CN114862070A - 预测人群疏散能力瓶颈的方法、装置、设备及存储介质 - Google Patents

预测人群疏散能力瓶颈的方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114862070A
CN114862070A CN202210791758.6A CN202210791758A CN114862070A CN 114862070 A CN114862070 A CN 114862070A CN 202210791758 A CN202210791758 A CN 202210791758A CN 114862070 A CN114862070 A CN 114862070A
Authority
CN
China
Prior art keywords
crowd
pedestrian
walking
parameter
image
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
CN202210791758.6A
Other languages
English (en)
Other versions
CN114862070B (zh
Inventor
陈娟
马剑
夏钤强
赵思琪
宋丹丹
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 CN202210791758.6A priority Critical patent/CN114862070B/zh
Publication of CN114862070A publication Critical patent/CN114862070A/zh
Application granted granted Critical
Publication of CN114862070B publication Critical patent/CN114862070B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G06V20/53—Recognition of crowd images, e.g. recognition of crowd congestion
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Alarm Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Geometry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)

Abstract

本发明提供了预测人群疏散能力瓶颈的方法、装置、设备及存储介质，涉及人员疏散技术领域。本申请中，根据每个时刻对应的行人分布图利用泰森多边形方法构建行人分布的密度图。将不同时刻的行人分布的密度图输入生成对抗网络进行训练，经过训练标定好的生成对抗网络输入当前阶段的行人密度分布图，能够快速输出下一时刻预测的行人密度分布图。基于预测的行人密度分布图，对预测结果进行分析与评估，判断疏散瓶颈口可能出现的位置，以及评价每个瓶颈的拥挤程度，以便在疏散过程对行人进行实时的指导，提高疏散效率。

Description

预测人群疏散能力瓶颈的方法、装置、设备及存储介质
技术领域
本发明涉及人员疏散技术领域，具体而言，涉及预测人群疏散能力瓶颈的方法、装置、设备及存储介质。
背景技术
人员疏散过程是一个非常复杂的动态过程，在动态变化中，需要做到行人流量与设施通过能力相互适配，否则就会造成行人拥堵。疏散能力瓶颈是行人拥堵的主要位置，是影响行人疏散时间的重要因素。通常在较为复杂的建筑设置中，紧急情况发生时，疏散瓶颈位置往往无法直观预见。
发明内容
本发明的目的在于提供预测人群疏散能力瓶颈的方法、装置、设备及存储介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了预测人群疏散能力瓶颈的方法，包括：
获取人群在疏散过程中的人群分布图；
基于所述人群分布图利用泰森多边形法计算，得到人群密度图；
基于不同时刻的所述人群密度图训练生成对抗网络模型，得到人群密度预测模型；
将人群疏散过程的实时数据输入所述人群密度预测模型，并根据输出结果和预设规则对人群疏散能力瓶颈进行预测，所述预设规则为自定义的疏散能力瓶颈等级规则。
第二方面，本申请还提供了预测人群疏散能力瓶颈的装置，包括构建模块、模拟模块、计算模块、训练模块和识别模块，其中：
构建模块：用于获取人群在疏散过程中的人群分布图；
计算模块：用于基于所述人群分布图利用泰森多边形法计算，得到人群密度图；
训练模块：用于基于不同时刻的所述人群密度图训练生成对抗网络模型，得到人群密度预测模型；
识别模块：用于将人群疏散过程的实时数据输入所述人群密度预测模型，并根据输出结果和预设规则对人群疏散能力瓶颈进行预测，所述预设规则为自定义的疏散能力瓶颈等级规则。
第三方面，本申请还提供了预测人群疏散能力瓶颈的设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述预测人群疏散能力瓶颈的方法的步骤。
第四方面，本申请还提供了存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述预测人群疏散能力瓶颈的方法的步骤。
本发明的有益效果为：
本申请中，根据每个时刻对应的行人分布利用泰森多边形方法构建行人分布的密度图。建立密度图时序变化的数据库之后，设计基于Pix2pix的生成对抗网络并将不同时刻的行人分布的密度图输入生成对抗网络进行训练，经过训练标定好的生成对抗网络输入新场景在当前阶段的行人密度分布图，能够快速输出下一时刻预测的行人密度分布图。基于预测的行人密度分布图，对预测结果进行分析与评估，判断疏散瓶颈口可能出现的位置，以及评价每个瓶颈的拥挤程度，以便在疏散过程对行人进行实时的指导，提高疏散效率。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例中所述的预测人群疏散能力瓶颈的方法流程示意图；
图2为本发明实施例中所述的预测人群疏散能力瓶颈的装置结构示意图；
图3为本发明实施例中所述的预测人群疏散能力瓶颈的设备结构示意图。
