CN114580308A - 一种人员疏散时间预测方法、装置、存储介质及终端设备 - Google Patents

一种人员疏散时间预测方法、装置、存储介质及终端设备 Download PDF

Info

Publication number
CN114580308A
CN114580308A CN202210491321.0A CN202210491321A CN114580308A CN 114580308 A CN114580308 A CN 114580308A CN 202210491321 A CN202210491321 A CN 202210491321A CN 114580308 A CN114580308 A CN 114580308A
Authority
CN
China
Prior art keywords
evacuation
scene
people
preset
personnel
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
Application number
CN202210491321.0A
Other languages
English (en)
Other versions
CN114580308B (zh
Inventor
马剑
赵思琪
陈娟
宋丹丹
夏钤强
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southwest Jiaotong University
Original Assignee
Southwest Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southwest Jiaotong University filed Critical Southwest Jiaotong University
Priority to CN202210491321.0A priority Critical patent/CN114580308B/zh
Publication of CN114580308A publication Critical patent/CN114580308A/zh
Application granted granted Critical
Publication of CN114580308B publication Critical patent/CN114580308B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
    • Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping

Abstract

本申请属于人员疏散数据处理技术领域，尤其涉及一种人员疏散时间预测方法、装置、计算机可读存储介质及终端设备。所述方法包括：获取目标疏散场景的场景数据；使用预设的疏散时间预测模型对所述目标疏散场景的场景数据进行处理，得到在所述目标疏散场景下的人员疏散时间；其中，所述疏散时间预测模型为经过预设的疏散数据集训练得到的神经网络模型，所述疏散数据集中包括与预设的各种指定疏散场景分别对应的疏散样本，每个疏散样本包括一种指定疏散场景的场景数据和对应的人员疏散时间。通过本申请，在模型中建立起场景数据与人员疏散时间之间准确的映射关系，在保持较高准确度的同时，极大减少了计算量，缩短了计算时长。

