CN114724083A - 轨迹预测系统训练、轨迹预测方法、装置、系统 - Google Patents

轨迹预测系统训练、轨迹预测方法、装置、系统 Download PDF

Info

Publication number
CN114724083A
CN114724083A CN202210370828.0A CN202210370828A CN114724083A CN 114724083 A CN114724083 A CN 114724083A CN 202210370828 A CN202210370828 A CN 202210370828A CN 114724083 A CN114724083 A CN 114724083A
Authority
CN
China
Prior art keywords
model
crowd
trajectory prediction
trajectory
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
Application number
CN202210370828.0A
Other languages
English (en)
Other versions
CN114724083B (zh
Inventor
高歌
黄韩
顾明
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN202210370828.0A priority Critical patent/CN114724083B/zh
Publication of CN114724083A publication Critical patent/CN114724083A/zh
Application granted granted Critical
Publication of CN114724083B publication Critical patent/CN114724083B/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
    • 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
    • G06N20/00—Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例涉及计算机技术领域，尤其涉及一种轨迹预测系统训练方法，该方法包括：获取真实的人群轨迹图、人群对应的区域模型文件，以及人群对应的人群参数，解析区域模型文件，获取区域模型文件中的各个构件及对应的风险分数，通过对不同构件风险的计算，可以方便后续对区域风险水平的确定，基于各个构件对应的风险分数，确定区域风险水平，利用人群参数、区域风险水平，以及真实人群轨迹图对预构建的生成模型和判别模型进行对抗训练，当对抗训练达到预设条件时，确定生成模型和判别模型构建的系统为目标人群轨迹预测系统。这样，通过对抗训练获得整个人群轨迹预测系统，就可以输出更加真实的人群轨迹预测结果。

