CN113361825A - 一种踩踏事故早期预警方法及系统 - Google Patents
一种踩踏事故早期预警方法及系统 Download PDFInfo
- Publication number
- CN113361825A CN113361825A CN202110814824.2A CN202110814824A CN113361825A CN 113361825 A CN113361825 A CN 113361825A CN 202110814824 A CN202110814824 A CN 202110814824A CN 113361825 A CN113361825 A CN 113361825A
- Authority
- CN
- China
- Prior art keywords
- early warning
- accident
- early
- characteristic
- people
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Abstract
本公开公开的一种踩踏事故早期预警方法及系统,包括:获取设定区域内人流特性的影响因素信息;将人流特性的影响因素信息输入训练好的人流特性预测模型中,获取人流特性预测结果;将人流特性预测结果输入训练好的踩踏事故早期预警模型中,获取踩踏事故预警结果。实现了对踩踏事故的早期预警。
Description
技术领域
本发明涉及风险预警技术领域,尤其涉及一种踩踏事故早期预警方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
随着我国城市化进程的不断加快,城市人口数量不断增长,城市交通压力日趋增大。城市轨道交通因其快捷、准时、平稳、较少受天气影响、运输量大等特点,城市地铁日益成为满足庞大的城市人口出行需求,又能解决城市交通拥堵问题的重要交通方式。地铁站是城市轨道交通大客流的汇聚点和集散地,由于人员密集、地下空间相对封闭、建筑结构复杂等因素,若有外界诱因造成人群心理恐慌,极有可能发生群体踩踏事故,造成人员伤亡。因此,对地铁站人流进行监控,并及时准确的对踩踏事故进行早期预警,对预防地铁站踩踏事故的发生具有重要意义。
目前国内绝大部分地铁车站采用闸机计数、人眼目测估计和分区域视频监控的方法来获取站内客流分布状况,然而,以上方法并不能全面且准确地获取地铁站内的客流分布数据,进而不能对人流分布进行及时准确的分析,从而不能对地铁站踩踏事故的发生进行及时准确预警。基于大数据及人工智能技术,研究地铁站群体流动特性,挖掘潜在的风险并及时预警,成为当前公共安全研究的热点。
发明内容
本公开为了解决上述问题,提出了一种踩踏事故早期预警方法及系统,通过对人群时空分布特征和人流特性的影响因素信息进行分析,实现了对踩踏事故的早期准确预警,有效防止了地铁站踩踏事故的发生。
为实现上述目的,本公开采用如下技术方案:
第一方面,提出了一种踩踏事故早期预警方法,包括:
获取设定区域内人流特性的影响因素信息;
将人流特性的影响因素信息输入训练好的人流特性预测模型中,获取人流特性预测结果;
将人流特性预测结果输入训练好的踩踏事故早期预警模型中,获取踩踏事故预警结果。
第二方面,提出了一种踩踏事故早期预警系统,包括:
信息获取模块,用于获取设定区域内人流特性的影响因素信息;
人流特性预测模块,用于将人流特性的影响因素信息输入训练好的人流特性预测模型中,获取人流特性预测结果;
踩踏事故预警模块,用于将人流特性预测结果输入训练好的踩踏事故早期预警模型中,获取踩踏事故预警结果。
第三方面,提出了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成一种方法所述的步骤。
第四方面,提出了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成一种方法所述的步骤。
与现有技术相比,本公开的有益效果为:
1、本公开通过人流特性各影响因素间的耦合分析,实现对包含热点区域人流密度及相应人流密度对应的区域面积的人流特性的预测,在此基础上,实现对发生踩踏事故的风险预测,为应对大客流和突发状况提供科学参考依据,在突发客流来临之前做出反应,防止踩踏事故的发生。
2、由于具有WiFi模块的智能手机普及率越来越高,人们通过连接WiFi热点访问互联网成为人们的日常生活习惯,基于“智能手机+WiFi”的室内定位技术无需行人佩戴专门设备和下载手机软件,本公开利用大规模实时采集地铁站内开启WiFi模块智能手机的时空位置数据,能够准确获取人员的位置信息,继而获得准确的人群时空分布特征,通过准确的人群时空分布特征对人流特性预测模型进行训练,提高了训练好的人流特性预测模型的精度,从而使得通过该人流特性预测模型进行人流特性预测时,获取的预测结果更准确,进而提高了事故预警的准确率。
3、本公开在对人流特性进行预测时,充分考虑了多种影响因素间的耦合影响,使得获得的人流特性预测结果更准确,进一步提高了踩踏事故预测的准确性。
本发明附加方面的优点将在下面的描述中部分给出,部分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
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本公开实施例1公开方法的流程图;
