CN115775055A - 多层建筑人员疏散时间的预测方法、装置、设备及介质 - Google Patents
多层建筑人员疏散时间的预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115775055A CN115775055A CN202310092297.8A CN202310092297A CN115775055A CN 115775055 A CN115775055 A CN 115775055A CN 202310092297 A CN202310092297 A CN 202310092297A CN 115775055 A CN115775055 A CN 115775055A
- Authority
- CN
- China
- Prior art keywords
- building
- evacuation
- evacuation time
- spatial structure
- node
- 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
Links
Images
Classifications
-
- 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
本发明提供了一种多层建筑人员疏散时间的预测方法、装置、设备及介质,涉及人工智能技术领域,包括:获取第一信息和第二信息;对第一信息进行分析得到疏散场景;根据所有疏散场景构建得到人员疏散模型计算得到人员疏散时间集合;将所有疏散场景转换为建筑结构节点图;根据建筑结构节点图和人员疏散时间集合构建得到疏散时间预测模型;将第二信息传入疏散时间预测模型,计算得到人员疏散时间预测值。本发明通过将建筑结构抽象为节点图,利用节点图的连接关系和节点属性反映建筑的结构关系,将多层建筑的不同层结构统一刻画在一个邻接矩阵中,使得人员疏散时间预测模型在兼顾预测准确度和计算效率的同时能够运用到多层建筑的疏散时间预测。
Description
技术领域
本发明涉及人工智能技术领域,具体而言,涉及一种多层建筑人员疏散时间的预测方法、装置、设备及介质。
背景技术
在建筑趋向体积巨大化、结构复杂化的当下,组织快速且安全的人员疏散是减少紧急情况下人员伤亡进而保障公共安全的重要手段。疏散时间作为评价人员疏散过程的重要指标,通过分析建筑的整体疏散时间可以直观地评价建筑的疏散策略是否合理、疏散诱导策略是否有效。目前,疏散时间的获取主要通过组织实体实地的疏散实验或者利用人员疏散模型开展模拟计算获得较为准确的建筑疏散时间,但是疏散实验无法在建筑设计阶段开展、模拟计算则往往因时间复杂度较高无法应用于指导复杂化和大型化的建筑疏散管理中。
综上所示,本发明提出了一种基于图神经网络的多层建筑人员疏散时间的预测方法,通过行人运动模型构建疏散场景,将场景结构转换为节点图、将房间特征提取为节点特征矩阵,将节点图、特征矩阵与疏散时间一一对应以构建数据集,再构建深度图卷积神经网络(GCN)自动提取特征矩阵中影响疏散效率的特征进而实现疏散时间的预测。
发明内容
本发明的目的在于提供一种多层建筑人员疏散时间的预测方法、装置、设备及介质,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,本申请提供了一种多层建筑人员疏散时间的预测方法,包括:
获取第一信息和第二信息,所述第一信息包括空间平面图以及所述空间平面图对应的人员分布数据,所述第二信息包括待预测空间结构平面图和预测时的人员分布数据;
对所述第一信息进行分析得到疏散场景,所述疏散场景包含建筑的空间结构和人员分布数据;
根据所有所述疏散场景构建得到人员疏散模型,并对所述人员疏散模型进行模拟计算得到人员疏散时间集合;