Description

一种人员疏散时间预测方法、装置、存储介质及终端设备
技术领域
本申请属于人员疏散数据处理技术领域，尤其涉及一种人员疏散时间预测方法、装置、计算机可读存储介质及终端设备。
背景技术
紧急情况下的人员疏散是安全学的重要分支，多年来一直被国内外学者广泛研究。在火灾等紧急状况发生时，疏散时间是评价空间环境疏散能力的重要指标。准确快速估计人员疏散时间，对于提高建筑的安全水平、设计合理的疏散策略、减少人员灾害十分重要。
在现阶段，疏散时间的计算方法主要包括经验公式法和人员疏散模拟计算法。由专家总结的经验公式往往根据出口容量、场地面积、人员平均速度来估算疏散时间，无法反应拥挤、避障等真实状况，准确度较低。而随着计算机仿真技术的高速发展，人员疏散仿真模型朝着精细化和复杂化的方向不断发展，虽然可以得到更加准确的预测结果，但是计算量较大，耗时较长。
发明内容
有鉴于此，本申请实施例提供了一种人员疏散时间预测方法、装置、计算机可读存储介质及终端设备，以解决现有技术在进行人员疏散时间预测时存在的准确度较低、计算量较大以及耗时较长的问题。
本申请实施例的第一方面提供了一种人员疏散时间预测方法，可以包括：
获取目标疏散场景的场景数据；
使用预设的疏散时间预测模型对所述目标疏散场景的场景数据进行处理，得到在所述目标疏散场景下的人员疏散时间；
其中，所述疏散时间预测模型为经过预设的疏散数据集训练得到的神经网络模型，所述疏散数据集中包括与预设的各种指定疏散场景分别对应的疏散样本，每个疏散样本包括一种指定疏散场景的场景数据和对应的人员疏散时间。
在第一方面的一种具体实现方式中，所述疏散数据集的设置过程可以包括：
获取当前疏散场景的场景数据；其中，所述当前疏散场景为任意一种指定疏散场景；
使用预设的人员疏散模型对所述当前疏散场景的场景数据进行仿真模拟，得到在所述当前疏散场景下的人员疏散时间；
将所述当前疏散场景的场景数据和对应的人员疏散时间设置为所述疏散数据集中的一个疏散样本。
在第一方面的一种具体实现方式中，所述使用预设的人员疏散模型对所述当前疏散场景的场景数据进行仿真模拟，得到在所述当前疏散场景下的人员疏散时间，可以包括：
构建与所述当前疏散场景对应的空间，并根据所述当前疏散场景的场景数据在所述空间中设置边界、障碍物、出口和人员；
在每个时间步，按照预设的运动规则对所述当前疏散场景中的人员进行位置更新，直至所有人员均移出所述当前疏散场景为止；
根据每个时间步的时长和时间步总数计算在所述当前疏散场景下的人员疏散时间。
在第一方面的一种具体实现方式中，所述按照预设的运动规则对所述当前疏散场景中的人员进行位置更新，可以包括：
按照预设的移出概率将已到达出口的人员移出所述当前疏散场景；
按照预设的转移概率对未到达出口的人员进行位置转移。
在第一方面的一种具体实现方式中，所述人员疏散模型为基于元胞自动机的人员疏散模型；
在按照预设的转移概率对未到达出口的人员进行位置转移之前，所述人员疏散时间预测方法还可以包括：
根据下式计算人员的转移概率：
Figure 260824DEST_PATH_IMAGE001
其中，
Figure 639721DEST_PATH_IMAGE002
为位于元胞(i,j)处的人员转移至元胞(i n ,j n )处的转移概率，N为元胞(i,j)的冯诺依曼邻域内被人员占据的元胞数，p(i n ,j n )为元胞(i n ,j n )处的叠加地板场，d(i n ,j n )为元胞(i n ,j n )处的出口静地板场，b(i n ,j n )为元胞(i n ,j n )处的障碍物静地板场，c(i n ,j n )为元胞(i n ,j n )处的拥挤动态场，o(i n ,j n )为元胞(i n ,j n )处的占据状态，β、u、v和w为预设的常数。
在第一方面的一种具体实现方式中，所述疏散时间预测模型可以依次包括：1层输入层、5层卷积层、11层全连接层和1层输出层；其中，第1层卷积层、第2层卷积层和第5层卷积层中使用最大池化操作，第1层卷积层和第2层卷积层在最大池化操作后设置局部响应归一化层，第1层全连接层前设置平滑处理操作，第1层全连接层和第2层全连接层中使用丢弃操作，输出层为单个神经元。
在第一方面的一种具体实现方式中，所述人员疏散时间预测方法还可以包括：
在模型训练过程中，根据不同的优化算法和超参数构建各种训练组合；
分别计算在各种训练组合下的损失函数值；
选取损失函数值最小的训练组合作为优选训练组合，并将在所述优选训练组合下训练得到的模型作为所述疏散时间预测模型。
本申请实施例的第二方面提供了一种人员疏散时间预测装置，可以包括：
场景数据获取模块，用于获取目标疏散场景的场景数据；
模型预测处理模块，用于使用预设的疏散时间预测模型对所述目标疏散场景的场景数据进行处理，得到在所述目标疏散场景下的人员疏散时间；其中，所述疏散时间预测模型为经过预设的疏散数据集训练得到的神经网络模型，所述疏散数据集中包括与预设的各种指定疏散场景分别对应的疏散样本，每个疏散样本包括一种指定疏散场景的场景数据和对应的人员疏散时间。
在第二方面的一种具体实现方式中，所述人员疏散时间预测装置还可以包括：
指定场景数据获取模块，用于获取当前疏散场景的场景数据；其中，所述当前疏散场景为任意一种指定疏散场景；
疏散仿真模拟模块，用于使用预设的人员疏散模型对所述当前疏散场景的场景数据进行仿真模拟，得到在所述当前疏散场景下的人员疏散时间；
疏散样本设置模块，用于将所述当前疏散场景的场景数据和对应的人员疏散时间设置为所述疏散数据集中的一个疏散样本。
在第二方面的一种具体实现方式中，所述疏散仿真模拟模块可以包括：
空间构建子模块，用于构建与所述当前疏散场景对应的空间，并根据所述当前疏散场景的场景数据在所述空间中设置边界、障碍物、出口和人员；
位置更新子模块，用于在每个时间步，按照预设的运动规则对所述当前疏散场景中的人员进行位置更新，直至所有人员均移出所述当前疏散场景为止；
人员疏散时间计算子模块，用于根据每个时间步的时长和时间步总数计算在所述当前疏散场景下的人员疏散时间。
在第二方面的一种具体实现方式中，所述位置更新子模块可以包括：
场景移出单元，用于按照预设的移出概率将已到达出口的人员移出所述当前疏散场景；
位置转移单元，用于按照预设的转移概率对未到达出口的人员进行位置转移。
在第二方面的一种具体实现方式中，所述人员疏散模型为基于元胞自动机的人员疏散模型；
所述位置更新子模块还可以包括：
转移概率计算单元，用于根据下式计算人员的转移概率：
Figure 126197DEST_PATH_IMAGE001
其中，
Figure 683081DEST_PATH_IMAGE002
为位于元胞(i,j)处的人员转移至元胞(i n ,j n )处的转移概率，N为元胞(i,j)的冯诺依曼邻域内被人员占据的元胞数，p(i n ,j n )为元胞(i n ,j n )处的叠加地板场，d(i n ,j n )为元胞(i n ,j n )处的出口静地板场，b(i n ,j n )为元胞(i n ,j n )处的障碍物静地板场，c(i n ,j n )为元胞(i n ,j n )处的拥挤动态场，o(i n ,j n )为元胞(i n ,j n )处的占据状态，β、u、v和w为预设的常数。