图中：710-构建模块；711-建模单元；712-模拟单元；721-第二获取单元；722-第二处理单元；723-第三处理单元；724-第四处理单元；725-第一统计单元；726-第二统计单元；730-计算模块；740-训练模块；741-第三获取单元；742-第一训练单元；743-第二训练单元；750-识别模块；800-预测人群疏散能力瓶颈的设备；801-处理器；802-存储器；803-多媒体组件；804-I/O接口；805-通信组件。
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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
首先，对本申请可适用的应用场景以及该应用场景下的系统架构进行介绍。本申请可以应用于由终端设备或服务器提供预测人群疏散能力瓶颈的服务场景下。这里所述的服务场景可以指广义上人类的活动场景，可以是楼层、街道等，本申请以楼层的人群疏散能力瓶颈预测服务进行详细的阐述。
实施例1：
请参见图1，图1所示为本发明实施例中所述的预测人群疏散能力瓶颈的方法流程示意图，该方法包括步骤S1、步骤S2和步骤S3、步骤S4。
步骤S1、获取人群在疏散过程中的人群分布图；
可以理解的是，在本步骤中，可以采用实际应急场景中传感器检测的人流分布数据作为人群分布图。本实施例中利用元胞自动机模型自行模拟人群疏散过程，并统计获得基于时间序列的人群分布图，以获得大量数据，为深度学习提供数据。在其他实施例中还可以使用速度模型和社会力模型等人群疏散模型对疏散过程进行模拟。其中速度模型最早由德国的专家陌森提出，在模型中行人的运动过程由速度和方向两个参数决定。速度仅由行人与前方行人的间隔决定，方向则由三个因素决定，分别是行人的期望方向、行人与行人的相对位置、行人与墙壁之间的相对位置。期望方向代表行人运动具有目的性，期望方向可以由场域值确定，由于场域值距离出口越近场域值越小，所以期望方向可以定义为场域值下降最快的方向。在模拟过程中，方向还受到其他行人以及场景中墙壁的影响，以模拟行人的绕行行为和避障行为。速度大小则和行人之间的间距相关，在速度模型中仅假设行人的速度只与正前方的行人距离有关。并提出了最短间距和行人速度的函数关系，依据这个函数关系，行人在运动过程中不会与前面的行人发生重叠。另外Helbing和Molnar提出了社会力模型的概念，该模型是以牛顿力学为基础，假设行人受到社会力的作用，从而驱动行人运动。在该模型里，依据行人不同的动机和他在环境中所受到的影响，一共受到三种作用力的影响，即驱动力、人与人之间的作用力和人与障碍物之间的作用力，这些力的合力作用于行人，产生一个加速度，行人依据加速度确定自身运动状态。驱动力的方向可以由场域值决定，使得行人能够主动避开场景中的障碍物。人与人的作用力和人与障碍物之间的作用力使得行人避免行人与行人发生碰撞和避免行人穿越墙壁。
人群分布图的获取方法包括步骤S11和步骤S12。
步骤S11、基于元胞自动机模型和场景数据进行建模，得到元胞空间集合，所述元胞空间集合包括障碍空间集合和行走空间集合，所述障碍空间集合是基于所述场景数据构建的因障碍物存在而致使行人不可通过的所有的障碍空间；所述行走空间集合是基于所述场景数据构建的所述行人可通过的所有的行走空间，且每个所述元胞空间均具有对应的场域值标签；所述场域值标签是基于所述元胞空间不同的位置参数而设置的不同数值。
可以理解的是，在本步骤中，根据摄像机、各类传感器等设备现场采集楼层的场景数据，然后根据现场采集的场景数据利用3DSMax、Maya、Rhin、Zbrush、GoogleSketchup等软件，按照预设比例进行虚拟空间的拟合，并利用元胞自动机模型在虚拟空间中构建元胞空间集合。
元胞空间集合的构建方法包括步骤S111、步骤S112、步骤S113、步骤S114和步骤S115，其中：
步骤S111、基于所述场景数据的外轮廓参数，构建虚拟空间模型。
步骤S112、基于元胞自动机模型将所述虚拟空间模型离散为元胞空间。
可以理解的是，在本步骤中，在元胞自动机模型中，虚拟空间模型被离散为一个个方形的元胞空间。
步骤S113、基于所述场景数据，分别判断每个所述元胞空间的位置参数是否符合第一条件，所述第一条件为所述场景数据中障碍物的位置参数；若所述元胞空间的位置参数符合所述第一条件，则将所述元胞空间定义为所述障碍空间；若所述元胞空间的位置参数不符合所述第一条件，则将所述元胞空间定义为所述行走空间。
可以理解的是，在本步骤中，根据场景数据中障碍物的位置参数，找到在虚拟空间模型中与该位置参数相对应的所有元胞空间，并将该元胞空间定义为障碍空间，障碍物可以是墙壁，可以是围栏等构筑物，没有障碍物的元胞空间定义为行走空间。
步骤S114、基于所述场景数据，获取出口的位置参数。
可以理解的是，在本步骤中，根据场景数据确定在虚拟空间模型中对应出口的元胞空间，并获取该元胞空间的位置参数。
步骤S115、基于每个所述元胞空间的位置参数和所述出口的位置参数计算，确定每个所述元胞空间对应的所述场域值标签。
可以理解的是，在本步骤中，根据每个元胞空间相对于出口距离的远近程度，以及是否具有障碍物等情况对每个元胞空间的场域值标签的具体数值进行自定义赋值（或分类标记为不同的场域值标签等，具体不作限制）。其中，距离出口越近的场域值标签的数值越小。
进一步地，步骤S115包括步骤S1151、步骤S1152、步骤S1153和步骤S1154。
步骤S1151、基于所有障碍空间，将所有对应的所述场域值标签的数值置为无穷大。
可以理解的是，在本步骤中，将存在障碍物的元胞空间对应的场域值标签的数值设置为无穷大。
步骤S1152、基于所有的所述出口的位置参数，将对应的所述行走空间的所述场域值标签的数值置为第一参数。
可以理解的是，在本步骤中，将存在出口的元胞空间对应的场域值标签的数值设置为第一参数，本实施例中第一参数为零，在其他实施例中可以是任意数值，具体不作限制。
步骤S1153、基于剩余的所述行走空间，将对应的所述行走空间的所述场域值标签的数值置为第二参数，剩余的所述行走空间为未置为所述第一参数的所述行走空间。
可以理解的是，在本步骤中，根据剩余的行走空间（存在出口的行走空间不计算在内）将其对应的场域值标签的数值设置为第二参数，本实施例中的第二参数为空值。