Description

轨迹预测系统训练、轨迹预测方法、装置、系统
技术领域
本发明实施例涉及计算机技术领域，尤其涉及轨迹预测系统训练、轨迹预测的方法、装置、系统及存储介质。
背景技术
随着社会的发展，城市建设的规模不断扩大。然而，许多建筑物采用不合理的设计，使得在紧急情况下难以迅速疏散民众。因此，近年来，建筑设计师使用人群模拟技术模拟建筑物中的危急情况，分析结构设计的不合理性。然而，由于建筑数据源的复杂性和建筑物的演变很难确保人群模拟数据源的完整性。此外，传统人群模拟计算，具有比较昂贵的计算成本。
因此，需要一种能够降低计算成本的人群模拟方式，以解决上述问题。
发明内容
鉴于此，为解决现有技术中上述技术问题，本发明实施例提供轨迹预测系统训练、轨迹预测的方法、装置、系统及存储介质。
第一方面，本发明实施例提供轨迹预测系统训练、轨迹预测的方法，该方法包括：
获取真实的人群轨迹图、人群对应的区域模型文件，以及人群对应的人群参数；
解析区域模型文件，获取区域模型文件中的各个构件及对应的风险分数；
基于各个构件对应的风险分数，确定区域风险水平；
利用人群参数、区域风险水平，以及真实人群轨迹图对预构建的生成模型和判别模型进行对抗训练；
当对抗训练达到预设条件时，确定生成模型和判别模型构建的系统为目标人群轨迹预测系统。
在一个可能的实施方式中，解析区域模型文件，获取区域模型文件中的各个构件及对应的风险分数，包括：
解析各个构件，获得各个构件对应的构件属性；
基于各个构件属性和预配置的物理规则，获取各个构件的风险分数。
在一个可能的实施方式中，利用人群参数、区域风险水平，以及真实人群轨迹图对预构建的生成模型和判别模型进行对抗训练，包括：
将区域风险水平和人群参数输入至生成模型中，获取模拟人群轨迹图；
将模拟人群轨迹图和真实人群轨迹图送入至判别模型，基于真实人群轨迹图，获得判别结果和对应的损失函数值；
根据判别结果和损失函数值，对预构建的生成模型和判别模型进行对抗训练。
在一个可能的实施方式中，根据判别结果和损失函数值，对预构建的生成模型和判别模型进行对抗训练，具体包括：
若判别结果为可以成功识别输入数据来自于生成模型时，基于损失函数值，调整生成模型中的参数，迭代优化生成模型；
若判别结果为不能成功识别输入数据来自于生成模型时，基于损失函数值，调整判别模型中的参数，迭代优化判别模型。
直至判别模型迭代优化至预先设定的优化次数后，判别模型仍不能成功识别输入数据来自于生成模型时，停止对生成模型和判别模型的训练，确定生成模型和判别模型构建的系统为目标人群轨迹预测系统。
第二方面，本发明实施例提供一种人群轨迹预测的方法，包括：
获取目标区域模型；
将目标区域模型输入至如第一方面中任一项的目标人群轨迹预测系统中，获取人群轨迹预测结果。
在一个可能的实施方式中，获取目标区域模型，包括：
获取目标区域；
采集目标区域中各个实体的位置及实体对应的性质；
基于预先设定的构件与实体的对应关系，确定各个实体对应的构件；
根据实体之间位置的关系及性质，赋予实体对应的构件相同的位置以及性质，确定目标区域模型。
第三方面，本发明实施例提供一种人群轨迹预测系统训练的装置，包括：
第一获取模块，用于获取真实的人群轨迹图、人群对应的区域模型文件，以及人群对应的人群参数；
第一处理模块，用于解析区域模型文件，获取区域模型文件中的各个构件及对应的风险分数；基于各个构件对应的风险分数，确定区域风险水平；利用人群参数、区域风险水平，以及真实人群轨迹图对预构建的生成模型和判别模型进行对抗训练；
确定模块，用于当对抗训练达到预设条件时，确定生成模型和判别模型构建的系统为目标人群轨迹预测系统。
第四方面，本发明实施例提供一种人群轨迹预测的装置，包括：
第二获取模块，用于获取目标区域模型；
第二处理模块，用于将目标区域模型输入至如第三方面的目标人群轨迹预测系统中，获取人群轨迹预测结果。
第五方面，本申请提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器执行如第一方面或第二方面中任一的方法的步骤。
第六方面，本申请提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现如第一方面或第二方面中任一项的方法的步骤。