在第二方面的一种具体实现方式中，所述疏散时间预测模型可以依次包括：1层输入层、5层卷积层、11层全连接层和1层输出层；其中，第1层卷积层、第2层卷积层和第5层卷积层中使用最大池化操作，第1层卷积层和第2层卷积层在最大池化操作后设置局部响应归一化层，第1层全连接层前设置平滑处理操作，第1层全连接层和第2层全连接层中使用丢弃操作，输出层为单个神经元。
在第二方面的一种具体实现方式中，所述人员疏散时间预测装置还可以包括：
训练组合构建模块，用于在模型训练过程中，根据不同的优化算法和超参数构建各种训练组合；
损失函数值计算模块，用于分别计算在各种训练组合下的损失函数值；
优选训练组合选取模块，用于选取损失函数值最小的训练组合作为优选训练组合，并将在所述优选训练组合下训练得到的模型作为所述疏散时间预测模型。
本申请实施例的第三方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一种人员疏散时间预测方法的步骤。
本申请实施例的第四方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一种人员疏散时间预测方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述任一种人员疏散时间预测方法的步骤。
本申请实施例与现有技术相比存在的有益效果是：本申请实施例获取目标疏散场景的场景数据；使用预设的疏散时间预测模型对所述目标疏散场景的场景数据进行处理，得到在所述目标疏散场景下的人员疏散时间；其中，所述疏散时间预测模型为经过预设的疏散数据集训练得到的神经网络模型，所述疏散数据集中包括与预设的各种指定疏散场景分别对应的疏散样本，每个疏散样本包括一种指定疏散场景的场景数据和对应的人员疏散时间。在本申请实施例中，通过各种指定疏散场景分别对应的疏散样本来训练得到疏散时间预测模型，从而在模型中建立起场景数据与人员疏散时间之间准确的映射关系，当有新的疏散场景（即目标疏散场景）时，可以直接使用疏散时间预测模型对其人员疏散时间进行预测，避免了复杂的仿真模拟计算过程，在保持较高准确度的同时，极大减少了计算量，缩短了计算时长。
附图说明
为了更清楚地说明本申请实施例中的技术方案，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申请的一些实施例，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它的附图。
图1为元胞的冯诺依曼邻域的示意图；
图2为元胞的对角邻域的示意图；
图3为障碍物的影响区域的示意图；
图4为疏散时间预测模型的网络整体结构示意图；
图5为本申请实施例中一种人员疏散时间预测方法的一个实施例流程图；
图6为本申请实施例中一种人员疏散时间预测装置的一个实施例结构图；
图7为本申请实施例中一种终端设备的示意框图。
具体实施方式
为使得本申请的发明目的、特征、优点能够更加的明显和易懂，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本申请一部分实施例，而非全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
本申请实施例提出了一种模拟驱动的人员疏散时间预测方法，通过人员疏散模型构建各种指定疏散场景的场景数据与其疏散时间一一对应的疏散数据集，再构建神经网络模型自动提取场景数据中影响疏散时间的特征。基于所构建的疏散数据集，采用数据驱动过程完成对神经网络模型的训练标定，最终实现对人员疏散时间的快速计算。本申请实施例的执行主体可以为任意一种进行人员疏散时间预测的终端设备。
在本申请实施例中，可以预先设置各种疏散场景，即指定疏散场景，并将其场景数据以预设的数据形式进行展现。具体的数据形式可以根据实际情况进行设置，可以包括但不限于图像的形式以及数值矩阵的形式。在场景数据中可以包括场景边界、场景出口、障碍物的数量及位置分布和人员的数量及位置分布等信息。
对于任意一种指定疏散场景，可以获取其场景数据，并使用预设的人员疏散模型对其场景数据进行仿真模拟，得到在该疏散场景下的人员疏散时间。在具体应用中，可以根据实际情况选取现有技术中的任意一种人员疏散模型来进行仿真模拟，本申请实施例对此不作具体限定。
人员疏散模型一般应满足如下三个基本条件：1）能够重现场景中所有人员从疏散开始到其从出口离开场景的全过程；2）能够体现障碍物对人员运动的影响以及人员对障碍物的避让行为；3）能够描述人员对拥堵的避让行为。
在本申请实施例的一种具体实现方式中，人员疏散模型可以为基于元胞自动机的人员疏散模型。
在基于元胞自动机的人员疏散模型中可以定义三个地板场（floor field），即出口静地板场、障碍物静地板场和拥挤动态场，分别用于满足以上三个基本条件。
三个地板场的具体计算方式如下：
（1）出口静地板场
在本申请实施例中，每个元胞的出口静地板场可以由两部分组成，即冯诺依曼邻域场以及对角邻域场。
图1所示为元胞的冯诺依曼邻域的示意图，对于元胞(i,j)而言，其左侧的元胞(i,j-1)、右侧的元胞(i,j+1)、上方的元胞(i-1,j)和下方的元胞(i+1,j)即为其冯诺依曼邻域。图2所示为元胞的对角邻域的示意图，对于元胞(i,j)而言，其左上方的元胞(i-1,j-1)、右上方的元胞(i-1,j+1)、左下方的元胞(i+1,j-1)和左下方的元胞(i+1,j+1)即为其对角邻域。其中，元胞(i,j)表示元胞空间中第i行第j列的元胞，元胞(i,j)的冯诺依曼邻域场可以记为f ij ，元胞(i,j)的对角邻域场可以记为e ij 。
每个元胞的出口静地板场的具体计算过程包括：
步骤a：对于位于出口的元胞(i,j)，可以设置f ij =1，e ij =1；
步骤b1：对于位于出口的元胞(i0,j0)的冯诺依曼邻域处的元胞(i,j)，若f ij =0，则可以设置f ij =f i0j0 +1；
步骤b2：对于位于场景内部的元胞(i0,j0)的冯诺依曼邻域处的元胞(i,j)，若f ij =0且f i0j0 ≠0，则可以设置f ij =f i0j0 +1；
步骤b3：若所有元胞的f ij ≠0，则执行步骤c1，否则返回执行步骤b1；
步骤c1：对于位于出口的元胞(i0,j0)的对角邻域处的元胞(i,j)，若e ij =0，则可以设置e ij =e i0j0 +1；
步骤c2：对于位于场景内部的元胞(i0,j0)的对角邻域处的元胞(i,j)，若e ij =0且e i0j0 ≠0，则可以设置e ij =e i0j0 +1；
步骤c3：若所有元胞的e ij ≠0，则执行步骤d，否则返回执行步骤c1；
步骤d：根据下式计算每个元胞的出口静地板场：
d ij =ε×f ij +（1-ε）×e ij
其中，d ij 为元胞(i,j)的出口静地板场，ε为预设的系数，0<ε<1，其具体取值可以根据实际情况进行设置，例如，可以将其设置为0.5，也可以将其设置为其它取值，本申请实施例对此不作具体限定。
（2）障碍物静地板场
