CN115270506B - 一种人群沿楼梯上行的通行时间预测方法及系统 - Google Patents

一种人群沿楼梯上行的通行时间预测方法及系统 Download PDF

Info

Publication number
CN115270506B
CN115270506B CN202210982696.7A CN202210982696A CN115270506B CN 115270506 B CN115270506 B CN 115270506B CN 202210982696 A CN202210982696 A CN 202210982696A CN 115270506 B CN115270506 B CN 115270506B
Authority
CN
China
Prior art keywords
neural network
training
model
stairs
crowd
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.)
Active
Application number
CN202210982696.7A
Other languages
English (en)
Other versions
CN115270506A (zh
Inventor
杨晓霞
杨毅
康元磊
潘福全
陈健
曲大义
王杰
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.)
Qingdao University of Technology
Original Assignee
Qingdao University of Technology
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 Qingdao University of Technology filed Critical Qingdao University of Technology
Priority to CN202210982696.7A priority Critical patent/CN115270506B/zh
Publication of CN115270506A publication Critical patent/CN115270506A/zh
Application granted granted Critical
Publication of CN115270506B publication Critical patent/CN115270506B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Geometry (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提出了一种人群沿楼梯上行的通行时间预测方法及系统，属于通行时间预测领域,构建楼梯场景的三维仿真模型；将模拟个体放入三维仿真模型中，构建BP神经网络模型的训练集；用训练集对原子轨道搜索算法优化的BP神经网络模型进行训练；向训练好的模型中输入待预测的楼梯坡度、高度、宽度、个体期望速度与半径和人群数量，得到对应人群沿楼梯上行的通行时间；本发明利用原子轨道搜索算法优化的BP神经网络以预测人群沿楼梯上行的通行时间，预测精度高，且充分考虑了楼梯坡度、高度、宽度、个体期望速度与半径以及人群数量对人群沿楼梯上行的通行时间的影响，既有助于客流高峰时期的个体管控，又可提高紧急情况下公共场所内个体的逃生效率。