步骤S1154、判断所述场域值标签的数值是否含有所述第二参数，若所述场域值标签的数值含有所述第二参数，则基于预设邻域范围和所述第一参数计算并将所述第二参数更新为第三参数，所述第三参数是以所述第一参数对应的所述行走空间为中心，将所述预设邻域范围内的所述行走空间对应的所述场域值标签的数值进行迭代加一得到的数值，所述场域值标签的数值进行迭代加一的初始值与所述第一参数相同；根据所述第三参数中的最大数值确定当前所述行走空间，并以当前所述行走空间为中心，基于所述预设邻域范围和所述最大数值计算并将所述第二参数更新为所述第三参数，直至所有的所述场域值标签中的数值不含有所述第二参数为止。
可以理解的是，在本步骤中，通过4邻域或8邻域等预设邻域范围，以存在出口对应的行走空间为中心（即设置为第一参数的行走空间），对该领域范围内行走空间对应的场域值标签的数值设置为第二参数进行迭代更新得到第三参数，第三参数是根据第一参数进行迭代加一得到的数值。每次将第二参数更新为第三参数后均需确定第三参数中最大值对应的行走空间，并以该第三参数对应的行走空间为中心，将预设邻域范围内设置为第二参数对应的行走空间的场域值标签更新为第三参数。由于第三参数是迭代加一进行更新的，则上述最大数值与第三参数的更新是同步的，由此每次对第二参数更新均是上一次更新的第三参数（最大值）加一得到本次对应的第三参数。按照上述方法对设置为第二参数的行走空间对应的场域值标签进行更新，直至不存在第二参数为止，确定每个元胞空间的场域值标签对应的数值。
步骤S12、基于所述行走空间集合，随机模拟人群的疏散过程得到人群分布图。
可以理解的是，在本步骤中，在行走空间集合中随机模拟人群在行走空间中进行移动，并将其移动轨迹进行统计，得到人群在疏散过程中的人群分布图。
人群根据以下步骤进行移动模拟，模拟方法包括步骤S121、步骤S122、步骤S123、步骤S124、步骤S125和步骤S126。
步骤S121、获取第一信息和第二信息，所述第一信息包括所述行人在当前所述元胞空间中的阻碍参数和所述场域值标签，所述阻碍参数包括障碍物参数和人群阻碍参数；所述第二信息为自定义随机产生的概率值。
可以理解的是，在本步骤中，随机在行走空间中设置多个模拟行人，并分别获取每个模拟行人在当前元胞空间对应的第一信息和第二信息，第一信息包括行人往四个方向移动的概率、碰到行人或障碍物的概率、场域值标签对应的具体数值等。第二信息为元胞自动机模型随机产生的行人移动方向的概率值。
步骤S122、基于所述第一信息计算，得到转移概率，所述转移概率为所述行人由当前的所述元胞空间移动至下一个所述元胞空间的概率。
可以理解的是，在本步骤中，行人每移动一次则根据其当前所在的元胞空间分别根据公式（1）-（4）计算行人朝向不同方向进行移动的转移概率，公式（1）-（4）如下所示：
Figure 5062DEST_PATH_IMAGE001
（1）
Figure 656623DEST_PATH_IMAGE002
（2）
Figure 764257DEST_PATH_IMAGE003
（3）
Figure 690624DEST_PATH_IMAGE004
（4）
其中：
Figure 239417DEST_PATH_IMAGE005
分别为行人往四个方向移动的转移概率；
Figure 343771DEST_PATH_IMAGE006
，
Figure 141963DEST_PATH_IMAGE007
，
Figure 137600DEST_PATH_IMAGE008
，
Figure 337638DEST_PATH_IMAGE009
分别是行人往四个方向移动的初始概率，其中四个值相加等于1；
Figure 612892DEST_PATH_IMAGE010
，
Figure 898380DEST_PATH_IMAGE011
，
Figure 369813DEST_PATH_IMAGE012
，
Figure 424356DEST_PATH_IMAGE013
是对 应四个方向分别遇到障碍物的阻碍参数；
Figure 385359DEST_PATH_IMAGE014
，
Figure 905946DEST_PATH_IMAGE015
，
Figure 977807DEST_PATH_IMAGE016
，
Figure 152436DEST_PATH_IMAGE017
是对应四个方向分别遇到行人的阻 挡参数；
Figure 18761DEST_PATH_IMAGE018
是静态场的灵敏度，一般取-1；
Figure 29574DEST_PATH_IMAGE019
，
Figure 842809DEST_PATH_IMAGE020
，
Figure 871945DEST_PATH_IMAGE021
，
Figure 174750DEST_PATH_IMAGE022
是行人在当前元胞空间的场域值标 签对应的具体数值。其中行人以当前所在的元胞空间为中心，相邻元胞空间内若存在行人 或障碍物时，该方向对应的行人、障碍物的阻碍参数均设置为零，否则为自定义值。
步骤S123、基于所述转移概率计算，得到转移累计概率。
可以理解的是，在本步骤中，根据公式（5）计算行人的转移累计概率，公式（5）如下所示：
Figure 656547DEST_PATH_IMAGE024
（5）
其中：
Figure 86523DEST_PATH_IMAGE025
为行人在四个不同移动方向对应的累计概率；x为四个不同的移动方向， 包括方向u、方向d、方向l和方向r；
Figure 970165DEST_PATH_IMAGE026
为行人停留在当前元胞空间的概率，且
Figure 443872DEST_PATH_IMAGE026
为1与 概率和之差，概率和为四个方向转移概率之和；
Figure 616227DEST_PATH_IMAGE027
，
Figure 568002DEST_PATH_IMAGE028
，
Figure 322463DEST_PATH_IMAGE029
，
Figure 232650DEST_PATH_IMAGE030
分别为行人往四 个方向移动的转移概率。
步骤S124、基于所述第二信息和所述转移累计概率，确定运动方向。
可以理解的是，在本步骤中，元胞自动机模型随机实时发出第二信息，模拟行人根 据第二信息与预设规则之间的关系，不断的对模拟行人下一时刻的移动方向进行判断，并 按照该方向进行行走，其中预设规则为：原地等待条件为0<R<