在本申请实施例中，可以设置障碍物的影响区域为类椭圆形，图3所示即为障碍物的影响区域的示意图。其中，位于中心的元胞为障碍物所在位置，其余即为受到障碍物影响的元胞。按照受到障碍物影响程度的不同，这些元胞可以分为三类，即Ⅰ类元胞、Ⅱ类元胞和Ⅲ类元胞，Ⅰ类元胞为类椭圆形长轴上的元胞，Ⅱ类元胞为类椭圆形短轴上的元胞，Ⅲ类元胞为障碍物所在元胞的对角邻域处的元胞。类椭圆形的长轴为人员运动主方向，短轴为人员运动次方向，一般地，当出口位于元胞空间的左侧或右侧时，则可以将横向作为人员运动主方向，将纵向作为人员运动次方向；当出口位于元胞空间的上方或下方时，则可以将纵向作为人员运动主方向，将横向作为人员运动次方向。
若障碍物所在位置为元胞(i 0 ,j 0 )，则位于其影响区域内的元胞(i,j)的障碍物静地板场可以根据下式计算：
Figure 668223DEST_PATH_IMAGE003
其中，b ij 为元胞(i,j)的障碍物静地板场，ecc为预设的离心率，其具体取值可以根据实际情况进行设置，例如，可以将其设置为0.7，也可以将其设置为其它取值，本申请实施例对此不作具体限定。该式中的第一行对应元胞(i,j)为Ⅰ类元胞时的计算公式，该式中的第二行对应元胞(i,j)为Ⅱ类元胞时的计算公式，该式中的第三行对应元胞(i,j)为Ⅲ类元胞时的计算公式。
需要注意的是，以上计算过程针对的是元胞受到单个障碍物影响时的情况，若某个元胞处于两个以上的障碍物的影响区域内时，则可以分别计算并进行累加。
（3）拥挤动态场
拥挤动态场用于描述人员对拥堵的避让行为，即人员在运动过程中应趋于避开拥挤处。
在本申请实施例中，可以根据下式计算每个元胞的拥挤动态场：
Figure 335965DEST_PATH_IMAGE004
其中，c ij 为元胞(i,j)的拥挤动态场，N为元胞(i,j)的冯诺依曼邻域内被人员占据的元胞数，M为元胞(i,j)的对角邻域内被人员占据的元胞数，α为预设的系数，其具体取值可以根据实际情况进行设置，例如，可以将其设置为0.8，也可以将其设置为其它取值，本申请实施例对此不作具体限定。
基于上述的三个地板场，可以建立元胞运动规则，使用基于元胞自动机的人员疏散模型对指定疏散场景的场景数据进行仿真模拟，从而得到在该疏散场景下的人员疏散时间。
在进行仿真模拟时，可以预先构建与疏散场景对应的元胞空间，并根据疏散场景的场景数据在元胞空间中设置边界、障碍物、出口和人员。
在仿真模拟过程中的每个时间步，可以按照预设的元胞运动规则对疏散场景中的人员进行位置更新。
具体地，可以按照预设的移出概率将已到达出口的人员移出疏散场景，并按照预设的转移概率对未到达出口的人员进行位置转移。其中，移除概率的具体取值可以根据实际情况进行设置，例如，可以将其设置为0.5，也可以将其设置为其它取值，本申请实施例对此不作具体限定。转移概率可以预先根据下式进行计算：
Figure 676947DEST_PATH_IMAGE001
其中，
Figure 388420DEST_PATH_IMAGE002
为位于元胞(i,j)处的人员转移至元胞(i n ,j n )处的转移概率， p(i n ,j n )为元胞(i n ,j n )处的叠加地板场，d(i n ,j n )为元胞(i n ,j n )处的出口静地板场，b(i n ,j n )为元胞(i n ,j n )处的障碍物静地板场，c(i n ,j n )为元胞(i n ,j n )处的拥挤动态场，o(i n ,j n )为元胞(i n ,j n )处的占据状态，当元胞(i n ,j n )被人员或障碍物占据时，o(i n ,j n )为1，当元胞(i n ,j n )未被人员或障碍物占据时，o(i n ,j n )为0，β、u、v和w为预设的常数，具体取值可以根据实际情况进行设置，本申请实施例对此不作具体限定。
需要说明的是，本申请实施例中进行位置更新的顺序为随机顺序更新，即在某个时间步的位置更新过程中，是对疏散场景中的人员进行随机排序，然后按照该排序逐一进行位置更新。位置更新的区域为冯诺依曼邻域，即位于元胞(i,j)处的人员只能转移到元胞(i,j)的冯诺依曼邻域处的元胞。容易理解地，人员不能转移到被边界、障碍物及其它人员占据的元胞。
在当前时间步的位置更新完成后，判断是否所有人员均已移出疏散场景，若还有人员未移出疏散场景，则继续进行下一个时间步的位置更新，直至所有人员均移出疏散场景为止；若所有人员均已移出疏散场景，则确定疏散完成，仿真模拟过程结束。
在仿真模拟过程结束之后，可以根据每个时间步的时长和时间步总数计算在疏散场景下的人员疏散时间。其中，每个时间步的时长可以根据实际情况进行设置，本申请实施例对此不作具体限定。若每个时间步的时长为0.3秒，仿真模拟过程在进行到第1000个时间步时结束，即时间步总数为1000，则可以将两者的乘积300秒确定为人员疏散时间。
优选地，为了提高仿真模拟结果的准确度，可以对同一疏散场景进行N次仿真模拟，将N次所得结果的平均值作为该疏散场景最终的人员疏散时间。N为正整数，其具体取值可以根据实际情况进行设置，例如，可以将其设置为5，也可以将其设置为其它取值，本申请实施例对此不作具体限定。
按照上述的仿真模拟过程，对预先设置各种指定疏散场景进行遍历，每一个指定疏散场景的场景数据和对应的人员疏散时间均可以设置为疏散数据集中的一个疏散样本。当遍历完各种指定疏散场景之后，疏散数据集中即包括了与各种指定疏散场景分别对应的疏散样本。
在完成疏散数据集的设置之后，可以从中分别拆分出训练集、验证集和测试集，以便进行神经网络模型的训练、验证和测试，最终得到的神经网络模型即可实现对疏散场景的疏散时间预测，将其记为疏散时间预测模型。
在本申请实施例中，可以根据实际情况选择现有技术中的任意一种神经网络模型来作为疏散时间预测模型，本申请实施例对此不作具体限定。
作为示例，图4所示为一种可能的疏散时间预测模型的网络整体结构示意图。该疏散时间预测模型依次包括：1层输入层、5层卷积层、11层全连接层和1层输出层，此外，还运用了避免模型过拟合的丢弃操作（dropout）与局部响应归一化层（Local ResponseNormalization，LRN），提高网络的性能。
以场景数据为图像为例，可以对其进行预处理，首先将其尺寸重塑（Reshape）为227×227×3（像素）的RGB图像，即红、绿、蓝三通道，每个通道均有256阶亮度，亮度值为0-255范围内的整型数值。红、绿、蓝三个颜色通道不同的亮度值组合为不同的色彩，故一张彩色图像实为一个三维矩阵，数值均为0-255的整数。为避免传入到输入层的数据较大而造成反向传播时梯度爆炸，造成学习率过小使得模型无法收敛，最终导致深度学习过程失败，可以将输入数据映射为较小值。在本申请实施例中，可以采用min-max归一化方法对输入数据进行归一化处理，将其映射为[0，1]范围内，映射函数为：
Figure 611591DEST_PATH_IMAGE005
，其中，x为原始的输入数据，min为预设的最小值，max为预设的最大值，x * 为归一化处理后的输入数据。经过上述的预处理过程，图像被转化为所有数值均位于[0，1]范围内的三维矩阵。
将预处理得到的三维矩阵传入输入层，第1层卷积层、第2层卷积层和第5层卷积层中使用最大池化操作，第1层卷积层和第2层卷积层在最大池化操作后设置局部响应归一化层，第1层全连接层前设置平滑处理操作，将卷积层输出的三维矩阵平铺为包含同样个数特征值的特征向量，第1层全连接层和第2层全连接层中使用丢弃操作，丢弃概率均为0.5；人员疏散时间为单一变量，故最后的输出层为单个神经元。除了最后的输出层，其它层均可使用ReLU激活函数。模型最终的输出为人员疏散时间，其受场地形状与大小、内部布局、人员初始分布、出口位置与大小等多重因素的影响，无固定的分布形式，故不适于做归一化与标准化处理。