Description

一种人群沿楼梯上行的通行时间预测方法及系统
技术领域
本发明属于通行时间预测领域，尤其涉及一种人群沿楼梯上行的通行时间预测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
人群沿楼梯上行的通行时间预测对于公共场所客流的管控具有重要意义；尤其是建设于地下的地铁站具有客流量大、设备集中的特点，早晚高峰期，地铁站内常有较大客流；地铁站内的楼梯通常又长又窄，当地铁站内客流量较大或需要紧急疏散时，个体在楼梯上的通行显得尤为困难，这为选择地铁出行的个体带来了安全隐患。
针对公共场所(比如：地铁站)个体沿楼梯上行的通行时间的现有研究，普遍存在着以下几点问题：
(1)仅通过人群密度判断个体在楼梯上的通行时间，未考虑个体期望速度与半径对个体通行时间的影响；
(2)未考虑楼梯坡度、高度以及宽度对个体通行时间的影响；
(3)相关研究成果较少，可靠性不高；
(4)同类型预测方法通常是通过数据拟合得到预测公式，精度不高。
发明内容
为克服上述现有技术的不足，本发明提供了一种人群沿楼梯上行的通行时间预测方法及系统，利用原子轨道搜索算法优化的BP神经网络以预测人群沿楼梯上行的通行时间，预测精度高，且充分考虑了楼梯坡度、高度、宽度、个体期望速度与半径以及人群数量对人群沿楼梯上行的通行时间的影响，既有助于客流高峰时期的个体管控，又可提高紧急情况下公共场所内个体的逃生效率。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
本发明第一方面提供了一种人群沿楼梯上行的通行时间预测方法；
一种人群沿楼梯上行的通行时间预测方法，包括：
构建楼梯场景的三维仿真模型；
将模拟个体放入三维仿真模型中，模拟多种场景，构建BP神经网络模型的训练集；
用训练集对原子轨道搜索算法优化的BP神经网络模型进行训练，得到训练完成的模型；
向训练完成的模型中输入待预测的楼梯坡度、高度、宽度、个体期望速度与半径和人群数量，得到对应人群沿楼梯上行的通行时间。
进一步的，采用基于社会力模型的个体运动仿真软件，构建楼梯场景的三维仿真模型。
进一步的，所述模拟多种场景，是在仿真中多次更改楼梯坡度、高度、宽度、个体期望速度与半径和人群数量，得到对应的通行时间。
进一步的，所述原子轨道搜索算法基于原子轨道原理，模仿原子轨道中电子之间的作用进行解的迭代，将由传统BP神经网络得到的神经网络权值、阈值作为原子轨道中电子的属性，误差作为对应电子的概率密度函数值。
进一步的，对原子轨道搜索算法优化的BP神经网络模型进行训练，具体为：
(1)根据输入特征的数量与预测特征的数量确定BP神经网络的输入层神经元数量与输出层神经元数量，根据Kolmogorov定理定义隐藏层层数为1，确定隐藏层中神经元数量，即共有三层神经网络；
(2)设置神经网络的初始权值与阈值；
(3)将训练集带入BP神经网络进行训练，得到训练完成的权值、阈值与对应的误差，即完成一次BP神经网络的训练，将此结果作为原子轨道某层的一个电子；
(4)重复训练o次BP神经网络得到o组完成训练的权值、阈值与对应误差，即得到o个电子，组成原子轨道各层中的所有候选解；
(5)取其中v个候选解作为原子轨道某层中的候选解，通过计算，得到最高概率密度函数值(目标函数最小值)对应的候选解，即模型最优的权值、阈值，完成模型的训练。
进一步的，所述输入特征的数量为楼梯坡度、高度、宽度、行人期望速度与半径以及人群数量的种类数，所述预测特征的数量为1，即仅预测人群沿楼梯上行的通行时间。
进一步的，所述Kolmogorov定理指出三层神经网络可以任意精度映射非线性函数。