图2为本公开实施例1公开的踩踏预警原理示意图;
图3为本公开实施例1公开的位置指纹定位原理示意图;
图4为本公开实施例1公开的地铁站客流检测系统架构示意图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本公开中,术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系,只是为了便于叙述本公开各部件或元件结构关系而确定的关系词,并非特指本公开中任一部件或元件,不能理解为对本公开的限制。
本公开中,术语如“固接”、“相连”、“连接”等应做广义理解,表示可以是固定连接,也可以是一体地连接或可拆卸连接;可以是直接相连,也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员,可以根据具体情况确定上述术语在本公开中的具体含义,不能理解为对本公开的限制。
实施例1
为了实现对人流踩踏事故的早期预警,在该实施例中,公开了一种踩踏事故早期预警方法,包括:
获取设定区域内人流特性的影响因素信息;
将人流特性的影响因素信息输入训练好的人流特性预测模型中,获取人流特性预测结果;
将人流特性预测结果输入训练好的踩踏事故早期预警模型中,获取踩踏事故预警结果。
进一步的,影响因素信息包括日期、时间、天气、温度、风力和举办活动因素。
进一步的,人流特性预测模型采用BP神经网络。
进一步的,踩踏事故早期预警模型,采用贝叶斯网络,根据异常状况下的人流特性阈值构建。
进一步的,异常状况下的人流特性阈值通过调查统计同类型区域内发生异常状况时的最大人流特性来确定。
进一步的,获取区域内历史人群时空分布特征和历史影响因素数据,作为样本数据对人流特性预测模型进行训练,获取训练好的人流特性预测模型。
进一步的,通过设定区域内WiFi探针探测到的移动设备信息,确定人员位置信息,根据人员位置信息获取人群时空分布特征。
以地铁站为例,对本实施例公开的一种踩踏事故早期预警方法进行详细说明,如图1、图2所示,包括:
S1:获取设定区域内人流特性的影响因素信息。
调研确定影响地铁站人流特性的影响因素信息,影响因素包括:日期因素、时间因素、天气因素、温度因素、风力因素和举办活动因素。
S2:将人流特性的影响因素信息输入训练好的人流特性预测模型中,获取人流特性预测结果。
其中,人流特性预测模型采用三层结构BP神经网络模型,BP神经网络的隐含层为13个隐含节点,其中,BP神经网络的输入为日期、时间、天气、温度、风力和举办活动等影响因素信息,输出人流特性,该人流特性包括热点区域的人流密度及人流密度对应的区域面积。
获取历史人群时空分布特征数据和历史影响因素数据,作为样本数据对BP神经网络模型进行训练,获取训练好的BP神经网络模型,训练好的BP神经网络模型后,利用人流特性的影响因素预测未来某天某时的热点区域人流密度及人流密度对应的面积。
BP神经网络的输入量包括日期因素、时间因素、天气因素、温度因素、风力因素、举办活动因素,并将指标中定性表达进行量化。
日期因素:“平时”定义为0;“周末”定义为1;“节假日”定义为2。
时间因素:在地铁运营时间,每半个小时取一个时间点,此处的地铁运营时间为6:00-23:00。
天气因素:“晴”、“多云”定义为0,“降雨”、“降雪”、“大雾”定义为1,即天气指标中只存在0或者1,0代表天气情况好,1代表天气情况差。
温度因素:取该天温度范围的最大值。
风力因素:取该天风力范围的最大值。
举办活动影响因素:地铁站附近没有举办活动定义为0,举办活动定义为1。
输出量:地铁站每日的人流特性有一定的规律性,在地铁运营时间(设为6:00-23:00),每半个小时提取一次热点区域人流密度、人流密度相对应的区域的面积作为BP神经网络模型的输出量。
利用地铁站客流监测系统存储的行人位置大数据,获得地铁站的历史人群时空分布特征数据,将该历史人群时空分布特征数据和历史影响因素数据作为样本数据,将样本数据分为训练样本和检验样本,利用训练样本训练BP神经网络,利用检验样本确定训练好模型的平均相对误差。
其中,地铁站的历史人群时空分布特征数据获取过程为:
通过WiFi接入点获取行人的移动设备信息,从而确定人员位置信息,通过设定区域内WiFi探针探测到的移动设备信息,确定人员位置信息,根据人员位置信息获取人群时空分布特征。
通过地铁站客流检测系统获取人员位置信息,地铁站客流检测系统如图4所示,在地铁站主要位置布设AP设备,行人随身携带的开启WiFi的移动设备(以智能手机为主),每隔一段时间会向周围的WiFi接入点(Access Point,AP)广播一个请求帧。监听的AP被动地记录下该请求帧的时间、MAC(Media Access Control)地址和信号强度(ReceivedSignalStrength Indicator,RSSI)等信息。利用多个AP感知到空间某处同一个移动设备的信号强度组成的向量作为该位置的“指纹”,在站内不同位置采集不同AP感知此处同一移动设备的信号强度,建立地铁站位置指纹数据库。通过移动设备MAC地址,可连续追踪同一设备的轨迹。
如图3所示,对实时采集的移动设备WiFi信号信息经过数据清洗(缺失值、噪声数据等处理)、数据标准化、脱敏等预处理,通过KNN(K-nearest neighbors)位置指纹匹配算法,与数据库中事先存储的不同位置处“指纹”进行对比及匹配,确定移动设备的位置,即行人的位置。