在模型训练过程中，可以根据不同的优化算法和超参数构建各种训练组合。以超参数为学习率（lr）和批量大小（batch size）为例，1种优化算法、1种学习率的取值和1种批量大小的取值即可构建1种训练组合。在每种训练组合下进行多次（例如5次）训练，分别计算在训练集与验证集上各自的损失函数值，实时观测并记录模型的训练进度与优劣，从中选取损失函数值最小的训练组合作为优选训练组合，并将在优选训练组合下训练得到的模型作为疏散时间预测模型，完成模型标定。
在本申请实施例中，可以根据实际情况选择现有技术中的任意一种损失函数，例如，可以将均方误差（Mean Squared Error，MSE）作为损失函数，其计算公式为：
Figure 817445DEST_PATH_IMAGE006
，其中，y i 为第i个样本的模型实际输出，
Figure 809671DEST_PATH_IMAGE007
为第i个样本的模型预期输出，n为样本数目。
在完成模型标定之后，可以将得到的疏散时间预测模型在测试集上进行测试与评价，检验模型的性能。在本申请实施例中，可以根据实际情况选择现有技术中的任意一种评价指标，例如，可以选择平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）作为评价指标，其计算公式为：
Figure 960554DEST_PATH_IMAGE008
。
如果疏散时间预测模型的性能良好，则可将其应用于对各种新场景的疏散时间的预测。如图5所示，本申请实施例中一种人员疏散时间预测方法的一个实施例可以包括：
步骤S501、获取目标疏散场景的场景数据。
其中，目标疏散场景即为待进行人员疏散时间预测的新的疏散场景。
步骤S502、使用疏散时间预测模型对目标疏散场景的场景数据进行处理，得到在目标疏散场景下的人员疏散时间。
当需要对多个目标疏散场景进行人员疏散时间预测时，可以基于深度学习框架Tensorflow数据流编程的特性，将多个目标疏散场景的场景数据以数据流的形式批量传入疏散时间预测模型，实现对多个目标疏散场景的批量预测，进一步提高计算效率。
综上所述，本申请实施例获取目标疏散场景的场景数据；使用预设的疏散时间预测模型对所述目标疏散场景的场景数据进行处理，得到在所述目标疏散场景下的人员疏散时间；其中，所述疏散时间预测模型为经过预设的疏散数据集训练得到的神经网络模型，所述疏散数据集中包括与预设的各种指定疏散场景分别对应的疏散样本，每个疏散样本包括一种指定疏散场景的场景数据和对应的人员疏散时间。在本申请实施例中，通过各种指定疏散场景分别对应的疏散样本来训练得到疏散时间预测模型，从而在模型中建立起场景数据与人员疏散时间之间准确的映射关系，当有新的疏散场景（即目标疏散场景）时，可以直接使用疏散时间预测模型对其人员疏散时间进行预测，避免了复杂的仿真模拟计算过程，在保持较高准确度的同时，极大减少了计算量，缩短了计算时长。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的一种人员疏散时间预测方法，图6示出了本申请实施例提供的一种人员疏散时间预测装置的一个实施例结构图。
本实施例中，一种人员疏散时间预测装置可以包括：
场景数据获取模块601，用于获取目标疏散场景的场景数据；
模型预测处理模块602，用于使用预设的疏散时间预测模型对所述目标疏散场景的场景数据进行处理，得到在所述目标疏散场景下的人员疏散时间；其中，所述疏散时间预测模型为经过预设的疏散数据集训练得到的神经网络模型，所述疏散数据集中包括与预设的各种指定疏散场景分别对应的疏散样本，每个疏散样本包括一种指定疏散场景的场景数据和对应的人员疏散时间。
在本申请实施例的一种具体实现方式中，所述人员疏散时间预测装置还可以包括：
指定场景数据获取模块，用于获取当前疏散场景的场景数据；其中，所述当前疏散场景为任意一种指定疏散场景；
疏散仿真模拟模块，用于使用预设的人员疏散模型对所述当前疏散场景的场景数据进行仿真模拟，得到在所述当前疏散场景下的人员疏散时间；
疏散样本设置模块，用于将所述当前疏散场景的场景数据和对应的人员疏散时间设置为所述疏散数据集中的一个疏散样本。
在本申请实施例的一种具体实现方式中，所述疏散仿真模拟模块可以包括：
空间构建子模块，用于构建与所述当前疏散场景对应的空间，并根据所述当前疏散场景的场景数据在所述空间中设置边界、障碍物、出口和人员；
位置更新子模块，用于在每个时间步，按照预设的运动规则对所述当前疏散场景中的人员进行位置更新，直至所有人员均移出所述当前疏散场景为止；
人员疏散时间计算子模块，用于根据每个时间步的时长和时间步总数计算在所述当前疏散场景下的人员疏散时间。
在本申请实施例的一种具体实现方式中，所述位置更新子模块可以包括：
场景移出单元，用于按照预设的移出概率将已到达出口的人员移出所述当前疏散场景；
位置转移单元，用于按照预设的转移概率对未到达出口的人员进行位置转移。
在本申请实施例的一种具体实现方式中，所述人员疏散模型为基于元胞自动机的人员疏散模型；
所述位置更新子模块还可以包括：
转移概率计算单元，用于根据下式计算人员的转移概率：
Figure 671022DEST_PATH_IMAGE001
其中，
Figure 414987DEST_PATH_IMAGE002
为位于元胞(i,j)处的人员转移至元胞(i n ,j n )处的转移概率，N为元胞(i,j)的冯诺依曼邻域内被人员占据的元胞数，p(i n ,j n )为元胞(i n ,j n )处的叠加地板场，d(i n ,j n )为元胞(i n ,j n )处的出口静地板场，b(i n ,j n )为元胞(i n ,j n )处的障碍物静地板场，c(i n ,j n )为元胞(i n ,j n )处的拥挤动态场，o(i n ,j n )为元胞(i n ,j n )处的占据状态，β、u、v和w为预设的常数。
在本申请实施例的一种具体实现方式中，所述疏散时间预测模型可以依次包括：1层输入层、5层卷积层、11层全连接层和1层输出层；其中，第1层卷积层、第2层卷积层和第5层卷积层中使用最大池化操作，第1层卷积层和第2层卷积层在最大池化操作后设置局部响应归一化层，第1层全连接层前设置平滑处理操作，第1层全连接层和第2层全连接层中使用丢弃操作，输出层为单个神经元。
在本申请实施例的一种具体实现方式中，所述人员疏散时间预测装置还可以包括：
训练组合构建模块，用于在模型训练过程中，根据不同的优化算法和超参数构建各种训练组合；
损失函数值计算模块，用于分别计算在各种训练组合下的损失函数值；
优选训练组合选取模块，用于选取损失函数值最小的训练组合作为优选训练组合，并将在所述优选训练组合下训练得到的模型作为所述疏散时间预测模型。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置，模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
图7示出了本申请实施例提供的一种终端设备的示意框图，为了便于说明，仅示出了与本申请实施例相关的部分。