本发明第二方面提供了一种人群沿楼梯上行的通行时间预测系统。
一种人群沿楼梯上行的通行时间预测系统，包括模型构建模块、训练集构建模块、模型训练模块和预测结果模块；
模型构建模块，被配置为：构建楼梯场景的三维仿真模型；
训练集构建模块，被配置为：将模拟个体放入三维仿真模型中，模拟多种场景，构建BP神经网络模型的训练集；
模型训练模块，被配置为：用训练集对原子轨道搜索算法优化的BP神经网络模型进行训练，得到训练完成的模型；
预测结果模块，被配置为：向训练完成的模型中输入待预测的楼梯坡度、高度、宽度、个体期望速度与半径和人群数量，得到对应人群沿楼梯上行的通行时间。
本发明第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的一种人群沿楼梯上行的通行时间预测方法中的步骤。
本发明第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的一种人群沿楼梯上行的通行时间预测方法中的步骤。
以上一个或多个技术方案存在以下有益效果：
本发明利用原子轨道搜索算法优化的BP神经网络以预测人群沿楼梯上行的通行时间，预测精度高，且充分考虑了楼梯坡度、高度、宽度、个体期望速度与半径以及人群数量对人群沿楼梯上行的通行时间的影响，既有助于客流高峰时期的个体管控，又可为紧急情况下公共场所内个体逃生路线的制定提供节点时间依据，提高疏散效率。
本发明采用基于社会力模型的仿真软件得到模型的训练集，可模拟多种场景，在短时间内得到各场景下大量的训练集数据，提高效率。
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
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为第一个实施例的方法流程图。
图2为第一个实施例中楼梯的三维仿真模型图。
图3为第一个实施例中有模拟个体的楼梯三维仿真模型图。
图4为第二个实施例的系统结构图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本发明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发明的示例性实施方式。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。
实施例一
本实施例以地铁站内的楼梯为例来详细说明人群沿楼梯上行的通行时间预测方法的过程。
如图1所示，一种人群沿楼梯上行的通行时间预测方法，包括：
S101：构建楼梯场景的三维仿真模型；
采用基于社会力模型的个体运动仿真软件，对应实地场景，对地铁站内的楼梯进行建模，楼梯的三维仿真模型如图2所示。
需要说明的是，还可以为学校楼梯或是其他场所内楼梯建模。
S102：将模拟个体放入三维仿真模型中，模拟多种场景，构建BP神经网络模型的训练集；
如图3所示，在仿真中，将模拟个体放入仿真场景中，多次更改楼梯坡度、高度、宽度、个体期望速度与半径和人群数量，得到多组不同楼梯坡度、高度、宽度、个体期望速度与半径以及人群数量下的人群沿楼梯上行的通行时间，即训练集。
本发明通过在仿真实验中多次更改楼梯坡度、高度、宽度、个体期望速度与半径以及人群数量，获取训练集，所用方法是基于社会力模型构建的楼梯场景三维仿真模型进行仿真，社会力模型可较为精确地模拟个体运动，故所得数据可信度高。
S103：用训练集对原子轨道搜索算法优化的BP神经网络模型进行训练，得到训练完成的模型；