Figure 689039DEST_PATH_IMAGE031
；向上移动条件为
Figure 444506DEST_PATH_IMAGE031
<R <
Figure 240423DEST_PATH_IMAGE032
；向下移动条件为
Figure 803735DEST_PATH_IMAGE032
<R<
Figure 13000DEST_PATH_IMAGE033
；向左移动条件为
Figure 572157DEST_PATH_IMAGE032
<R<
Figure 284898DEST_PATH_IMAGE034
；向右移动条件为
Figure 756462DEST_PATH_IMAGE034
<R< 1。其中
Figure 187443DEST_PATH_IMAGE031
、
Figure 284712DEST_PATH_IMAGE032
、
Figure 540375DEST_PATH_IMAGE033
和
Figure 228846DEST_PATH_IMAGE034
分别对应四个不同移动方向的转移累计概率，R为第二信息。
步骤S125、基于同一个所述行人的所有所述运动方向的累计统计，形成行走路线。
可以理解的是，在本步骤中，统计模拟行人从最初的元胞空间至出口所在元胞空间这段时间中所经过的所有元胞空间，形成每个行人自己对应的行走路线。
步骤S126、基于所有所述行人的所述行走路线进行统计，得到所述人群分布图。
可以理解的是，对所有行人的行走路线进行实时统计，构成人群分布图。
步骤S2、基于所述人群分布图利用泰森多边形法计算，得到人群密度图。
可以理解的是，在本步骤中，根据公式（6）计算人群密度图，公式（6）如下所示：
Figure 629347DEST_PATH_IMAGE035
（6）
其中：
Figure 795886DEST_PATH_IMAGE036
为人群i在t时刻的密度；
Figure 217640DEST_PATH_IMAGE037
是人群i在t时刻所在的泰森多边形的 面积。对于某时段内的人群密度的评估采用当前阶段的x行y列的元胞空间的平均时间密度 进行表征，利用公式（7）计算，公式（7）如下所示：
Figure 545853DEST_PATH_IMAGE038
（7）
其中：
Figure 889110DEST_PATH_IMAGE039
为x行y列元胞空间中行人在t时刻的平均时间密度；
Figure 344493DEST_PATH_IMAGE040
为 是x行y列的元胞空间在时间段
Figure 151912DEST_PATH_IMAGE041
内统计的人群密度值；
Figure 651026DEST_PATH_IMAGE042
为时间阈值。
其中泰森多边形的面积的计算方法包括步骤S21、步骤S22、步骤S23和步骤S24。
步骤S21、基于所述人群分布图，以相邻的所述行人为节点构建三角形模型。
步骤S22、基于每个所述三角形模型，确定每个所述三角形模型的外接圆的圆心参数。
步骤S23、基于所有的所述外接圆的圆心参数构建多边形。
步骤S24、基于每个所述多边形计算面积。
步骤S3、基于不同时刻的所述人群密度图训练生成对抗网络模型，得到人群密度预测模型。
可以理解的是，在本步骤中，基于时间序列对应的人群密度图对生成对抗网络模型进行训练，得到人群密度预测模型用于实时得到每个时刻对应的人群密度。
人群密度预测模型训练方法包括步骤S31、步骤S32和步骤S33。
步骤S31、基于所有的所述人群密度图，获取至少十组对应的第一图像和第二图像，每组对应的所述第一图像和所述第二图像分别为前一时刻和后一时刻所对应的二维矩阵灰度图，所述二维矩阵灰度图是基于所述人群密度图进行归一化预处理得到的矩阵。
可以理解的是，在本步骤中，将所有的人群密度图进行归一化预处理得到对应的二维矩阵灰度图，避免原始数据传入到输入层时，由于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，最终导致学习过程失败。然后基于时间序列从二维矩阵灰度图中选取至少十组图像，每组图像包括间隔一定时间的第一图像和第二图像。
步骤S32、训练所述生成对抗网络模型时，将所述第一图像作为所述生成对抗网络模型中生成器网络的输入值，输出生成图像和第一分数值，并根据第一预设损失函数进行梯度反传更新各项参数；将与所述第一图像对应的所述第二图像和所述生成图像作为所述生成对抗网络模型中判别器网络的输入值，输出第二分数值，并根据第二预设损失函数进行反向传播梯度更新各项参数。
可以理解的是，在本步骤中，生成器采用U-net的网络结构，判别器采用Patch GAN结构，生成器网络根据输入的前一时刻的第一图像，生成一个下一时刻的预测的生成图像，判别器网络对生成图像进行打分得到第一分数值。并根据第一分数值和1之间的交叉熵，生成图像和第二图像之间的L1损失函数作为生成器网络的损失函数，更新各项参数；然后将生成图像和第二图像作为判别器网络的输入值，并输出判别的第二分数值，同时根据第二图像的判别结果和1之间的交叉熵，对生成图像的判别结果和0之间的交叉熵作为判别器网络的损失函数，更新各项参数。
步骤S33、基于每组对应的所述第一图像和所述第二图像分别训练所述生成对抗网络模型，且对所述生成器网络和所述判别器网络进行交替训练，得到所述人群密度预测模型。
步骤S4、将人群疏散过程的实时数据输入所述人群密度预测模型，并根据输出结果和预设规则对人群疏散能力瓶颈进行预测，所述预设规则为自定义的疏散能力瓶颈等级规则。
可以理解的是，在本步骤中，将人群疏散过程的实时数据输入人群密度预测模型中，预测下一时刻对应的人群密度。然后以人群密度作为疏散能力瓶颈的识别依据，依照预设规则对人群疏散能力瓶颈进行评级。本实施例中参考根据人群在不同场景位置的特征，将通过该场景的畅通程度划分为四个等级，分别为畅通、轻微拥挤、拥挤和堵塞，并将其对应为非瓶颈、三级瓶颈、二级瓶颈、一级瓶颈。基于评级结果可采取相应的措施解决道路拥挤的问题。部分不同场景下畅通程度的等级划分如表1所示：
表 1畅通程度的等级划分
Figure 278317DEST_PATH_IMAGE044
当观测场景处于非瓶颈（畅通）状态时：此时客流较为稳定，行人可在设施内自由行走，不受他人千扰，仅受设施本身的制约。其高限为自由流，其底线为每位行人开始注意其他人对自身的影响，但速度基本不受影响。工作人员可考虑是否能够将其他并联设施上的行人引导到该设施上。