如图7所示，该实施例的终端设备7包括：处理器70、存储器71以及存储在所述存储器71中并可在所述处理器70上运行的计算机程序72。所述处理器70执行所述计算机程序72时实现上述各个人员疏散时间预测方法实施例中的步骤，例如图5所示的步骤S501至步骤S502。或者，所述处理器70执行所述计算机程序72时实现上述各装置实施例中各模块/单元的功能，例如图6所示模块601至模块602的功能。
示例性的，所述计算机程序72可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器71中，并由所述处理器70执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序72在所述终端设备7中的执行过程。
所述终端设备7可以是桌上型计算机、笔记本、掌上电脑等计算设备。本领域技术人员可以理解，图7仅仅是终端设备7的示例，并不构成对终端设备7的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备7还可以包括输入输出设备、网络接入设备、总线等。
所述处理器70可以是中央处理单元（Central Processing Unit，CPU），还可以是其它通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现场可编程门阵列（Field-Programmable Gate Array，FPGA）或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器71可以是所述终端设备7的内部存储单元，例如终端设备7的硬盘或内存。所述存储器71也可以是所述终端设备7的外部存储设备，例如所述终端设备7上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器71还可以既包括所述终端设备7的内部存储单元也包括外部存储设备。所述存储器71用于存储所述计算机程序以及所述终端设备7所需的其它程序和数据。所述存储器71还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种人员疏散时间预测方法，其特征在于，包括：
获取目标疏散场景的场景数据；
使用预设的疏散时间预测模型对所述目标疏散场景的场景数据进行处理，得到在所述目标疏散场景下的人员疏散时间；
其中，所述疏散时间预测模型为经过预设的疏散数据集训练得到的神经网络模型，所述疏散数据集中包括与预设的各种指定疏散场景分别对应的疏散样本，每个疏散样本包括一种指定疏散场景的场景数据和对应的人员疏散时间。
2.根据权利要求1所述的人员疏散时间预测方法，其特征在于，所述疏散数据集的设置过程包括：
获取当前疏散场景的场景数据；其中，所述当前疏散场景为任意一种指定疏散场景；
使用预设的人员疏散模型对所述当前疏散场景的场景数据进行仿真模拟，得到在所述当前疏散场景下的人员疏散时间；
将所述当前疏散场景的场景数据和对应的人员疏散时间设置为所述疏散数据集中的一个疏散样本。
3.根据权利要求2所述的人员疏散时间预测方法，其特征在于，所述使用预设的人员疏散模型对所述当前疏散场景的场景数据进行仿真模拟，得到在所述当前疏散场景下的人员疏散时间，包括：
构建与所述当前疏散场景对应的空间，并根据所述当前疏散场景的场景数据在所述空间中设置边界、障碍物、出口和人员；
在每个时间步，按照预设的运动规则对所述当前疏散场景中的人员进行位置更新，直至所有人员均移出所述当前疏散场景为止；
根据每个时间步的时长和时间步总数计算在所述当前疏散场景下的人员疏散时间。
4.根据权利要求3所述的人员疏散时间预测方法，其特征在于，所述按照预设的运动规则对所述当前疏散场景中的人员进行位置更新，包括：
按照预设的移出概率将已到达出口的人员移出所述当前疏散场景；
按照预设的转移概率对未到达出口的人员进行位置转移。
5.根据权利要求4所述的人员疏散时间预测方法，其特征在于，所述人员疏散模型为基于元胞自动机的人员疏散模型；
在按照预设的转移概率对未到达出口的人员进行位置转移之前，还包括：
根据下式计算人员的转移概率：
Figure 363598DEST_PATH_IMAGE001
其中，
Figure 15159DEST_PATH_IMAGE002
为位于元胞(i,j)处的人员转移至元胞(i n ,j n )处的转移概率，N为元胞(i,j)的冯诺依曼邻域内被人员占据的元胞数，p(i n ,j n )为元胞(i n ,j n )处的叠加地板场，d(i n ,j n )为元胞(i n ,j n )处的出口静地板场，b(i n ,j n )为元胞(i n ,j n )处的障碍物静地板场，c(i n ,j n )为元胞(i n ,j n )处的拥挤动态场，o(i n ,j n )为元胞(i n ,j n )处的占据状态，β、u、v和w为预设的常数。
6.根据权利要求1所述的人员疏散时间预测方法，其特征在于，所述疏散时间预测模型依次包括：1层输入层、5层卷积层、11层全连接层和1层输出层；其中，第1层卷积层、第2层卷积层和第5层卷积层中使用最大池化操作，第1层卷积层和第2层卷积层在最大池化操作后设置局部响应归一化层，第1层全连接层前设置平滑处理操作，第1层全连接层和第2层全连接层中使用丢弃操作，输出层为单个神经元。
7.根据权利要求1至6中任一项所述的人员疏散时间预测方法，其特征在于，还包括：
在模型训练过程中，根据不同的优化算法和超参数构建各种训练组合；
分别计算在各种训练组合下的损失函数值；
选取损失函数值最小的训练组合作为优选训练组合，并将在所述优选训练组合下训练得到的模型作为所述疏散时间预测模型。
8.一种人员疏散时间预测装置，其特征在于，包括：
场景数据获取模块，用于获取目标疏散场景的场景数据；
模型预测处理模块，用于使用预设的疏散时间预测模型对所述目标疏散场景的场景数据进行处理，得到在所述目标疏散场景下的人员疏散时间；其中，所述疏散时间预测模型为经过预设的疏散数据集训练得到的神经网络模型，所述疏散数据集中包括与预设的各种指定疏散场景分别对应的疏散样本，每个疏散样本包括一种指定疏散场景的场景数据和对应的人员疏散时间。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的人员疏散时间预测方法的步骤。
10.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的人员疏散时间预测方法的步骤。
CN202210491321.0A 2022-05-07 2022-05-07 一种人员疏散时间预测方法、装置、存储介质及终端设备 Active CN114580308B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210491321.0A CN114580308B (zh) 2022-05-07 2022-05-07 一种人员疏散时间预测方法、装置、存储介质及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210491321.0A CN114580308B (zh) 2022-05-07 2022-05-07 一种人员疏散时间预测方法、装置、存储介质及终端设备