所述原子轨道搜索算法基于原子轨道原理，模仿原子轨道中电子之间的作用进行解的迭代，将由传统BP神经网络得到的神经网络权值、阈值作为原子轨道中电子的属性，误差作为对应电子的概率密度函数值，其中误差的计算公式为
其中，np为输出层神经元数量，i为输出层神经元的序列数，yi为期望输出值，为实际输出值，实际输出值与各个神经元对应权值zi和阈值θi有关。
训练模型的过程为：
(1)根据输入特征的数量与预测特征的数量确定BP神经网络的输入层神经元数量与输出层神经元数量；根据Kolmogorov定理定义隐藏层层数为1，即共有三层神经网络，确定隐藏层中神经元数量：
输入特征的数量为楼梯坡度、高度、宽度、行人期望速度与半径以及人群数量的种类数，预测特征的数量为1，即仅预测人群沿楼梯上行的通行时间；Kolmogorov定理指出三层神经网络可以任意精度映射非线性函数。
(2)设置神经网络的初始权值与阈值：
根据传统BP神经网络规则设置神经网络的初始权值与阈值。
(3)将训练集带入BP神经网络进行训练，得到训练完成的权值、阈值与对应的误差，即完成一次BP神经网络的训练，将此结果作为原子轨道某层的一个电子；
将训练集数据带入传统BP神经网络中运行得到相应的由传统BP神经网络学习优化的神经网络权值、阈值与对应误差，学习过程是由信号的正向传播与误差的反向传播两个过程组成：
当信号正向传播时，将训练集数据从输入层传入，经隐藏层逐层处理后，传向输出层；若输出层的实际输出与期望输出差值超过阈值，则转向误差的反向传播阶段。
误差的反向传播阶段是将输出误差通过隐藏层向输入层逐层反传，并将误差分摊给各层的所有单元(神经元)，从而获得各层单元(神经元)的误差信号，此误差信号即作为修正各单元(神经元)权值的依据；反向传播的基本原理是利用梯度下降法寻找各单元(神经元)权值，使实际输出与期望输出差值最小化。
(4)重复训练o次BP神经网络得到o组完成训练的权值、阈值与对应误差，即得到o个电子，组成原子轨道各层中的所有候选解：
通过多次运行传统BP神经网络得到多组权值、阈值与对应误差，即得到多个电子，也称为候选解。
(5)取其中v个候选解作为原子轨道某层中的候选解，通过计算，得到最高概率密度函数值(目标函数最小值)对应的候选解，即模型最优的权值、阈值。
将得到的权值、阈值作为原子轨道搜索算法中的电子属性，误差作为对应的概率密度函数值，通过原子轨道搜索算法对神经网络的权值和阈值进行迭代，直至找到最优的权值和阈值。
所述原子轨道搜索算法是一种基于量子力学的元启发式优化算法，该算法中的搜索空间被视为原子核周围的电子云，原子核被分为薄的、球形的同心层；大多数优化算法会通过候选解群体的迭代实现寻优过程，原子轨道搜索算法也考虑了一些候选解Z，它们代表基于量子的原子模型中原子核周围的电子。
在本发明中，候选解由BP神经网络的权值zi和阈值θi组成，即：
其中，o为候选解的数量，zi为各个单元对应的权值，θi为各个单元对应的阈值，d为zi的数量，r为θi的数量，每组候选解Zi由一组BP神经网络对应权值与阈值表示，以定义候选解在搜索空间中的位置。
基于量子的原子模型，每个候选解都有一个能量状态，此能量状态为E，即经BP神经网络训练得到的数据误差。
向量方程Q用于包含不同候选解的目标函数值，表达式为：
其中，Ei是第i个候选解的能级，即第i个候选解对应实际输出与期望输出差值；
在量子的原子模型中，电子在原子核周围的位置由电子概率密度图决定，电子概率密度图由概率密度函数计算得到，一个变量的概率密度函数表示该变量在特定范围内的可能性；通过考虑原子核周围以虚拟方式创建的层，候选解对应的概率密度函数值用于确定候选解在这些层中的位置；