当观测场景处于三级瓶颈（轻微拥挤）状态时：此时行人能明显感觉到其他人对自身的干扰，随着人流密度的增大，行走速度受到限制，舒适感显著下降。但从全局考虑，轻微的拥挤现象是有利于行人高效疏散的，工作人员只需对该设施加以关注，若拥挤现象没有恶化，则不需要进行人为干预。
当观测场景处于二级瓶颈（拥挤）状态时：此时行人的速度和自由程度受到严格限制，流入的行人量接近或达到设施最大通过能力。一旦人流密度稍有增长，可能会引起人流通过率严重下降，导致人流停滞等现象。工作人员应根据设施属性和人流变化情况决策是否需要对导致设施拥挤的上一连接点进行人流控制。
当观测场景处于一级瓶颈（堵塞）状态时：流入的行人量超过设施最大通过能力，行人行走速度低，出现走走停停的现象，甚至会随着人流密度的持续增大发生挤伤、踩踏等事故，威胁行人安全。工作人员需分析产生该现象的原因所在，引导设施内行人有效疏散，并立即对造成设施堵塞的连接点进行人流控制。
实施例2：
请参见图2，图2为本发明实施例中所述的预测人群疏散能力瓶颈的装置结构示意图，包括构建模块710、计算模块730、训练模块740和识别模块750，其中：
构建模块710：用于获取人群在疏散过程中的人群分布图。
进一步地，构建模块710包括建模单元711和模拟单元712，其中：
建模单元711：用于基于元胞自动机模型和场景数据进行建模，得到元胞空间集合，所述元胞空间集合包括障碍空间集合和行走空间集合，所述障碍空间集合是基于所述场景数据构建的因障碍物存在而致使行人不可通过的所有的障碍空间；所述行走空间集合是基于所述场景数据构建的所述行人可通过的所有的行走空间，且每个所述元胞空间均具有对应的场域值标签；所述场域值标签是基于所述元胞空间不同的位置参数而设置的不同数值。
模拟单元712：用于基于所述行走空间集合，随机模拟人群的疏散过程得到人群分布图。
进一步地，模拟单元712包括第二获取单元721、第二处理单元722、第三处理单元723、第四处理单元724、第一统计单元725和第二统计单元726，其中：
第二获取单元721：用于获取第一信息和第二信息，所述第一信息包括所述行人在当前所述元胞空间中的阻碍参数和所述场域值标签，所述阻碍参数包括障碍物参数和人群阻碍参数；所述第二信息为自定义随机产生的概率值。
第二处理单元722：用于基于所述第一信息计算，得到转移概率，所述转移概率为所述行人由当前的所述元胞空间移动至下一个所述元胞空间的概率。
第三处理单元723：用于基于所述转移概率计算，得到转移累计概率。
第四处理单元724：用于基于所述第二信息和所述转移累计概率，确定运动方向。
第一统计单元725：用于基于同一个所述行人的所有所述运动方向的累计统计，形成行走路线。
第二统计单元726：用于基于所有所述行人的所述行走路线进行统计，得到所述人群分布图。
计算模块730：用于基于所述人群分布图利用泰森多边形法计算，得到人群密度图。
训练模块740：用于基于不同时刻的所述人群密度图训练生成对抗网络模型，得到人群密度预测模型。
进一步地，训练模块740包括第三获取单元741、第一训练单元742和第二训练单元743，其中：
第三获取单元741：用于基于所有的所述人群密度图，获取至少十组对应的第一图像和第二图像，每组对应的所述第一图像和所述第二图像分别为前一时刻和后一时刻所对应的二维矩阵灰度图，所述二维矩阵灰度图是基于所述人群密度图进行归一化预处理得到的矩阵。
第一训练单元742：用于训练所述生成对抗网络模型时，将所述第一图像作为所述生成对抗网络模型中生成器网络的输入值，输出生成图像和第一分数值，并根据第一预设损失函数进行梯度反传更新各项参数；将与所述第一图像对应的所述第二图像和所述生成图像作为所述生成对抗网络模型中判别器网络的输入值，输出第二分数值，并根据第二预设损失函数进行反向传播梯度更新各项参数。
第二训练单元743：用于基于每组对应的所述第一图像和所述第二图像分别训练所述生成对抗网络模型，且对所述生成器网络和所述判别器网络进行交替训练，得到所述人群密度预测模型。
识别模块750：用于将人群疏散过程的实时数据输入所述人群密度预测模型，并根据输出结果和预设规则对人群疏散能力瓶颈进行预测，所述预设规则为自定义的疏散能力瓶颈等级规则。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例3：
相应于上面的方法实施例，本实施例中还提供了预测人群疏散能力瓶颈的设备800，下文描述的预测人群疏散能力瓶颈的设备800与上文描述的预测人群疏散能力瓶颈的方法可相互对应参照。
图3是根据示例性实施例示出的预测人群疏散能力瓶颈的设备800结构示意图。如图3所示，该预测人群疏散能力瓶颈的设备800可以包括：处理器801，存储器802。该预测人群疏散能力瓶颈的设备800还可以包括多媒体组件803，I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该预测人群疏散能力瓶颈的设备800的整体操作，以完成上述的预测人群疏散能力瓶颈的方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该预测人群疏散能力瓶颈的设备800的操作，这些数据例如可以包括用于在该预测人群疏散能力瓶颈的设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该预测人群疏散能力瓶颈的设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，预测人群疏散能力瓶颈的设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的预测人群疏散能力瓶颈的方法。
在另一示例性实施例中，还提供了包括程序指令的计算机存储介质，该程序指令被处理器执行时实现上述的预测人群疏散能力瓶颈的方法的步骤。例如，该计算机存储介质可以为上述包括程序指令的存储器802，上述程序指令可由预测人群疏散能力瓶颈的设备800的处理器801执行以完成上述的预测人群疏散能力瓶颈的方法。
实施例4：
相应于上面的方法实施例，本实施例中还提供了存储介质，下文描述的存储介质与上文描述的预测人群疏散能力瓶颈的方法可相互对应参照。