Publications (2)

Publication Number Publication Date
CN114580308A true CN114580308A (zh) 2022-06-03
CN114580308B CN114580308B (zh) 2022-07-12

Family

ID=81767569

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210491321.0A Active CN114580308B (zh) 2022-05-07 2022-05-07 一种人员疏散时间预测方法、装置、存储介质及终端设备

Country Status (1)

Country Link
CN (1) CN114580308B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114841084A (zh) * 2022-07-04 2022-08-02 西南交通大学 一种基于航拍图像的人员疏散模拟方法、系统及设备
CN114862070A (zh) * 2022-07-07 2022-08-05 西南交通大学 预测人群疏散能力瓶颈的方法、装置、设备及存储介质
CN115775055A (zh) * 2023-02-10 2023-03-10 西南交通大学 多层建筑人员疏散时间的预测方法、装置、设备及介质
CN117541083A (zh) * 2024-01-09 2024-02-09 青岛理工大学 疏散平台疏散能力的预测方法和装置

Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19936054A1 (de) * 1999-07-30 2001-02-01 Buck Neue Technologien Gmbh Vorrichtung und Verfahren zum Erzeugen einer Nebelwand
CN103471583A (zh) * 2013-09-09 2013-12-25 西南交通大学 一种基于视频图像的隧道人员疏散轨迹测定方法
CN104361178A (zh) * 2014-11-20 2015-02-18 湖北工业大学 一种基于势能驱动元胞蚁群算法的室内疏散仿真优化方法
CN105808852A (zh) * 2016-03-09 2016-07-27 清华大学 一种基于元胞自动机的室内行人微观仿真方法
US20180149606A1 (en) * 2016-11-28 2018-05-31 The Regents Of The University Of California Xenon based drug protein binding assay
CN108121445A (zh) * 2017-12-21 2018-06-05 清华大学 基于虚拟现实的室内疏散行为系统的应用方法和疏散系统
CN109522651A (zh) * 2018-11-16 2019-03-26 中电科新型智慧城市研究院有限公司 一种基于静态场和有偏行走的人群疏散模拟方法
CN110245403A (zh) * 2019-05-31 2019-09-17 西南石油大学 一种基于元胞自动机的人员疏散模拟方法
CN110598307A (zh) * 2019-09-06 2019-12-20 山东师范大学 一种基于狼群算法与拥挤检测的人群仿真疏散方法及系统
CN110956684A (zh) * 2019-11-27 2020-04-03 山东师范大学 基于残差网络的人群运动疏散仿真方法及系统
CN111352349A (zh) * 2020-01-27 2020-06-30 东北石油大学 对老年人居住环境进行信息采集和调节的系统及方法
CN111369071A (zh) * 2020-03-17 2020-07-03 蒋慧灵 一种基于疏散时间预测和火灾探测模型的智慧疏导系统和方法
CN111460670A (zh) * 2020-04-03 2020-07-28 中国科学技术大学深圳研究院 一种基于cuda平台的大规模人群疏散模拟计算方法
CN111523731A (zh) * 2020-04-24 2020-08-11 山东师范大学 一种基于Actor-Critic算法的人群疏散运动路径规划方法及系统
CN112149305A (zh) * 2020-09-25 2020-12-29 中车长春轨道客车股份有限公司 轨道车辆火灾人员疏散仿真方法及系统
CN112668781A (zh) * 2020-12-29 2021-04-16 青岛理工大学 一种城市轨道交通地铁车厢内乘客的疏散预测方法
CN113221060A (zh) * 2021-07-09 2021-08-06 武汉理工大学 一种通航隧洞船舶火灾人员疏散安全评价方法及装置
CN114065348A (zh) * 2021-11-17 2022-02-18 中国科学院深圳先进技术研究院 一种人群应急疏散方法、系统、终端以及存储介质