候选解按升序排序(令误差尽可能小)，其中具有更小目标函数值的候选方案被认为具有更高的等级和概率密度函数值；具有较高概率密度函数值的候选解决方案位于内部虚电子层，而具有较低概率密度函数值的候选解位于外部虚电子层；根据概率密度函数确定电子位置，每个虚拟层都包含一些候选解。
假设v为运行BP神经网络的次数，通过运行v次BP神经网络，可得v组权值与阈值，并作为候选解的初始位置，以及v个对应的能量状态，虚拟层中的候选解的位置向量(Zp)和目标函数值(EP)的公式为：
其中，为第p个虚拟层中的第i个候选解，d是BP神经网络对应的权值总数，r是BP神经网络对应的阈值总数，a是虚拟层的最大层数，v是第p个虚拟层中候选解的总数，/>是第p个虚拟层中第i个候选解的目标函数值。
通过考虑某一层中所有候选解的位置和目标函数值的平均值，确定此虚拟层中候选解的结合态和结合能；第p层电子(候选解)的结合态为：
其中，BSp为第p层电子(候选解)的结合态，i为电子的序列数；
第p层电子(候选解)的结合能为：
其中，BEp为第p层电子(候选解)的结合能；
同理，通过搜索空间中所有候选解的位置和目标函数值的平均值来确定原子的结合态和结合能，结合态为：
结合能为：
为模拟光子对原子核周围电子的作用，在(0，1)范围内为每个候选解生成一个均匀分布的随机数与此同时，光子速率PR被考虑为光子对电子作用的概率参数。
当时，根据光子的发射和吸收来考虑原子核周围不同层之间的电子运动，若/>则考虑光子发射，此时第p层候选解的未来位置/>与当前位置/>的关系为：
其中，LE为最低能级的候选解，αl、βl和σ1为(0，1)范围内均匀分布且随机生成的数字向量，用于确定释放的能量。
若则考虑光子吸收，此时第p层候选解的未来位置/>与当前位置的关系为：
若则认为光子对电子不产生作用，则第p层候选解的未来位置/>与当前位置/>的关系为：
其中，μi为随机生成，均匀分布在(0，1)范围内的数的向量。
通过以上算式迭代，找到最优权值与阈值，即得到完成训练的模型。
S104：向训练完成的模型中输入待预测的楼梯坡度、高度、宽度、个体期望速度与半径和人群数量，得到对应人群沿楼梯上行的通行时间预测值。
预测值的均方误差较BP神经网络的均方误差下降15％，其预测精度较支持向量机方法和拟合方法可提高至少21％。
实施例二
本实施例公开了一种人群沿楼梯上行的通行时间预测系统；
如图4所示，一种人群沿楼梯上行的通行时间预测系统，包括模型构建模块、训练集构建模块、模型训练模块和预测结果模块；
模型构建模块，被配置为：构建楼梯场景的三维仿真模型；
训练集构建模块，被配置为：将模拟个体放入三维仿真模型中，模拟多种场景，构建BP神经网络模型的训练集；
模型训练模块，被配置为：用训练集对原子轨道搜索算法优化的BP神经网络模型进行训练，得到训练完成的模型；
预测结果模块，被配置为：向训练完成的模型中输入待预测的楼梯坡度、高度、宽度、个体期望速度与半径和人群数量，得到对应人群沿楼梯上行的通行时间。
实施例三
本实施例的目的是提供计算机可读存储介质。
计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开实施例1所述的一种人群沿楼梯上行的通行时间预测方法中的步骤。
实施例四
本实施例的目的是提供电子设备。
电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的一种人群沿楼梯上行的通行时间预测方法中的步骤。
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。

