优化方法 | |
CN116681176B (zh) | 一种基于聚类和异构图神经网络的交通流预测方法 | |
CN110555551A (zh) | 一种智慧城市的空气质量大数据管理方法及系统 | |
CN117236199B (zh) | 城市水网区域河湖水质提升与水安全保障方法及系统 | |
CN115204477A (zh) | 一种上下文感知图递归网络的自行车流量预测方法 | |
Fitters et al. | Enhancing LSTM prediction of vehicle traffic flow data via outlier correlations | |
CN113642699A (zh) | 一种江河洪水智能预报系统 | |
CN116796904A (zh) | 一种轨道交通新线客流预测方法、系统、电子设备及介质 | |
Wang et al. | Electric vehicle charging load clustering and load forecasting based on long short term memory neural network | |
Qu et al. | Research on short‐term output power forecast model of wind farm based on neural network combination algorithm | |
CN114004514A (zh) | 一种大气臭氧污染发生气象条件等级判别方法 | |
CN116664095B (zh) | 一种基于深度学习的安保巡检预测方法 | |
CN117634678A (zh) | 基于实际运行场景的低碳园区碳排放预测方法 | |
Li et al. | The research of urban rail transit sectional passenger flow prediction method | |
CN113469440B (zh) | 一种预测月尺度生活需水量的方法 | |
Ghasemi et al. | Big Data Analytics in Smart Energy Systems and Networks: A Review | |
CN116227738B (zh) | 一种电网客服话务量区间预测方法及系统 | |
Xiao et al. | Prediction of Monthly Rainfall in Plateau Area Based on Convolutional Neural Network |
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 |