本发明实施例提供的一种人群轨迹预测系统训练的方法，获取真实的人群轨迹图、人群对应的区域模型文件，以及人群对应的人群参数，解析区域模型文件，获取区域模型文件中的各个构件及对应的风险分数，通过对不同构件风险的计算，可以方便后续对区域风险水平的确定，基于各个构件对应的风险分数，确定区域风险水平，利用人群参数、区域风险水平，以及真实人群轨迹图对预构建的生成模型和判别模型进行对抗训练，通过对抗训练，可以逐步优化生成模型的能力，提高最终的生成能力，当对抗训练达到预设条件时，确定生成模型和判别模型构建的系统为目标人群轨迹预测系统。这样，通过对抗训练获得整个人群轨迹预测系统，在对抗过程中，生成模型和识别模型相互对抗，相互促进对方的模型训练，进而可以输出更加真实的人群轨迹预测结果。
本发明实施例提供的一种人群轨迹预测的方法，获取目标区域模型；将目标区域模型输入至目标人群轨迹预测系统中，获取人群轨迹预测结果。本方法巧妙的利用了对抗模型的特性，在预测过程中，通常将人群轨迹热力图作为输入，进而使用预测系统生成足够真实模拟热力图，用以预测人群轨迹，这样就将一个路线规划问题，变成了图像生成问题，极大的降低了程序运行过程中的计算量和计算时间，进而极大的提升了工作效率。
附图说明
图1为本发明实施例提供的轨迹预测系统训练的方法流程示意图；
图2为本发明实施例提供的计算风险分数的流程示意图；
图3为本发明实施例提供的轨迹预测的方法流程示意图；
图4为本发明实施例提供的确定目标区域模型的流程示意图；
图5为本发明实施例提供的轨迹预测系统训练的装置结构示意图；
图6为本发明实施例提供的轨迹预测的装置结构示意图；
图7为本发明实施例提供轨迹预测系统训练的系统结构示意图。
图8为本发明实施例提供的轨迹预测的系统结构示意图；
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人群在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
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做进一步的解释说明，实施例并不构成对本发明实施例的限定。
图1为本发明实施例提供的轨迹预测系统训练方法流程示意图，该方法步骤执行过程，具体可以参见图1所示，该方法包括：
步骤110，获取真实的人群轨迹图、人群对应的区域模型文件，以及人群对应的人群参数。
具体的，真实人群轨迹图，和人群对应的区域模型文件，以及人群对应的人群参数可以通过各种手段获得，包括但不限于：使用采集设备获得，从历史数据库中提取相关数据等等。这些数据，都会用于后续的计算当中。
进一步的，人群轨迹图可以是热力图，散列点图等等，此处不做限定。
步骤120，解析区域模型文件，获取区域模型文件中的各个构件及对应的风险分数。
具体的，在获得区域模型文件之后，首先是要计算区域模型文件中各个构件对应风险分数，而具体计算风险分数的过程，则可以参见但不限于下文所描述的过程，具体流程参阅图2所示。
步骤210，解析各个构件，获得各个构件对应的构件属性。
具体的，在一个可选的实施例中，构件存在有四种属性，无危险性，恒定的危险区分布，线性危害分布，非线性危害分布。根据这些属性，并结合步骤220，就可以计算每个构件对应的风险分数。
需要说明的是，在本步骤中，给出了一种示例性的属性分类方式，但是在实际应用中，不仅限于示例中所示的情况，本例中给出的情况仅为示例，实际应用以实际情况为准。
步骤220，基于各个构件属性和预配置的物理规则，获取各个构件的风险分数。
具体的，在一个可选的实施例中，如果构件的属性仍以步骤240中的分类方法为例，则可以获得如下的对应的属性，对于恒定的危险区分布；危害程度保持恒定，例如当一个电气元件正在建造的时候，其整个建造区域暴露于相同的危险水平。对于线性危害分布，危害程度在构件边界处最大，并按照线性方程线性递减，如加热炉这样的加热系统可以产生不同程度的风险，在加热炉处最大，而在远离加热炉处线性减少。对于非线性危害分布，危害程度在构件边界处最大，然后根据非线性方程非线性递减。高空坠落时的危害分布是非线性的，其伤害程度随高度的增加呈非线性增加。
进一步的，计算危险分数时，所采用的物理规则，则也应当于属性相对应，例如对于非线性危害分布中的高空抛物来讲，需要符合的如下的如理规则：
Ep＝mgh
其中，Ep为物体的重力势能，m为物体的质量，g为地球表面的重力加速度，h为物体的初始高度。在这种情况下，Ep即可等效为风险分数。
进一步的，例如对于线性危害分布中的匀速运动的物体动量来说，需要符合的如下的如理规则：
p＝mv