将所有所述疏散场景转换为建筑结构节点图,所述建筑结构节点图中的每个节点包括对应建筑物的一个空间结构单元、对应空间结构单元连接信息以及对应空间结构单元特征信息;
根据所有所述建筑结构节点图和所述人员疏散时间集合构建得到疏散时间预测模型,将所述第二信息作为所述疏散时间预测模型的输入值,计算得到待预测建筑物的人员疏散时间预测值。
第二方面,本申请还提供了一种多层建筑人员疏散时间的预测装置,包括:
获取模块,用于获取第一信息和第二信息,所述第一信息包括空间平面图以及所述空间平面图对应的人员分布数据,所述第二信息包括待预测空间结构平面图和预测时的人员分布数据;
分析模块,用于对所述第一信息进行分析得到疏散场景;
构建模块,用于根据所有所述疏散场景构建得到人员疏散模型,并对所述人员疏散模型进行模拟计算得到人员疏散时间集合;
转换模块,用于将所有所述疏散场景转换为建筑结构节点图,所述建筑结构节点图中的每个节点包括对应建筑物的一个空间结构单元、对应空间结构单元连接信息以及对应空间结构单元特征信息;
计算模块,用于根据所有所述建筑结构节点图和所述人员疏散时间集合构建得到疏散时间预测模型,将所述第二信息作为所述疏散时间预测模型的输入值,计算得到待预测建筑物的人员疏散时间预测值。
第三方面,本申请还提供了一种多层建筑人员疏散时间的预测设备,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多层建筑人员疏散时间的预测方法的步骤。
第四方面,本申请还提供了一种介质,所述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多层建筑人员疏散时间的预测方法的步骤。
本发明的有益效果为:
本发明通过将建筑结构抽象为节点图,利用节点图中节点的连接关系和节点特征反映建筑的结构关系,通过利用邻接矩阵刻画建筑结构的方式,将多层建筑的不同层结构统一刻画在一个邻接矩阵中,使得构建得到的人员疏散时间预测模型在兼顾预测准确度和计算效率的同时能够运用到多层建筑的疏散时间预测中。
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多层建筑人员疏散时间的预测方法流程示意图;
图2为本发明实施例中所述的多层建筑人员疏散时间的预测装置结构示意图;
图3为本发明实施例中所述的多层建筑人员疏散时间的预测设备结构示意图。
图中标记:1、获取模块;2、分析模块;3、构建模块;31、第一提取单元;32、第一构建单元;33、第一计算单元;34、第二计算单元;4、转换模块;41、第二提取单元;42、第一处理单元;43、第二处理单元;44、第三处理单元;5、计算模块;51、第二构建单元;511、第一转换单元;512、第二转换单元;513、第三构建单元;514、第五处理单元;52、第三提取单元;53、第四处理单元;54、第三计算单元;800、多层建筑人员疏散时间的预测设备;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。
实施例1:
本实施例提供了一种多层建筑人员疏散时间的预测方法。
参见图1,图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400和步骤S500。
步骤S100、获取第一信息和第二信息,第一信息包括空间平面图以及空间平面图对应的人员分布数据,第二信息包括待预测空间结构平面图和预测时的人员分布数据。
可以理解的是,在本步骤中,需要获取待预测空间结构平面图和预测时的人员分布数据,这些信息将用于构建数据集,并用于训练模型。获取待预测建筑物的空间结构平面图,即建筑物的平面图,用来描述建筑物的结构、空间布局等。同时,需要获取预测时的人员分布数据,即在预测时建筑物内人员的位置和数量。
步骤S200、对第一信息进行分析得到疏散场景,疏散场景包含建筑的空间结构和人员分布数据。