通过核密度等统计方法对获取的人员位置信息进行分析,获取地铁站内人群时空分布特征。
S3:将人流特性预测结果输入训练好的踩踏事故早期预警模型中,获取踩踏事故预警结果。
具体为:将人流特性预测结果输入训练好的踩踏事故早期预警模型中,输出发生踩踏事件的风险等级,并运用大数据热力图、人群流向图等技术实现可视化。
踩踏事故早期预警模型,采用贝叶斯网络,根据异常状况下的人流特性阈值及预警指标体系构建,该人流特性阈值包括人流密度阈值和人流密度阈值对应的面积,其中预测的人流密度及该人流密度对应的面积、人流密度阈值及人流密度阈值对应的面积作为贝叶斯网络模型的根节点,踩踏事故风险等级作为贝叶斯网络模型的叶节点。
异常状况下的人流特性阈值通过调查统计同类型区域内发生异常状况时的最大人流特性来确定。
在具体实施时,根据地铁站具体情况向训练好的人流特性预测模型中输入日期因素、时间因素、天气因素、温度因素、风力因素、举办活动因素的具体值就可以预测地铁站某天某时的热点区域的人群密度及对应的面积,针对时间因素输入量,通过输入同一天的不同时间点可以预测地铁站运营时间内的热点区域人流密度及人流密度相对应面积的变化规律,进而求得当日最大人流密度及最大人流密度相对应的面积。
根据节假日、异常天气、举办活动等异常状况下的日期因素、时间因素、天气因素、温度因素、风力因素、举办活动因素具体值预测地铁站异常状况下最大人流密度及人流密度相对应的面积。
异常状况下的人流特性阈值通过调查统计同类型区域内发生异常状况时的最大人流特性来确定,根据异常状况下的人流特性阈值及预警指标体系构建踩踏事故诱发因素预警阈值及预警指标体系,利用贝叶斯网络建立异常状况下地铁站内人群踩踏事故的早期预警模型。
本实施例还将大数据可视化分析与呈现技术融入到踩踏事故的早期预警分析过程中,形成一个适用于大数据的踩踏事故早期预警模型。
地铁站客流监测系统储存每天站内行人的时空位置数据,形成地铁站人流位置大数据,根据行人的时空位置数据,获得行人的时空轨迹数据。根据人流时空轨迹数据应用核密度等统计方法分析人群在室内时空分布特征,挖掘站内人群的热点分布及变化规律、热点区域人流密度变化规律。同时结合人流密度阈值、人流密度对应的面积阈值等踩踏事故诱发因素预警阈值及预警指标体系,利用贝叶斯网络建立异常状况下地铁站内人群踩踏事故早期预警模型。
有WiFi模块的智能手机普及率越来越高,人们通过连接WiFi热点访问互联网成为人们的日常生活习惯,本实施例基于“智能手机+WiFi”的室内定位技术无需行人佩戴专门设备和下载手机软件,可以大规模实时采集地铁站内开启WiFi模块智能手机的时空位置数据,数据覆盖面更广更加方便准确得对地铁站关键区域客流分布和变化进行实时监测。此外,通过挖掘地铁站行人位置大数据,实现对人流量、流向和流线的预测,针对预测人流提前做好应对措施,为地铁站工作人员应对大客流和突发状况提供科学参考依据,在突发客流来临之前做出反应,防止踩踏事故的发生。另外,本实施例的地铁站客流监测系统及预警方法对不同地铁站具有高度的普适性,还可应用到其他人流量比较大的室内公共建筑,如飞机航站楼等。
实施例2
在该实施例中,公开了一种踩踏事故早期预警系统,包括:
信息获取模块,用于获取设定区域内人流特性的影响因素信息;
人流特性预测模块,用于将人流特性的影响因素信息输入训练好的人流特性预测模型中,获取人流特性预测结果;
踩踏事故预警模块,用于将人流特性预测结果输入训练好的踩踏事故早期预警模型中,获取踩踏事故预警结果。
实施例3
在该实施例中,公开了一种电子设备,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成实施例1公开的一种踩踏事故早期预警方法所述的步骤。
实施例4
在该实施例中,公开了一种计算机可读存储介质,用于存储计算机指令,所述计算机指令被处理器执行时,完成实施例1公开的一种踩踏事故早期预警方法所述的步骤。
以上仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种踩踏事故早期预警方法,其特征在于,包括:
获取设定区域内人流特性的影响因素信息;
将人流特性的影响因素信息输入训练好的人流特性预测模型中,获取人流特性预测结果;
将人流特性预测结果输入训练好的踩踏事故早期预警模型中,获取踩踏事故预警结果。
2.如权利要求1所述的踩踏事故早期预警方法,其特征在于,影响因素信息包括日期、时间、天气、温度、风力和举办活动因素。
3.如权利要求1所述的踩踏事故早期预警方法,其特征在于,人流特性预测模型采用BP神经网络。
4.如权利要求1所述的踩踏事故早期预警方法,其特征在于,踩踏事故早期预警模型,采用贝叶斯网络,根据异常状况下的人流特性阈值构建。
5.如权利要求4所述的踩踏事故早期预警方法,其特征在于,异常状况下的人流特性阈值通过调查统计同类型区域内发生异常状况时的最大人流特性来确定。
6.如权利要求1所述的踩踏事故早期预警方法,其特征在于,获取区域内历史人群时空分布特征和历史影响因素数据,作为样本数据对人流特性预测模型进行训练,获取训练好的人流特性预测模型。
7.如权利要求6所述的踩踏事故早期预警方法,其特征在于,通过设定区域内WiFi探针探测到的移动设备信息,确定人员位置信息,根据人员位置信息获取人群时空分布特征。