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19936054A1 (de) * 1999-07-30 2001-02-01 Buck Neue Technologien Gmbh Vorrichtung und Verfahren zum Erzeugen einer Nebelwand
CN103471583A (zh) * 2013-09-09 2013-12-25 西南交通大学 一种基于视频图像的隧道人员疏散轨迹测定方法
CN104361178A (zh) * 2014-11-20 2015-02-18 湖北工业大学 一种基于势能驱动元胞蚁群算法的室内疏散仿真优化方法
CN105808852A (zh) * 2016-03-09 2016-07-27 清华大学 一种基于元胞自动机的室内行人微观仿真方法
US20180149606A1 (en) * 2016-11-28 2018-05-31 The Regents Of The University Of California Xenon based drug protein binding assay
CN108121445A (zh) * 2017-12-21 2018-06-05 清华大学 基于虚拟现实的室内疏散行为系统的应用方法和疏散系统
CN109522651A (zh) * 2018-11-16 2019-03-26 中电科新型智慧城市研究院有限公司 一种基于静态场和有偏行走的人群疏散模拟方法
CN110245403A (zh) * 2019-05-31 2019-09-17 西南石油大学 一种基于元胞自动机的人员疏散模拟方法
CN110598307A (zh) * 2019-09-06 2019-12-20 山东师范大学 一种基于狼群算法与拥挤检测的人群仿真疏散方法及系统
CN110956684A (zh) * 2019-11-27 2020-04-03 山东师范大学 基于残差网络的人群运动疏散仿真方法及系统
CN111352349A (zh) * 2020-01-27 2020-06-30 东北石油大学 对老年人居住环境进行信息采集和调节的系统及方法
CN111369071A (zh) * 2020-03-17 2020-07-03 蒋慧灵 一种基于疏散时间预测和火灾探测模型的智慧疏导系统和方法
CN111460670A (zh) * 2020-04-03 2020-07-28 中国科学技术大学深圳研究院 一种基于cuda平台的大规模人群疏散模拟计算方法
CN111523731A (zh) * 2020-04-24 2020-08-11 山东师范大学 一种基于Actor-Critic算法的人群疏散运动路径规划方法及系统
CN112149305A (zh) * 2020-09-25 2020-12-29 中车长春轨道客车股份有限公司 轨道车辆火灾人员疏散仿真方法及系统
CN112668781A (zh) * 2020-12-29 2021-04-16 青岛理工大学 一种城市轨道交通地铁车厢内乘客的疏散预测方法
CN113221060A (zh) * 2021-07-09 2021-08-06 武汉理工大学 一种通航隧洞船舶火灾人员疏散安全评价方法及装置
CN114065348A (zh) * 2021-11-17 2022-02-18 中国科学院深圳先进技术研究院 一种人群应急疏散方法、系统、终端以及存储介质

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
FU-RONG YUE，等: "Cellular automaton modeling of pedestrian movement behavior on an escalator", 《CHIN. PHYS. B》 *
刘斌，等: "区分障碍物特性的客车乘客疏散模型与分析", 《交通运输系统工程与信息》 *
刘梦婷，等: "考虑人群拥堵的疏散出口选择行为研究及建模", 《中国安全生产科学技术》 *
王羽尘，等: "基于烟气扩散特征的林区隧道火灾人群疏散模型", 《南京林业大学学报（自然科学版）》 *
霍非舟，等: "考虑行人跨越障碍物能力的元胞自动机模型", 《中国安全生产科学技术》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114841084A (zh) * 2022-07-04 2022-08-02 西南交通大学 一种基于航拍图像的人员疏散模拟方法、系统及设备
CN114841084B (zh) * 2022-07-04 2022-09-09 西南交通大学 一种基于航拍图像的人员疏散模拟方法、系统及设备
CN114862070A (zh) * 2022-07-07 2022-08-05 西南交通大学 预测人群疏散能力瓶颈的方法、装置、设备及存储介质
CN114862070B (zh) * 2022-07-07 2022-09-23 西南交通大学 预测人群疏散能力瓶颈的方法、装置、设备及存储介质
CN115775055A (zh) * 2023-02-10 2023-03-10 西南交通大学 多层建筑人员疏散时间的预测方法、装置、设备及介质
CN115775055B (zh) * 2023-02-10 2023-04-28 西南交通大学 多层建筑人员疏散时间的预测方法、装置、设备及介质
CN117541083A (zh) * 2024-01-09 2024-02-09 青岛理工大学 疏散平台疏散能力的预测方法和装置

Also Published As

Publication number Publication date
CN114580308B (zh) 2022-07-12

Similar Documents

Publication Publication Date Title
CN114580308B (zh) 一种人员疏散时间预测方法、装置、存储介质及终端设备
CN105912990B (zh) 人脸检测的方法及装置
WO2021238366A1 (zh) 一种神经网络构建方法以及装置
CN109460793A (zh) 一种节点分类的方法、模型训练的方法及装置
CN112990211B (zh) 一种神经网络的训练方法、图像处理方法以及装置
CN108510194A (zh) 风控模型训练方法、风险识别方法、装置、设备及介质
CN106709511A (zh) 基于深度学习的城市轨道交通全景监控视频故障检测方法
CN110288555B (zh) 一种基于改进的胶囊网络的低照度增强方法
WO2022179587A1 (zh) 一种特征提取的方法以及装置
CN111047078B (zh) 交通特征预测方法、系统及存储介质
US20230289572A1 (en) Neural network structure determining method and apparatus
CN114492723A (zh) 神经网络模型的训练方法、图像处理方法及装置
CN112308825A (zh) 一种基于SqueezeNet的农作物叶片病害识别方法
CN114584406B (zh) 一种联邦学习的工业大数据隐私保护系统及方法
CN115115924A (zh) 基于ir7-ec网络的混凝土图像裂缝类型迅捷智能识别方法
CN114332075A (zh) 基于轻量化深度学习模型的结构缺陷快速识别与分类方法
CN116151319A (zh) 搜索神经网络集成模型的方法、装置和电子设备
WO2024078112A1 (zh) 一种舾装件智能识别方法、计算机设备
CN115346125B (zh) 一种基于深度学习的目标检测方法
CN114358186A (zh) 一种数据处理方法、装置及计算机可读存储介质
CN113313079B (zh) 一种车辆属性识别模型的训练方法、系统及相关设备
CN115631388B (zh) 图像分类方法、装置、电子设备及存储介质
WO2024040941A1 (zh) 神经网络结构搜索方法、装置及存储介质
WO2023272431A1 (zh) 图像处理方法及装置
CN111401516B (zh) 一种神经网络通道参数的搜索方法及相关设备

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