其中，p为物体的动能，m为物体的质量，v为物体的速度。在这种情况下，p可以等效为风险分数。
需要说明的是，计算风险分数的方式不仅限于本示例中给出的计算方式，还可以通过其他任意的现有方式进行计算，本实施例中仅给出了一种可选的情况，实际应用中以实际情况为准。
步骤130，基于各个构件对应的风险分数，确定区域风险水平。
具体的，在获得各个构件的风险分数之后，首先对全部的风险分数做归一化处理，使得处理之后的风险分数取值全部都落在[0，1]之间，方便后续的计算。
进一步的，将根据空间的功能和设备的风险级别区别处理它们从而生成整个地图的区域风险水平。
在一个可选的实施方式中，可以采用直接相加观察风险总分的方式，确定当前区域风险水平。例如，存在有A，B，C三个构件，他们各自对应的风险分数为0.1，0.2，0.3，则对应的区域风险总分为0.6，假设预先设定，区域风险总分高于0.5的为高风险，则此时由A，B，C组成的模型是一个高风险模型。
需要说明的是，在实际应用中，可以有各种方法通过风险分数确定区域风险水平，本例中给出的仅为一种示例情况，实际应用中并不仅限于此。
步骤140，利用人群参数、区域风险水平，以及真实人群轨迹图对预构建的生成模型和判别模型进行对抗训练。
具体的，将区域风险水平和人群参数输入至生成模型中，获取模拟人群轨迹图，将模拟人群轨迹图和真实人群轨迹图送入至判别模型，基于真实人群轨迹图，获得判别结果和对应的损失函数值，根据判别结果和损失函数值，对预构建的生成模型和判别模型进行对抗训练。
步骤140仅给出了对抗训练的启动，明确了将何种条件输入至对抗模型，当对抗训练开始后，则通过步骤150中记载方式，停止对抗。
步骤150，当对抗训练达到预设条件时，确定生成模型和判别模型构建的系统为目标人群轨迹预测系统。
具体的，若判别结果为可以成功识别输入数据来自于生成模型时，基于损失函数值，调整生成模型中的参数，迭代优化生成模型，若判别结果为不能成功识别输入数据来自于生成模型时，基于损失函数值，调整判别模型中的参数，迭代优化判别模型，直至判别模型迭代优化至预先设定的优化次数后，判别模型仍不能成功识别输入数据来自于生成模型时，停止对生成模型和判别模型的训练，确定生成模型和判别模型构建的系统为目标人群轨迹预测系统。
需要说明的是，步骤150中仅记载了以能否成功识别或者优化次数作为退出条件的情况，实际应用中，可以使用任意的判别条件作为退出条件，在此不做限定。
本发明实施例提供的一种人群轨迹预测系统训练的方法，获取真实的人群轨迹图、人群对应的区域模型文件，以及人群对应的人群参数，解析区域模型文件，获取区域模型文件中的各个构件及对应的风险分数，通过对不同构件风险的计算，可以方便后续对区域风险水平的确定，基于各个构件对应的风险分数，确定区域风险水平，利用人群参数、区域风险水平，以及真实人群轨迹图对预构建的生成模型和判别模型进行对抗训练，通过对抗训练，可以逐步优化生成模型的能力，提高最终的生成能力，当对抗训练达到预设条件时，确定生成模型和判别模型构建的系统为目标人群轨迹预测系统。这样，通过对抗训练获得整个人群轨迹预测系统，在对抗过程中，生成模型和识别模型相互对抗，相互促进对方的模型训练，进而就可以输出更加真实的人群轨迹预测结果。
图3为本发明实施例提供的一种人群轨迹预测的方法流程示意图，该方法步骤执行过程，具体可以参见图3所示，该方法包括：
步骤310，获取目标区域模型。
具体的，目标区域模型的获取的方式包括但不限于：直接从数据库中提取，根据现有区域进行绘制等等。
在实际应用中，如果选择根据现有区域进行绘制，则可以参见但不限于下文所描述的过程，具体流程参阅图4所示。
步骤410，获取目标区域。
具体的，获取目标区域可以通过数据库直接获取，也可以通过采集设备进行采集，获取到的目标区域将用于后续的搭建目标区域模型。
步骤420，采集目标区域中各个实体的位置及实体对应的性质。
具体的，实体包括但不限于：目标区域中的墙，目标区域中的门，目标区域中的道路等等。
进一步的，对应的性质则是上述实体的状体，例如，墙是不可移动的，门是否上锁，道路是否可以通行等等。这些都决定了之后生成何种构件。
步骤430，基于预先设定的构件与实体的对应关系，确定各个实体对应的构件。
具体的，构件需要完全模仿实体的相对尺寸以及对应实体的性质，进而对照每一个实体，绘制出相应的构件。
步骤440，根据实体之间位置的关系及性质，赋予实体对应的构件相同的位置以及性质，确定目标区域模型。
具体的，在单独绘制出每一个构件之后，还需要根据实体之间的位置关系以及相应的关系完成定位。