存储介质，存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的预测人群疏散能力瓶颈的方法的步骤。
该存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的存储介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.预测人群疏散能力瓶颈的方法，其特征在于，包括：
获取人群在疏散过程中的人群分布图；
基于所述人群分布图利用泰森多边形法计算，得到人群密度图；
基于不同时刻的所述人群密度图训练生成对抗网络模型，得到人群密度预测模型；
将人群疏散过程的实时数据输入所述人群密度预测模型，并根据输出结果和预设规则对人群疏散能力瓶颈进行预测，所述预设规则为自定义的疏散能力瓶颈等级规则。
2.根据权利要求1所述的预测人群疏散能力瓶颈的方法，其特征在于，所述人群分布图的获取方法包括：
基于元胞自动机模型和场景数据进行建模，得到元胞空间集合，所述元胞空间集合包括障碍空间集合和行走空间集合，所述障碍空间集合是基于所述场景数据构建的因障碍物存在而致使行人不可通过的所有的障碍空间；所述行走空间集合是基于所述场景数据构建的所述行人可通过的所有的行走空间，且每个所述元胞空间均具有对应的场域值标签；所述场域值标签是基于所述元胞空间不同的位置参数而设置的不同数值；
基于所述行走空间集合，随机模拟人群的疏散过程得到人群分布图。
3.根据权利要求2所述的预测人群疏散能力瓶颈的方法，其特征在于，基于所述行走空间集合，随机模拟人群的疏散过程得到人群分布图，包括：
获取第一信息和第二信息，所述第一信息包括所述行人在当前所述元胞空间中的阻碍参数和所述场域值标签，所述阻碍参数包括障碍物参数和人群阻碍参数；所述第二信息为自定义随机产生的概率值；
基于所述第一信息计算，得到转移概率，所述转移概率为所述行人由当前的所述元胞空间移动至下一个所述元胞空间的概率；
基于所述转移概率计算，得到转移累计概率；
基于所述第二信息和所述转移累计概率，确定运动方向；
基于同一个所述行人的所有所述运动方向的累计统计，形成行走路线；
基于所有所述行人的所述行走路线进行统计，得到所述人群分布图。
4.根据权利要求1所述的预测人群疏散能力瓶颈的方法，其特征在于，所述基于不同时刻的所述人群密度图训练生成对抗网络模型，得到人群密度预测模型，包括：
基于所有的所述人群密度图，获取至少十组对应的第一图像和第二图像，每组对应的所述第一图像和所述第二图像分别为前一时刻和后一时刻所对应的二维矩阵灰度图，所述二维矩阵灰度图是基于所述人群密度图进行归一化预处理得到的矩阵；
训练所述生成对抗网络模型时，将所述第一图像作为所述生成对抗网络模型中生成器网络的输入值，输出生成图像和第一分数值，并根据第一预设损失函数进行梯度反传更新各项参数；将与所述第一图像对应的所述第二图像和所述生成图像作为所述生成对抗网络模型中判别器网络的输入值，输出第二分数值，并根据第二预设损失函数进行反向传播梯度更新各项参数；
基于每组对应的所述第一图像和所述第二图像分别训练所述生成对抗网络模型，且对所述生成器网络和所述判别器网络进行交替训练，得到所述人群密度预测模型。
5.预测人群疏散能力瓶颈的装置，其特征在于，包括：
构建模块：用于获取人群在疏散过程中的人群分布图；
计算模块：用于基于所述人群分布图利用泰森多边形法计算，得到人群密度图；
训练模块：用于基于不同时刻的所述人群密度图训练生成对抗网络模型，得到人群密度预测模型；
识别模块：用于将人群疏散过程的实时数据输入所述人群密度预测模型，并根据输出结果和预设规则对人群疏散能力瓶颈进行预测，所述预设规则为自定义的疏散能力瓶颈等级规则。
6.根据权利要求5所述的预测人群疏散能力瓶颈的装置，其特征在于，所述构建模块包括：
建模单元：用于基于元胞自动机模型和场景数据进行建模，得到元胞空间集合，所述元胞空间集合包括障碍空间集合和行走空间集合，所述障碍空间集合是基于所述场景数据构建的因障碍物存在而致使行人不可通过的所有的障碍空间；所述行走空间集合是基于所述场景数据构建的所述行人可通过的所有的行走空间，且每个所述元胞空间均具有对应的场域值标签；所述场域值标签是基于所述元胞空间不同的位置参数而设置的不同数值；
模拟单元：用于基于所述行走空间集合，随机模拟人群的疏散过程得到人群分布图。
7.根据权利要求6所述的预测人群疏散能力瓶颈的装置，其特征在于，所述模拟单元包括：
第二获取单元：用于获取第一信息和第二信息，所述第一信息包括所述行人在当前所述元胞空间中的阻碍参数和所述场域值标签，所述阻碍参数包括障碍物参数和人群阻碍参数；所述第二信息为自定义随机产生的概率值；
第二处理单元：用于基于所述第一信息计算，得到转移概率，所述转移概率为所述行人由当前的所述元胞空间移动至下一个所述元胞空间的概率；
第三处理单元：用于基于所述转移概率计算，得到转移累计概率；
第四处理单元：用于基于所述第二信息和所述转移累计概率，确定运动方向；
第一统计单元：用于基于同一个所述行人的所有所述运动方向的累计统计，形成行走路线；
第二统计单元：用于基于所有所述行人的所述行走路线进行统计，得到所述人群分布图。
8.根据权利要求5所述的预测人群疏散能力瓶颈的装置，其特征在于，所述训练模块包括：
第三获取单元：用于基于所有的所述人群密度图，获取至少十组对应的第一图像和第二图像，每组对应的所述第一图像和所述第二图像分别为前一时刻和后一时刻所对应的二维矩阵灰度图，所述二维矩阵灰度图是基于所述人群密度图进行归一化预处理得到的矩阵；
第一训练单元：用于训练所述生成对抗网络模型时，将所述第一图像作为所述生成对抗网络模型中生成器网络的输入值，输出生成图像和第一分数值，并根据第一预设损失函数进行梯度反传更新各项参数；将与所述第一图像对应的所述第二图像和所述生成图像作为所述生成对抗网络模型中判别器网络的输入值，输出第二分数值，并根据第二预设损失函数进行反向传播梯度更新各项参数；
第二训练单元：用于基于每组对应的所述第一图像和所述第二图像分别训练所述生成对抗网络模型，且对所述生成器网络和所述判别器网络进行交替训练，得到所述人群密度预测模型。
9.预测人群疏散能力瓶颈的设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述预测人群疏散能力瓶颈的方法的步骤。