Claims (8)

1.一种人群沿楼梯上行的通行时间预测方法，其特征在于，包括：
构建楼梯场景的三维仿真模型；
将模拟个体放入三维仿真模型中，模拟多种场景，构建BP神经网络模型的训练集；
用训练集对原子轨道搜索算法优化的BP神经网络模型进行训练，得到训练完成的模型；
所述原子轨道搜索算法基于原子轨道原理，模仿原子轨道中电子之间的作用进行解的迭代，将由传统BP神经网络得到的神经网络权值、阈值作为原子轨道中电子的属性，误差作为对应电子的概率密度函数值；
对原子轨道搜索算法优化的BP神经网络模型进行训练，具体为：
(1)根据输入特征的数量与预测特征的数量确定BP神经网络的输入层神经元数量与输出层神经元数量，根据Kolmogorov定理定义隐藏层层数为1，确定隐藏层中神经元数量，即共有三层神经网络；
(2)设置神经网络的初始权值与阈值；
(3)将训练集带入BP神经网络进行训练，得到训练完成的权值、阈值与对应的误差，即完成一次BP神经网络的训练，将此结果作为原子轨道某层的一个电子；
(4)重复训练o次BP神经网络得到o组完成训练的权值、阈值与对应误差，即得到o个电子，组成原子轨道各层中的所有候选解；
(5)取其中v个候选解作为原子轨道某层中的候选解，通过计算，得到最高概率密度函数值，即目标函数最小值，对应的候选解，即模型最优的权值、阈值，完成模型的训练；
向训练完成的模型中输入待预测的楼梯坡度、高度、宽度、个体期望速度与半径和人群数量，得到对应人群沿楼梯上行的通行时间。
2.如权利要求1所述的一种人群沿楼梯上行的通行时间预测方法，其特征在于，采用基于社会力模型的个体运动仿真软件，构建楼梯场景的三维仿真模型。
3.如权利要求1所述的一种人群沿楼梯上行的通行时间预测方法，其特征在于，所述模拟多种场景，是在仿真中多次更改楼梯坡度、高度、宽度、个体期望速度与半径和人群数量，得到对应的通行时间。
4.如权利要求1所述的一种人群沿楼梯上行的通行时间预测方法，其特征在于，所述输入特征的数量为楼梯坡度、高度、宽度、行人期望速度与半径以及人群数量的种类数，所述预测特征的数量为1，即仅预测人群沿楼梯上行的通行时间。
5.如权利要求1所述的一种人群沿楼梯上行的通行时间预测方法，其特征在于，所述Kolmogorov定理指出三层神经网络可以任意精度映射非线性函数。
6.一种人群沿楼梯上行的通行时间预测系统，其特征在于，包括模型构建模块、训练集构建模块、模型训练模块和预测结果模块；
模型构建模块，被配置为：构建楼梯场景的三维仿真模型；
训练集构建模块，被配置为：将模拟个体放入三维仿真模型中，模拟多种场景，构建BP神经网络模型的训练集；
模型训练模块，被配置为：用训练集对原子轨道搜索算法优化的BP神经网络模型进行训练，得到训练完成的模型；
所述原子轨道搜索算法基于原子轨道原理，模仿原子轨道中电子之间的作用进行解的迭代，将由传统BP神经网络得到的神经网络权值、阈值作为原子轨道中电子的属性，误差作为对应电子的概率密度函数值；
对原子轨道搜索算法优化的BP神经网络模型进行训练，具体为：
(1)根据输入特征的数量与预测特征的数量确定BP神经网络的输入层神经元数量与输出层神经元数量，根据Kolmogorov定理定义隐藏层层数为1，确定隐藏层中神经元数量，即共有三层神经网络；
(2)设置神经网络的初始权值与阈值；
(3)将训练集带入BP神经网络进行训练，得到训练完成的权值、阈值与对应的误差，即完成一次BP神经网络的训练，将此结果作为原子轨道某层的一个电子；
(4)重复训练o次BP神经网络得到o组完成训练的权值、阈值与对应误差，即得到o个电子，组成原子轨道各层中的所有候选解；
(5)取其中v个候选解作为原子轨道某层中的候选解，通过计算，得到最高概率密度函数值，即目标函数最小值，对应的候选解，即模型最优的权值、阈值，完成模型的训练；
预测结果模块，被配置为：向训练完成的模型中输入待预测的楼梯坡度、高度、宽度、个体期望速度与半径和人群数量，得到对应人群沿楼梯上行的通行时间。
7.计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-5任一项所述的一种人群沿楼梯上行的通行时间预测方法中的步骤。
8.电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5任一项所述的一种人群沿楼梯上行的通行时间预测方法中的步骤。
CN202210982696.7A 2022-08-16 2022-08-16 一种人群沿楼梯上行的通行时间预测方法及系统 Active CN115270506B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210982696.7A CN115270506B (zh) 2022-08-16 2022-08-16 一种人群沿楼梯上行的通行时间预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210982696.7A CN115270506B (zh) 2022-08-16 2022-08-16 一种人群沿楼梯上行的通行时间预测方法及系统