在一个可选的实施例中，例如，目标区域中，存在有一面墙，墙上的右下角有一个上锁的门，那么，目标区域模型中，也是存在有一面墙，墙上有一个上锁的门。不过对于门和墙，在目标区域中均是以实体的形式体现，在目标区域模型中均是以构件的形式体现。
步骤320，将目标区域模型输入至如步骤110至步骤150中任一项的目标人群轨迹预测系统中，获取人群轨迹预测结果。
具体的，在这个步骤中，就是将上述目标区域模型输入值目标人群轨迹预测系统中，获取人群轨迹预测结果即可。
本发明实施例提供的一种人群轨迹预测的方法，获取目标区域模型；将目标区域模型输入至目标人群轨迹预测系统中，获取人群轨迹预测结果。本方法巧妙的利用了对抗模型的特性，在预测过程中，通常将人群轨迹热力图作为输入，进而使用预测系统生成足够真实模拟热力图，用以预测人群轨迹，这样就将一个路线规划问题，变成了图像生成问题，极大的降低了程序运行过程中的计算量和计算时间，进而极大的提升了工作效率。
图5为本发明实施例提供的一种人群轨迹预测系统训练的装置，该装置包括：第一获取模块501，第一处理模块502，确定模块503。
第一获取模块501，用于获取真实的人群轨迹图、人群对应的区域模型文件，以及人群对应的人群参数；
第一处理模块502，用于解析区域模型文件，获取区域模型文件中的各个构件及对应的风险分数；基于各个构件对应的风险分数，确定区域风险水平；利用人群参数、区域风险水平，以及真实人群轨迹图对预构建的生成模型和判别模型进行对抗训练；
确定模块503，用于当对抗训练达到预设条件时，确定生成模型和判别模型构建的系统为目标人群轨迹预测系统。
可选的，第一处理模块502，用于：解析各个构件，获得各个构件对应的构件属性；
基于各个构件属性和预配置的物理规则，获取各个构件的风险分数。
可选的，第一处理模块502，用于：将区域风险水平和人群参数输入至生成模型中，获取模拟人群轨迹图；
将模拟人群轨迹图和真实人群轨迹图送入至判别模型，基于真实人群轨迹图，获得判别结果和对应的损失函数值；
根据判别结果和损失函数值，对预构建的生成模型和判别模型进行对抗训练。
可选的，确定模块503，用于：若判别结果为可以成功识别输入数据来自于生成模型时，基于损失函数值，调整生成模型中的参数，迭代优化生成模型；
若判别结果为不能成功识别输入数据来自于生成模型时，基于损失函数值，调整判别模型中的参数，迭代优化判别模型；
直至判别模型迭代优化至预先设定的优化次数后，判别模型仍不能成功识别输入数据来自于生成模型时，停止对生成模型和判别模型的训练，确定生成模型和判别模型构建的系统为目标人群轨迹预测系统。
图6为本发明实施例提供的一种人群轨迹预测系统训练的装置，该装置包括：第二获取模块601，第二处理模块602。
第二获取模块601，用于获取目标区域模型；
第二处理模块602，用于将目标区域模型输入至如权利要求7的目标人群轨迹预测系统中，获取人群轨迹预测结果。
可选的，第二获取模块601，用于：
获取目标区域；
采集目标区域中各个实体的位置及实体对应的性质；
基于预先设定的构件与实体的对应关系，确定各个实体对应的构件；
根据实体之间位置的关系及性质，赋予实体对应的构件相同的位置以及性质，确定目标区域模型。
请参阅图7，图7是本发明可选实施例提供的一种电子设备的结构示意图，如图7所示，该电子设备可以包括：至少一个处理器71，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口73，存储器74，至少一个通信总线72。其中，通信总线72用于实现这些组件之间的连接通信。其中，通信接口73可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口73还可以包括标准的有线接口、无线接口。存储器74可以是高速RAM存储器(Random Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器74可选的还可以是至少一个位于远离前述处理器71的存储装置。其中处理器71可以结合图7所描述的装置，存储器74中存储应用程序，且处理器71调用存储器74中存储的程序代码，以用于执行上述任一方法步骤。
其中，通信总线72可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线72可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器74可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器74还可以包括上述种类的存储器的组合。