可以理解的是,在本步骤中,疏散场景是指在建筑物中发生疏散事件时的空间结构、人员分布等相关信息。通过构建不同的疏散场景可以准确预测人员疏散时间,适用于不同类型和大小的建筑物。
步骤S300、根据所有疏散场景构建得到人员疏散模型,并对人员疏散模型进行模拟计算得到人员疏散时间集合。
可以理解的是,在本步骤中,对建筑内的人员疏散过程进行模拟,以得到不同建筑结构下不同人员分布条件下的建筑整体疏散时间。这样就能够更准确预测不同建筑物中的人员疏散时间。需要说明的是,步骤S300包括步骤S310、步骤S320、步骤S330和步骤S340。
步骤S310、对疏散场景进行数据提取得到模型参数和初始模拟条件,模型参数包括人数、空间分布等,初始模拟条件包括人员分布、人员属性和疏散终点等。
可以理解的是,在模拟人员疏散过程中,需要获取疏散场景的数据作为模型的参数和初始模拟条件,通过提取数据来捕捉疏散场景的多样性和复杂性,更好地模拟实际疏散过程。
步骤S320、根据模型参数对预设的社会力模型进行参数设定,构建得到人员疏散模型。
可以理解的是,在本步骤中,社会力模型是通过行人自身意识作用产生的自驱力、行人间及行人与边界或障碍物间的排斥力来描述行人运动的模型。这样建立人员疏散模型可以使得模型更加符合现实场景,更加真实反映疏散过程,更加准确地预测人员疏散时间。
步骤S330、根据初始模拟条件对人员疏散模型进行模拟得到模拟结果。
可以理解的是,在本步骤中,初始模拟条件包括人员分布和疏散终点,用于在模拟中指导行人的运动和疏散过程。通过模拟计算,可以得到疏散过程中的模拟结果,如疏散时间、人员流量和人员疏散路径等。通过模拟结果可以得到疏散时间,并且能够根据模拟结果优化建筑疏散设计,提高疏散效率。
步骤S340、根据模拟结果,计算出每种疏散场景下的疏散时间得到疏散时间集合。
可以理解的是,在本步骤中,根据模拟得到的结果,通过计算得到每种疏散场景下的疏散时间,并将这些时间收集在一起得到疏散时间集合。这个疏散时间集合包含了不同疏散场景下的疏散时间,是用于疏散时间预测的重要数据。通过得到每种疏散场景下疏散所需要的时间,可以提高疏散时间预测的准确性。
步骤S400、将所有疏散场景转换为建筑结构节点图,建筑结构节点图中的每个节点包括对应建筑物的一个空间结构单元、对应空间结构单元连接信息以及对应空间结构单元特征信息。
可以理解的是,在本步骤中,将每个疏散场景中的建筑物空间结构单元(如房间、楼梯、走廊等)转换为节点图中的节点,并为每个节点添加对应的空间结构单元特征信息(如平面面积大小、人员分布等)。这样节点图中的节点将能够更好地表示疏散场景中建筑物空间结构单元的本身特征属性以及空间结构单元之间的关系,并且能够预测多层建筑的疏散时间。需要说明的是,步骤S400包括步骤S410、步骤S420、步骤S430和步骤S440。
步骤S410、对疏散场景中的建筑物结构进行结构特征提取得到空间结构单元信息,空间结构单元信息包括空间结构单元以及空间结构单元连接信息,空间结构单元指构建建筑物的结构单元(如房间、走廊、步梯间等),空间结构单元连接信息包括空间结构单元名称和任意两个空间结构单元间的连通信息,即连接两个空间结构单元的通道面积。
可以理解的是,在本步骤中,空间结构单元连接信息包括空间结构单元的名称和连接两个空间结构单元的通道面积。这些特征提取的信息将为后续的疏散时间预测提供必要的数据。
步骤S420、根据建筑物中每一层空间结构单元之间的连通关系建立单层建筑节点图。
可以理解的是,在本步骤中,将每一层建筑物中互相连通的结构单元在节点图中以无向线段连接,形成能够描述整个场景空间结构的节点图。
步骤S430、针对多层建筑,将步梯空间抽象为一个空间结构单元并作为步梯节点添加到单层建筑结构节点图中,通过步梯节点将相邻楼层所对应的单层建筑结构节点图进行连接建立建筑结构节点图。