10.存储介质，其特征在于：所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述预测人群疏散能力瓶颈的方法的步骤。
CN202210791758.6A 2022-07-07 2022-07-07 预测人群疏散能力瓶颈的方法、装置、设备及存储介质 Active CN114862070B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210791758.6A CN114862070B (zh) 2022-07-07 2022-07-07 预测人群疏散能力瓶颈的方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210791758.6A CN114862070B (zh) 2022-07-07 2022-07-07 预测人群疏散能力瓶颈的方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114862070A true CN114862070A (zh) 2022-08-05
CN114862070B CN114862070B (zh) 2022-09-23

Family

ID=82626281

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210791758.6A Active CN114862070B (zh) 2022-07-07 2022-07-07 预测人群疏散能力瓶颈的方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN114862070B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115577574A (zh) * 2022-12-08 2023-01-06 西南交通大学 一种导流栏杆位置计算方法、装置、设备及可读存储介质
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
CN116307655A (zh) * 2023-05-25 2023-06-23 西南交通大学 疏散电梯调度策略优化方法、装置、设备及可读存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090240352A1 (en) * 2008-03-18 2009-09-24 Powell Mark D Predicting tropical cyclone destructive potential by integrated kinetic energy according to the powell/reinhold scale
CN103830855A (zh) * 2014-03-17 2014-06-04 中国科学技术大学 一种针对大型公共建筑的动态消防应急疏散指示系统
CN108596368A (zh) * 2018-04-04 2018-09-28 北京航空航天大学 一种基于预测时间的多出口疏散方法
CN108876124A (zh) * 2018-06-02 2018-11-23 南京工业大学 基于数据驱动的疏散瓶颈处人群拥堵风险分析方法
CN109299078A (zh) * 2018-11-28 2019-02-01 哈尔滨工业大学 一种基于人群行为的体育中心疏散数据库建立方法
CN111582252A (zh) * 2020-06-16 2020-08-25 上海眼控科技股份有限公司 人群密度图的获取方法、装置、计算机设备和存储介质
CN111611749A (zh) * 2020-05-25 2020-09-01 山东师范大学 基于rnn的室内人群疏散自动引导仿真方法及系统
CN113536613A (zh) * 2021-09-17 2021-10-22 深圳市城市交通规划设计研究中心股份有限公司 一种人群疏散模拟方法、装置、终端设备及存储介质
CN114580308A (zh) * 2022-05-07 2022-06-03 西南交通大学 一种人员疏散时间预测方法、装置、存储介质及终端设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090240352A1 (en) * 2008-03-18 2009-09-24 Powell Mark D Predicting tropical cyclone destructive potential by integrated kinetic energy according to the powell/reinhold scale
CN103830855A (zh) * 2014-03-17 2014-06-04 中国科学技术大学 一种针对大型公共建筑的动态消防应急疏散指示系统
CN108596368A (zh) * 2018-04-04 2018-09-28 北京航空航天大学 一种基于预测时间的多出口疏散方法
CN108876124A (zh) * 2018-06-02 2018-11-23 南京工业大学 基于数据驱动的疏散瓶颈处人群拥堵风险分析方法
CN109299078A (zh) * 2018-11-28 2019-02-01 哈尔滨工业大学 一种基于人群行为的体育中心疏散数据库建立方法
CN111611749A (zh) * 2020-05-25 2020-09-01 山东师范大学 基于rnn的室内人群疏散自动引导仿真方法及系统
CN111582252A (zh) * 2020-06-16 2020-08-25 上海眼控科技股份有限公司 人群密度图的获取方法、装置、计算机设备和存储介质
CN113536613A (zh) * 2021-09-17 2021-10-22 深圳市城市交通规划设计研究中心股份有限公司 一种人群疏散模拟方法、装置、终端设备及存储介质
CN114580308A (zh) * 2022-05-07 2022-06-03 西南交通大学 一种人员疏散时间预测方法、装置、存储介质及终端设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