其中，处理器71可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
其中，处理器71还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。
可选地，存储器74还用于存储程序指令。处理器71可以调用程序指令，实现如本申请任一实施例中所示的方法。
请参阅图8，图8是本发明可选实施例提供的一种电子设备的结构示意图，如图8所示，该电子设备可以包括：至少一个处理器81，例如CPU(Central Processing Unit，中央处理器)，至少一个通信接口83，存储器84，至少一个通信总线82。其中，通信总线82用于实现这些组件之间的连接通信。其中，通信接口83可以包括显示屏(Display)、键盘(Keyboard)，可选通信接口83还可以包括标准的有线接口、无线接口。存储器84可以是高速RAM存储器(Random Access Memory，易挥发性随机存取存储器)，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。存储器84可选的还可以是至少一个位于远离前述处理器81的存储装置。其中处理器81可以结合图8所描述的装置，存储器84中存储应用程序，且处理器81调用存储器84中存储的程序代码，以用于执行上述任一方法步骤。
其中，通信总线82可以是外设部件互连标准(peripheral componentinterconnect，简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture，简称EISA)总线等。通信总线82可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
其中，存储器84可以包括易失性存储器(英文：volatile memory)，例如随机存取存储器(英文：random-access memory，缩写：RAM)；存储器也可以包括非易失性存储器(英文：non-volatile memory)，例如快闪存储器(英文：flash memory)，硬盘(英文：hard diskdrive，缩写：HDD)或固态硬盘(英文：solid-state drive，缩写：SSD)；存储器84还可以包括上述种类的存储器的组合。
其中，处理器81可以是中央处理器(英文：central processing unit，缩写：CPU)，网络处理器(英文：network processor，缩写：NP)或者CPU和NP的组合。
其中，处理器81还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文：application-specific integrated circuit，缩写：ASIC)，可编程逻辑器件(英文：programmable logic device，缩写：PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文：complex programmable logic device，缩写：CPLD)，现场可编程逻辑门阵列(英文：field-programmable gate array，缩写：FPGA)，通用阵列逻辑(英文：generic arraylogic,缩写：GAL)或其任意组合。
可选地，存储器84还用于存储程序指令。处理器81可以调用程序指令，实现如本申请任一实施例中所示的方法。
本发明实施例还提供了一种非暂态计算机存储介质，计算机存储介质存储有计算机可执行指令，该计算机可执行指令可执行上述任意方法实施例中的方法。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(RandomAccess Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种人群轨迹预测系统训练的方法，其特征在于，包括：
获取真实的人群轨迹图、所述人群对应的区域模型文件，以及所述人群对应的人群参数；
解析所述区域模型文件，获取所述区域模型文件中的各个构件及对应的风险分数；