Publications (2)

Publication Number Publication Date
CN115270506A CN115270506A (zh) 2022-11-01
CN115270506B true CN115270506B (zh) 2024-02-23

Family

ID=83753283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210982696.7A Active CN115270506B (zh) 2022-08-16 2022-08-16 一种人群沿楼梯上行的通行时间预测方法及系统

Country Status (1)

Country Link
CN (1) CN115270506B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116090348B (zh) * 2023-02-09 2023-11-24 国网江苏省电力有限公司电力科学研究院 一种馈线线损集成学习估计方法、设备及存储介质
CN116401941B (zh) * 2023-03-27 2024-02-02 青岛理工大学 一种地铁站闸机疏散能力的预测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014164540A (ja) * 2013-02-26 2014-09-08 Shimizu Corp 避難行動予測システム及び避難行動予測プログラム
CN109522876A (zh) * 2018-12-13 2019-03-26 北京交通大学 基于bp神经网络的地铁站楼扶梯选择预测方法及系统
CN110046710A (zh) * 2019-04-11 2019-07-23 山东师范大学 一种神经网络的非线性函数极值优化方法及系统
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
CN111262858A (zh) * 2020-01-16 2020-06-09 郑州轻工业大学 基于sa_soa_bp神经网络的网络安全态势预测方法
CN114169505A (zh) * 2021-12-10 2022-03-11 天津科技大学 一种产量预测模型的训练方法、系统及相关设备
CN114330659A (zh) * 2021-12-29 2022-04-12 辽宁工程技术大学 一种基于改进aso算法的bp神经网络参数优化方法
WO2022077587A1 (zh) * 2020-10-14 2022-04-21 深圳大学 一种数据预测方法、装置及终端设备
CN114818203A (zh) * 2022-06-06 2022-07-29 大连大学 一种基于swa算法的减速器设计方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2014164540A (ja) * 2013-02-26 2014-09-08 Shimizu Corp 避難行動予測システム及び避難行動予測プログラム
CN109522876A (zh) * 2018-12-13 2019-03-26 北京交通大学 基于bp神经网络的地铁站楼扶梯选择预测方法及系统
CN110046710A (zh) * 2019-04-11 2019-07-23 山东师范大学 一种神经网络的非线性函数极值优化方法及系统
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
CN111262858A (zh) * 2020-01-16 2020-06-09 郑州轻工业大学 基于sa_soa_bp神经网络的网络安全态势预测方法
WO2022077587A1 (zh) * 2020-10-14 2022-04-21 深圳大学 一种数据预测方法、装置及终端设备
CN114169505A (zh) * 2021-12-10 2022-03-11 天津科技大学 一种产量预测模型的训练方法、系统及相关设备
CN114330659A (zh) * 2021-12-29 2022-04-12 辽宁工程技术大学 一种基于改进aso算法的bp神经网络参数优化方法
CN114818203A (zh) * 2022-06-06 2022-07-29 大连大学 一种基于swa算法的减速器设计方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Guide optimization in pedestrian emergency evacuation;YANG, XIAOXIA;Applied mathematics and computation;第2020卷;全文 *
人群运动仿真模型分析;张秀国;;计算机时代(11);全文 *
城市轨道交通枢纽楼梯通行能力计算与仿真;杨业;中国优秀硕士学位论文全文数据库;8、39-52 *
基于遗传算法的BP神经网络在公交车到站时间预测中的应用;杨奕等;《现代商业》;第2017卷(第16期);38-40页 *
融合社会力与人工蜂群的人群疏散仿真方法;徐斌;刘弘;;小型微型计算机系统(08);1725-1729 *

Also Published As

Publication number Publication date
CN115270506A (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
CN115270506B (zh) 一种人群沿楼梯上行的通行时间预测方法及系统
CN112216108B (zh) 一种基于属性增强的时空图卷积模型的交通预测方法
CN113110592B (zh) 一种无人机避障与路径规划方法
CN112541302B (zh) 空气质量预测模型训练方法、空气质量预测方法及装置
CN105096614B (zh) 基于生成型深信度网络的新建路口交通流量预测方法
CN108985515B (zh) 一种基于独立循环神经网络的新能源出力预测方法及系统
CN106910337A (zh) 一种基于萤火虫算法与rbf神经网络的交通流预测方法
CN116187608B (zh) 水灾环境下地下交通设施疏散路径决策方法、系统、设备
CN111414681B (zh) 基于共享深度强化学习的建筑物内疏散仿真方法及系统
CN116401941B (zh) 一种地铁站闸机疏散能力的预测方法
CN114912357A (zh) 基于用户模型学习的多任务强化学习用户运营方法及系统
Yang et al. Multi-objective optimization of evacuation route for heterogeneous passengers in the metro station considering node efficiency
CN117373243A (zh) 地下道路的立体路网交通诱导与应急救援协同管理方法
CN115352502B (zh) 一种列车运行方案调整方法、装置、电子设备及存储介质
Chu A computer model for selecting facility evacuation design using cellular automata
CN114566048B (zh) 一种基于多视角自适应时空图网络的交通控制方法
CN113742925B (zh) 一种信号控制路口行人流仿真方法
CN115981302A (zh) 车辆跟驰换道行为决策方法、装置及电子设备
CN115600421A (zh) 基于改进型Petri网的自主式交通系统演化模型的构建方法及装置、介质
Zhong et al. Crowd evacuation planning using cartesian genetic programming and agent-based crowd modeling
CN115438842A (zh) 一种基于自适应改进蜉蝣和bp神经网络的负荷预测方法
CN115001978A (zh) 一种基于强化学习模型的云租户虚拟网络智能映射方法
Yang et al. An efficient evacuation path optimization for passengers in subway stations under floods
Zarita et al. Refined cellular automata model for Tawaf simulation
Huang et al. A Matrix Translation Model for Evacuation Path Optimization

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