8.一种踩踏事故早期预警系统,其特征在于,包括:
信息获取模块,用于获取设定区域内人流特性的影响因素信息;
人流特性预测模块,用于将人流特性的影响因素信息输入训练好的人流特性预测模型中,获取人流特性预测结果;
踩踏事故预警模块,用于将人流特性预测结果输入训练好的踩踏事故早期预警模型中,获取踩踏事故预警结果。
9.一种电子设备,其特征在于,包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令,所述计算机指令被处理器运行时,完成权利要求1-7任一项所述的一种踩踏事故早期预警方法的步骤。
10.一种计算机可读存储介质,其特征在于,用于存储计算机指令,所述计算机指令被处理器执行时,完成权利要求1-7任一项所述的一种踩踏事故早期预警方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110814824.2A CN113361825A (zh) | 2021-07-19 | 2021-07-19 | 一种踩踏事故早期预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110814824.2A CN113361825A (zh) | 2021-07-19 | 2021-07-19 | 一种踩踏事故早期预警方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113361825A true CN113361825A (zh) | 2021-09-07 |
Family
ID=77539931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110814824.2A Pending CN113361825A (zh) | 2021-07-19 | 2021-07-19 | 一种踩踏事故早期预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113361825A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115206094A (zh) * | 2022-06-27 | 2022-10-18 | 五邑大学 | 交通运输枢纽异常事件检测方法、检测系统、存储介质 |
CN115865988A (zh) * | 2023-02-21 | 2023-03-28 | 武汉理工大学三亚科教创新园 | 利用手机传感器网络的客船旅客踩踏事件监测系统及方法 |
CN116167625A (zh) * | 2023-04-25 | 2023-05-26 | 湖南工商大学 | 一种基于深度学习的踩踏风险评估方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170161614A1 (en) * | 2015-12-07 | 2017-06-08 | Rapidsos, Inc. | Systems and methods for predicting emergency situations |
CN110598775A (zh) * | 2019-09-03 | 2019-12-20 | 合肥工业大学 | 基于模糊聚类和bp神经网络的预测方法、系统及存储介质 |
CN111178598A (zh) * | 2019-12-16 | 2020-05-19 | 中国铁道科学研究院集团有限公司 | 铁路客运站客流量预测方法、系统、电子设备及存储介质 |
CN111178764A (zh) * | 2019-12-30 | 2020-05-19 | 中国矿业大学(北京) | 一种大型活动踩踏事故动态风险评估方法 |
CN111445369A (zh) * | 2020-03-31 | 2020-07-24 | 中国刑事警察学院 | 基于lbs大数据的城市大型聚集活动情报预警方法和装置 |
CN111539864A (zh) * | 2020-03-31 | 2020-08-14 | 中国刑事警察学院 | 一种基于lbs大数据的踩踏事件的情报分析方法和装置 |
CN112988847A (zh) * | 2021-04-20 | 2021-06-18 | 广东智九信息科技有限公司 | 一种基于大数据的景区人数预测系统以及方法 |
-
2021
- 2021-07-19 CN CN202110814824.2A patent/CN113361825A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170161614A1 (en) * | 2015-12-07 | 2017-06-08 | Rapidsos, Inc. | Systems and methods for predicting emergency situations |
CN110598775A (zh) * | 2019-09-03 | 2019-12-20 | 合肥工业大学 | 基于模糊聚类和bp神经网络的预测方法、系统及存储介质 |
CN111178598A (zh) * | 2019-12-16 | 2020-05-19 | 中国铁道科学研究院集团有限公司 | 铁路客运站客流量预测方法、系统、电子设备及存储介质 |