基于各个构件对应的所述风险分数，确定区域风险水平；
利用所述人群参数、所述区域风险水平，以及所述真实人群轨迹图对预构建的生成模型和判别模型进行对抗训练；
当所述对抗训练达到预设条件时，确定所述生成模型和所述判别模型构建的系统为目标人群轨迹预测系统。
2.根据权利要求1所述的方法，其特征在于，所述解析所述区域模型文件，获取所述区域模型文件中的各个构件及对应的风险分数，包括：
解析所述各个构件，获得所述各个构件对应的构件属性；
基于所述各个构件属性和预配置的物理规则，获取所述各个构件的风险分数。
3.根据权利要求1所述的方法，其特征在于，所述利用所述人群参数、所述区域风险水平，以及所述真实人群轨迹图对预构建的生成模型和判别模型进行对抗训练，包括：
将所述区域风险水平和所述人群参数输入至生成模型中，获取模拟人群轨迹图；
将所述模拟人群轨迹图和所述真实人群轨迹图送入至判别模型，基于所述真实人群轨迹图，获得判别结果和对应的损失函数值；
根据所述判别结果和所述损失函数值，对预构建的所述生成模型和所述判别模型进行对抗训练。
4.根据权利要求3所述的方法，其特征在于，所述根据所述判别结果和所述损失函数值，对预构建的所述生成模型和所述判别模型进行对抗训练，具体包括：
若所述判别结果为可以成功识别输入数据来自于生成模型时，基于所述损失函数值，调整所述生成模型中的参数，迭代优化所述生成模型；
若所述判别结果为不能成功识别输入数据来自于生成模型时，基于所述损失函数值，调整所述判别模型中的参数，迭代优化所述判别模型；
直至所述判别模型迭代优化至预先设定的优化次数后，所述判别模型仍不能成功识别输入数据来自于生成模型时，停止对所述生成模型和所述判别模型的训练，确定所述生成模型和所述判别模型构建的系统为目标人群轨迹预测系统。
5.一种人群轨迹预测的方法，其特征在于，包括：
获取目标区域模型；
将所述目标区域模型输入至如权利要求1至权利要求4中任一项所述的目标人群轨迹预测系统中，获取人群轨迹预测结果。
6.根据权利要求5所述的方法，其特征在于，所述获取目标区域模型，包括：
获取目标区域；
采集目标区域中各个实体的位置及所述实体对应的性质；
基于预先设定的构件与实体的对应关系，确定各个所述实体对应的构件；
根据实体之间所述位置的关系及所述性质，赋予所述实体对应的所述构件相同的位置以及性质，确定所述目标区域模型。
7.一种人群轨迹预测系统训练的装置，其特征在于，包括：
第一获取模块，用于获取真实的人群轨迹图、所述人群对应的区域模型文件，以及所述人群对应的人群参数；
第一处理模块，用于解析所述区域模型文件，获取所述区域模型文件中的各个构件及对应的风险分数；基于各个构件对应的所述风险分数，确定区域风险水平；利用所述人群参数、所述区域风险水平，以及所述真实人群轨迹图对预构建的生成模型和判别模型进行对抗训练；
确定模块，用于当所述对抗训练达到预设条件时，确定所述生成模型和所述判别模型构建的系统为目标人群轨迹预测系统。
8.一种人群轨迹预测的装置，其特征在于，包括：
第二获取模块，用于获取目标区域模型；
第二处理模块，用于将所述目标区域模型输入至如权利要求7所述的目标人群轨迹预测系统中，获取人群轨迹预测结果。
9.一种电子设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器执行如权利要求1-4或5-6任一所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，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1-4或5-6中任一项所述的方法的步骤。
CN202210370828.0A 2022-04-07 2022-04-07 轨迹预测系统训练、轨迹预测方法、装置、系统 Active CN114724083B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210370828.0A CN114724083B (zh) 2022-04-07 2022-04-07 轨迹预测系统训练、轨迹预测方法、装置、系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210370828.0A CN114724083B (zh) 2022-04-07 2022-04-07 轨迹预测系统训练、轨迹预测方法、装置、系统