梁永春等: "软间隔最大化在露天矿爆破区域人员疏散自动巡查中的应用研究", 《华北科技学院学报》 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115577574A (zh) * 2022-12-08 2023-01-06 西南交通大学 一种导流栏杆位置计算方法、装置、设备及可读存储介质
CN115577574B (zh) * 2022-12-08 2023-03-10 西南交通大学 一种导流栏杆位置计算方法、装置、设备及可读存储介质
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
CN116307655A (zh) * 2023-05-25 2023-06-23 西南交通大学 疏散电梯调度策略优化方法、装置、设备及可读存储介质
CN116307655B (zh) * 2023-05-25 2023-08-08 西南交通大学 疏散电梯调度策略优化方法、装置、设备及可读存储介质

Also Published As

Publication number Publication date
CN114862070B (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
CN114862070B (zh) 预测人群疏散能力瓶颈的方法、装置、设备及存储介质
Chen et al. Learning deep representation from big and heterogeneous data for traffic accident inference
Bierlaire et al. Behavioral dynamics for pedestrians
EP3035314B1 (en) A traffic data fusion system and the related method for providing a traffic state for a network of roads
Lin et al. Intelligent traffic accident prediction model for Internet of Vehicles with deep learning approach
CN110737968B (zh) 基于深层次卷积长短记忆网络的人群轨迹预测方法及系统
WO2023207437A1 (zh) 一种基于动态轨迹流的场景流数字孪生方法及系统
Sarmady et al. Modeling groups of pedestrians in least effort crowd movements using cellular automata
He et al. An efficient dynamic route optimization for urban flooding evacuation based on Cellular Automata
Chu et al. SAFEgress: a flexible platform to study the effect of human and social behaviors on egress performance
CN106650915A (zh) 基于网格智能体的人群行为模拟方法
Sohn et al. Laying the foundations of deep long-term crowd flow prediction
CN112862192A (zh) 基于蚁群算法和改进社会力模型的人群疏散辅助决策系统
CN111523731A (zh) 一种基于Actor-Critic算法的人群疏散运动路径规划方法及系统
Bahamid et al. A review on crowd analysis of evacuation and abnormality detection based on machine learning systems
CN114141385B (zh) 一种用于传染病的预警方法、系统和可读存储介质
Haghpanah et al. Application of bug navigation algorithms for large-scale agent-based evacuation modeling to support decision making
CN115577574A (zh) 一种导流栏杆位置计算方法、装置、设备及可读存储介质
Li et al. Dimensionally aware multi-objective genetic programming for automatic crowd behavior modeling
Zhou et al. Traffic conduction analysis model with time series rule mining
Ünal et al. Generating emergency evacuation route directions based on crowd simulations with reinforcement learning
Manliguez et al. GIS-based evacuation routing using capacity aware shortest path evacuation routing algorithm and analytic hierarchy process for flood prone communities
Johnson et al. Cognitive model of agent exploration with vision and signage understanding
Mazzei A smart data approach to analyze vehicle flows
CN116882148B (zh) 基于空间社会力图神经网络的行人轨迹预测方法及系统

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