CN111178764A (zh) * | 2019-12-30 | 2020-05-19 | 中国矿业大学(北京) | 一种大型活动踩踏事故动态风险评估方法 |
CN111445369A (zh) * | 2020-03-31 | 2020-07-24 | 中国刑事警察学院 | 基于lbs大数据的城市大型聚集活动情报预警方法和装置 |
CN111539864A (zh) * | 2020-03-31 | 2020-08-14 | 中国刑事警察学院 | 一种基于lbs大数据的踩踏事件的情报分析方法和装置 |
CN112988847A (zh) * | 2021-04-20 | 2021-06-18 | 广东智九信息科技有限公司 | 一种基于大数据的景区人数预测系统以及方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115206094A (zh) * | 2022-06-27 | 2022-10-18 | 五邑大学 | 交通运输枢纽异常事件检测方法、检测系统、存储介质 |
CN115865988A (zh) * | 2023-02-21 | 2023-03-28 | 武汉理工大学三亚科教创新园 | 利用手机传感器网络的客船旅客踩踏事件监测系统及方法 |
CN116167625A (zh) * | 2023-04-25 | 2023-05-26 | 湖南工商大学 | 一种基于深度学习的踩踏风险评估方法 |
CN116167625B (zh) * | 2023-04-25 | 2023-08-18 | 湖南工商大学 | 一种基于深度学习的踩踏风险评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113361825A (zh) | 一种踩踏事故早期预警方法及系统 | |
CN109871876B (zh) | 一种基于浮动车数据的高速公路路况识别与预测方法 | |
CN102622798B (zh) | 一种客流统计分析系统 | |
CN103258427B (zh) | 基于信息物理网络的城市快速路交通实时监控方法 | |
CN107798876B (zh) | 基于事件的道路交通异常拥堵判断方法 | |
Chen et al. | A short-term traffic prediction model in the vehicular cyber–physical systems | |
WO2018122804A1 (zh) | 一种非等距时空划分的道路交通异常检测方法 | |
CN109285376A (zh) | 一种基于深度学习的公交车客流统计分析系统 | |
Li et al. | Identifying important variables for predicting travel time of freeway with non-recurrent congestion with neural networks | |
CN112512020B (zh) | 一种基于多源数据融合的交通状态弱信号感知研判方法 | |
CN110111578B (zh) | 一种基于张量恢复的偶发性交通拥堵检测方法 | |
CN107516417A (zh) | 一种挖掘时空关联关系的实时高速公路流量估计方法 | |
CN109872003A (zh) | 对象状态预测方法、系统、计算机设备及存储介质 | |
CN107992958A (zh) | 基于arma的人口超限预警方法 | |
CN111445369A (zh) | 基于lbs大数据的城市大型聚集活动情报预警方法和装置 | |
Ding et al. | The passenger flow status identification based on image and WiFi detection for urban rail transit stations | |
Chen et al. | A review on traffic prediction methods for intelligent transportation system in smart cities | |
CN110213720A (zh) | 基于用户行为分析的手机使用过程中的意外预防方法 | |
CN111541751B (zh) | 一种轨迹监测的方法及装置 | |
CN114363316A (zh) | 一种跨区域道路基础设施智能联网监测与监管系统 | |
CN116631186A (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 | |
CN105489010B (zh) | 一种快速道路行程时间可靠度监测分析系统及方法 | |
CN109409563B (zh) | 一种公交运营车辆实时人数的分析方法、系统和存储介质 | |
CN112434074A (zh) | 一种基于手机定位信息的自然保护地人类活动监管系统 | |
CN111666879A (zh) | 一种基于大数据框架的公交客流分析与规划系统和方法 |
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 |