Publications (2)

Publication Number Publication Date
CN114724083A true CN114724083A (zh) 2022-07-08
CN114724083B CN114724083B (zh) 2023-01-10

Family

ID=82241867

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210370828.0A Active CN114724083B (zh) 2022-04-07 2022-04-07 轨迹预测系统训练、轨迹预测方法、装置、系统

Country Status (1)

Country Link
CN (1) CN114724083B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102913276A (zh) * 2012-11-01 2013-02-06 中国科学院自动化研究所 生成紧急避险动态路线的系统及方法
CN111009153A (zh) * 2019-12-04 2020-04-14 珠海深圳清华大学研究院创新中心 一种轨迹预测模型的训练方法、装置和设备
CN111428763A (zh) * 2020-03-17 2020-07-17 陕西师范大学 一种基于场景约束gan的行人轨迹预测方法
US20210188263A1 (en) * 2019-12-23 2021-06-24 Baidu International Technology (Shenzhen) Co., Ltd. Collision detection method, and device, as well as electronic device and storage medium
CN113635909A (zh) * 2021-08-19 2021-11-12 崔建勋 一种基于对抗生成模仿学习的自动驾驶控制方法
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 (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102913276A (zh) * 2012-11-01 2013-02-06 中国科学院自动化研究所 生成紧急避险动态路线的系统及方法
CN111009153A (zh) * 2019-12-04 2020-04-14 珠海深圳清华大学研究院创新中心 一种轨迹预测模型的训练方法、装置和设备
US20210188263A1 (en) * 2019-12-23 2021-06-24 Baidu International Technology (Shenzhen) Co., Ltd. Collision detection method, and device, as well as electronic device and storage medium
CN111428763A (zh) * 2020-03-17 2020-07-17 陕西师范大学 一种基于场景约束gan的行人轨迹预测方法
CN113635909A (zh) * 2021-08-19 2021-11-12 崔建勋 一种基于对抗生成模仿学习的自动驾驶控制方法
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 (2)

* Cited by examiner, † Cited by third party
Title
FARID MIRAHADI ET AL: "EvacuSafe: A real-time model for building evacuation based on Dijkstra’ s algorithm", 《JOURNAL OF BUILDING ENGINEERING》 *
宋妍蕾: "基于BIM技术的建筑物运维期火灾风险评价方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *

Also Published As

Publication number Publication date
CN114724083B (zh) 2023-01-10

Similar Documents

Publication Publication Date Title
Lu et al. Intelligent structural design of shear wall residence using physics‐enhanced generative adversarial networks
CN113792453A (zh) 基于数字孪生的局部放电监测系统、方法和装置
CN109389181B (zh) 电网异常事件的关联规则生成方法及装置
CN106133756A (zh) 用于过滤、分割并且识别无约束环境中的对象的系统
CN112329930B (zh) 基于代理模型的对抗样本生成方法和装置
CN116405310B (zh) 一种网络数据安全监测方法及系统
CN112561031A (zh) 基于人工智能的模型搜索方法、装置及电子设备
CN115775116A (zh) 基于bim的路桥工程管理方法及系统
KR20220117341A (ko) 차선 검출 모델의 트레이닝 방법, 장치, 전자 기기 및 저장 매체
CN114724083B (zh) 轨迹预测系统训练、轨迹预测方法、装置、系统
CN117541083A (zh) 疏散平台疏散能力的预测方法和装置
Wei et al. Evaluating isosurfaces with level‐set‐based information maps
CN116050772A (zh) 一种基于bim的工程监理方法及系统
CN114241411B (zh) 基于目标检测的计数模型处理方法、装置及计算机设备
CN114036829B (zh) 地质剖面图生成方法、系统、设备及存储介质
CN116108286A (zh) 基于传播重构的虚假信息检测方法、装置和设备
CN115630422A (zh) 一种bim模型展示方法及其系统
CN113408816B (zh) 一种基于深度神经网络的电网灾情评估方法
KR102446398B1 (ko) 건물 정보 모델의 건물 형상 단순화 시스템 및 방법
CN115619245A (zh) 一种基于数据降维方法的画像构建和分类方法及系统
CN114974438A (zh) 粒子运动模拟方法、装置、设备、存储介质和程序产品
Shi et al. An innovative approach to determine building window-to-wall ratios for urban energy simulation
Chen et al. Fine-tuning of line and slope based on evolutionary mechanism
WO2022106863A1 (en) Method and system for accelerating the convergence of an iterative computation code of physical parameters of a multi-parameter system
Huang et al. Predicting brittle fracture surface shape from a versatile database

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