可以理解的是,在本步骤中,将每一层的步梯空间抽象为一个建筑结构单元,并通过步梯节点将相邻楼层的节点图进行连接。因为步梯具备上下步梯相连通的属性,且在只考虑步梯疏散的条件下,人员只能通过步梯进行层与层之间的跨越。因此可以将人员在多层建筑中楼层间的跨越简化为在两个步梯结构单元间的跨越。
可以理解的是,本步骤所建立的建筑结构节点图与单层节点图无本质差异。
步骤S440、根据建筑结构节点图及对应空间平面图和人员分布数据提取得到各节点对应空间结构单元的空间结构单元特征信息,空间结构单元特征信息包括:空间结构单元人数分布数据、空间结构单元平面面积、从该空间结构单元疏散到建筑外所需经历的最少空间结构单元个数,并将空间结构单元特征信息添加为对应节点的节点特征信息。
可以理解的是,在本步骤中,将节点图、对应疏散场景中的建筑结构平面图和人员分布数据进行整合,进而提取出每个建筑结构单元能够影响人员疏散效率的属性,即空间结构单元特征信息,并设计为节点特征,包括:初始人数、空间平面面积、与当前空间相连的空间个数以及从当前空间疏散需要经过的空间个数这四个特征。节点特征信息将有助于表述该节点在疏散过程中的特征和作用,通过添加节点特征信息,可以更好地表示建筑物的结构关系,并在疏散预测时对疏散效率产生影响。
步骤S500、根据所有建筑结构节点图和人员疏散时间集合构建得到疏散时间预测模型,将第二信息作为疏散时间预测模型的输入值,计算得到待预测建筑物的人员疏散时间预测值。
可以理解的是,本步骤中,通过对节点图的分析和模型训练构建时间预测模型,将待预测空间结构平面图和预测时的人员分布数据作为输入值,通过模型计算得到人员疏散时间预测值。这样的方法通过将多层建筑结构抽象为连通的节点图,利用节点图的连接关系和节点属性反映建筑的结构关系,通过利用邻接矩阵刻画建筑结构的方式,将多层建筑的不同层结构统一刻画在一个邻接矩阵中,使得构建得到的人员疏散时间预测模型在兼顾预测准确度和计算效率的同时对输入平面图的尺寸没有限制,并且能够运用到多层建筑的疏散时间预测中。需要说明的是,步骤S500包括步骤S510、步骤S520、步骤S530和步骤S540。
步骤S510、根据所有节点图和人员疏散时间集合构建得到疏散场景-疏散时间数据集,疏散场景-疏散时间数据集包括每个疏散场景对应的空间结构邻接矩阵和对应的空间结构特征矩阵。
可以理解的是,本步骤中,将建筑结构抽象为节点图,利用节点图的邻接矩阵来刻画反映建筑的结构关系,能够很好反映各建筑结构单元间的连接、嵌套关系。同时,将节点图中各节点的节点特征信息整合为空间结构单元特征矩阵。通过邻接矩阵和空间结构单元特征矩阵,本发明分别从建筑总体结构(建筑整体)、建筑结构单元属性(建筑局部)两个层面对建筑结构进行了刻画,最大程度反映了建筑结构本身对疏散时间的影响,使本发明能够运用于各种类型、无论简单或复杂的建筑结构。需要说明的是,步骤S510包括步骤S511、步骤S512、步骤S513和步骤S514。
步骤S511、将建筑结构节点图中的节点和节点连接关系转换为邻接矩阵的形式,得到每一种疏散场景对应的空间结构邻接矩阵。
可以理解的是,本步骤中,将节点图中的节点、节点连接关系用邻接矩阵的形式存储,得到该空间结构的邻接矩阵:An×n,其中n为建筑结构中的节点个数(即建筑结构单元的个数)。本步骤中针对节点图生成的邻接矩阵作用是描述节点图中两个节点(即两个建筑结构单元)的连接关系,本发明中由于节点图为无向图,因此生成的邻接矩阵为对称的方阵。
步骤S512、提取出建筑结构节点图中所有的节点特征信息。并整合成空间结构单元特征矩阵。
可以理解的是,本步骤中,创建各场景的空间结构单元特征矩阵:Xn×4,其中n为建筑结构中的节点个数,4为步骤S440所述节点特征个数。
步骤S513、将空间结构邻接矩阵、空间结构单元特征矩阵和疏散时间集合建立对应关系,构建得到疏散场景-疏散时间数据集。
可以理解的是,本步骤中,将这些信息建立对应关系可以方便地构建模型,并对疏散时间进行预测。
步骤S514、将疏散场景-疏散时间数据集按照预设比例划分为训练集、验证集和测试集。
可以理解的是,本步骤中,将数据集按一定比例划分为训练集、验证集以及测试集用于后续预测模型的训练和验证。
步骤S520、基于图卷积神经网络算法对疏散场景-疏散时间数据集进行特征提取并构建得到疏散时间预测模型。
可以理解的是,本步骤中,选择了在深度学习领域中处理图结构数据应用最为广泛的图卷积神经网络来实现对场景特征的提取并最终实现疏散时间的预测。需要说明的是,步骤S520包括步骤S521、步骤S522、步骤S523、步骤S524和步骤525。
步骤S521、获取一个建筑结构节点图对应的邻接矩阵An×n后,首先根据邻接矩阵计算每个节点的度d。节点的度实际表示了该节点在图中的连通能力,通过将邻接矩阵中第i行(或列)的所有值相加计算得到节点i的度:
步骤S523、定义图结构上的卷积操作:
其中:为待卷积信号(在本发明中具体为空间结构单元特征矩阵X);为步骤S522求得的对称归一化拉普拉斯矩阵的所有特征向量构成的矩阵,为的转置矩阵,、之间的关系为:,其中为所有特征值构成的对角矩阵;为卷积核,其被定义为的函数,即。
其中:,即对矩阵内部的范围进行归一化,为拉普拉斯矩阵L最大的特征值,为n×n的单位矩阵;为切比雪夫系数;为用于进行切比雪夫近似的多项式,具体而言,,,通过定义近似阶数K便可将函数通过多项式求和的方式进行近似得到计算结果。
至此,可以通过切比雪夫多项式近似卷积核的方式减少图卷积的计算量,并得到以下卷积公式:
其中:为重归一化后的图的度矩阵,其具体求法同于步骤S522中一般度矩阵的求法,为添加自连接的邻接矩阵,A为最初始的邻接矩阵,为n×n的单位矩阵;为重归一化后的度矩阵的次方的逆矩阵;为归一化后的对称邻接矩阵。最终获得了最终的卷积公式:
步骤S525、最终定义了图结构上的卷积操作:
对节点特征矩阵X的卷积操作可视为节点特征维度扩充/压缩的过程。其中:为卷积计算结果(可以理解为经过卷积特征扩充/压缩后的节点特征矩阵),n为节点个数(即疏散场景中的房间、走廊等空间结构单元的个数)、C为输出当前卷积层输出结果中的节点特征个数;为归一化后的对称邻接矩阵;为图的节点特征矩阵,m为X中每个节点的节点特征个数;为每一次卷积的权重矩阵,C为经过卷积扩充/压缩后的节点特征个数。
网络的具体计算过程为:对于传入的具有任意节点个数的图结构(包含空间结构邻接矩阵An×n与空间结构单元特征矩阵),首先算出该图的对称邻接矩阵,随后进行第一次卷积:,其中C0为第一个权重矩阵W的列,即经过第一次卷积后节点的特征个数。由于在本网络中为每个节点设计的节点特征个数为4、第一层网络的输出节点特征维度为n×8,因此第一次卷积过程实际为:。随后,网络中的第二次卷积为:,依次类推,网络经过输出节点特征维度为:n×32、n×64、n×128、n×256、n×512、n×1024、n×512、n×256、n×128、n×64、n×32、n×16、n×8、n×4、n×1的卷积层。经过多重卷积得到一个长为n的一维向量,即将节点的特征个数重新压缩为了1。由于最终需要得到一个数值来映射为预测的疏散时间,因此最后需要将卷积结果经过一次softmax得到网络的预测值。
可以理解的是本发明所涉及疏散时间预测模型内部计算过程仅涉及矩阵乘法。具体而言,本发明每一步计算都只涉及两个二维矩阵的乘法操作,其时间复杂度远小于传统的人员疏散模型,计算效率得到显著提升,即对疏散时间的计算更加快速;同时,由于本发明每步计算只涉及两个矩阵乘法,其空间复杂度远小于传统的人员疏散模型,即计算时对设备的内存消耗更小。综上,本发明在提高计算效率的同时大幅减小了算法对设备算力、内存等硬件条件的需求。
由于网络输入节点特征矩阵X中包含节点特征如空间平面面积、空间初始人数等,这些参数在不同建筑中会有不同的取值范围,并且这些因素实际影响着建筑的整体疏散时间,因此不适宜对其进行归一化和标准化处理。此外,本发明分别使用不同的优化算法与不同大小的learning-rate、batch-size两个超参数组合,根据训练过程中训练集和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,每种组合训练5次,最终选取效果最好的优化算法以及超参数组合。损失函数选用均方误差MSE,计算公式为:
最后,使用上述过程标定好的图卷积神经网络模型中拆分出的测试集上进行测试,并检验模型性能。测试过程评价指标选用平均绝对百分比MAPE,其计算公式为:
步骤S530、将第二信息进行处理得到输入数据,输入数据包括待预测建筑物的空间结构邻接矩阵和空间结构单元特征矩阵。
可以理解的是,本步骤中,将空间结构平面图和预测时的人员分布数据进行处理为空间结构邻接矩阵和空间结构单元特征矩阵再进行输入,可以提升预测的速度。
步骤S540、将输入数据输入至疏散时间预测模型计算得到疏散时间预测值。
可以理解的是,本步骤中,模型将根据这些输入数据进行计算,得到该建筑物疏散时间的预测值。这样可以帮助建筑物管理人员更好地评估疏散预案,并在紧急情况下更好地组织疏散,可以在建筑物设计阶段优化方案。
实施例2:
如图2所示,本实施例提供了一种多层建筑人员疏散时间的预测装置,装置包括:
获取模块1,用于获取第一信息和第二信息,所述第一信息包括空间平面图以及所述空间平面图对应的人员分布数据,所述第二信息包括待预测空间结构平面图和预测时的人员分布数据。
分析模块2,用于对所述第一信息进行分析得到疏散场景,疏散场景包含建筑的空间结构和人员分布数据。
构建模块3,用于根据所有所述疏散场景构建得到人员疏散模型,并对所述人员疏散模型进行模拟计算得到人员疏散时间集合。
转换模块4,用于将所有所述疏散场景转换为建筑结构节点图,所述建筑结构节点图中的每个节点包括对应建筑物的一个空间结构单元、对应空间结构单元连接信息以及对应空间结构单元特征信息。
计算模块5,用于根据所有所述建筑结构节点图和所述人员疏散时间集合构建得到疏散时间预测模型,将所述第一信息作为所述疏散时间预测模型的输入值,计算得到待预测建筑物的人员疏散时间预测值。
在本公开的一种具体实施方式中,构建模块3包括:
第一提取单元31,用于对疏散场景进行数据提取得到模型参数和初始模拟条件,模型参数包括人数、空间分布和运动轨迹,初始模拟条件包括人员分布和逃生路线。
第一构建单元32,用于根据模型参数对预设的社会力模型进行参数设定,构建得到人员疏散模型。
第一计算单元33,用于根据初始模拟条件对人员疏散模型进行模拟得到模拟结果。
第二计算单元34,用于根据模拟结果,计算出每种疏散场景下的疏散时间得到疏散时间集合。
在本公开的一种具体实施方式中,转换模块4包括:
第二提取单元41,用于对所述疏散场景中的建筑物模型进行特征提取得到空间结构单元信息,所述空间结构单元信息包括空间结构单元、空间结构单元连接信息以及空间结构单元特征信息,所述空间结构单元连接信息包括相空间结构单元名称和连通两个空间结构单元的通道面积,所述空间结构单元特征信息包括空间结构单元人数分布数据、空间结构单元平面面积、从该空间结构单元疏散到建筑外所需经历的最少空间结构单元个数。
第一处理单元42,用于根据空间结构单元之间的连通关系建立单层建筑节点图。
第二处理单元43,针对多层建筑,将步梯空间抽象为一个空间结构单元并作为步梯节点添加到单层建筑结构节点图中,通过步梯节点将相邻楼层所对应的单层建筑结构节点图进行连接建立建筑结构节点图。
第三处理单元44,用于根据建筑结构节点图及对应空间平面图和人员分布数据提取得到各节点对应空间结构单元的空间结构单元特征信息,空间结构单元特征信息包括:空间结构单元人数分布数据、空间结构单元平面面积、从该空间结构单元疏散到建筑外所需经历的最少空间结构单元个数,并将空间结构单元特征信息添加为对应节点的节点特征信息。
在本公开的一种具体实施方式中,计算模块5包括:
第二构建单元51,用于根据所有建筑结构节点图和人员疏散时间集合构建得到疏散场景-疏散时间数据集,疏散场景-疏散时间数据集包括每个疏散场景对应的空间结构邻接矩阵和对应的空间结构单元特征矩阵。
第三提取单元52,基于图卷积神经网络算法对疏散场景-疏散时间数据集进行特征提取并构建得到疏散时间预测模型。
第四处理单元53,用于将空间结构平面图和预测时的人员分布数据进行处理得到输入数据,输入数据包括待预测建筑物的空间结构邻接矩阵和空间结构单元特征矩阵。
第三计算单元54,用于将输入数据输入至疏散时间预测模型计算得到疏散时间预测值。
在本公开的一种具体实施方式中,第二构建单元51包括:
第一转换单元511,用于将建筑结构节点图中的节点和节点连接关系转换为邻接矩阵的形式,得到每一种疏散场景对应的空间结构邻接矩阵。
第二转换单元512,用于提取出建筑结构节点图中的所有节点特征,随后将所有节点特征构建为空间结构单元特征矩阵。
第三构建单元513,用于将空间结构邻接矩阵、空间结构单元特征矩阵和疏散时间集合建立对应关系,构建得到疏散场景-疏散时间数据集。
第五处理单元514,用于将疏散场景-疏散时间数据集按照预设比例划分为训练集、验证集和测试集。
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一种多层建筑人员疏散时间的预测设备,下文描述的一种多层建筑人员疏散时间的预测设备与上文描述的一种多层建筑人员疏散时间的预测方法可相互对应参照。
图3是根据示例性实施例示出的一种多层建筑人员疏散时间的预测设备800的框图。如图3所示,该多层建筑人员疏散时间的预测设备800可以包括:处理器801,存储器802。该多层建筑人员疏散时间的预测设备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用于控制该多层建筑人员疏散时间的预测设备800的整体操作,以完成上述的多层建筑人员疏散时间的预测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多层建筑人员疏散时间的预测设备800的操作,这些数据例如可以包括用于在该多层建筑人员疏散时间的预测设备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(Electrically Erasable 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用于该多层建筑人员疏散时间的预测设备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(NearFieldCommunication,简称NFC),2G、3G或4G,或它们中的一种或几种的组合,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,多层建筑人员疏散时间的预测设备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 SignalProcessing Device,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,用于执行上述的多层建筑人员疏散时间的预测方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机介质,该程序指令被处理器执行时实现上述的多层建筑人员疏散时间的预测方法的步骤。例如,该计算机介质可以为上述包括程序指令的存储器802,上述程序指令可由多层建筑人员疏散时间的预测设备800的处理器801执行以完成上述的多层建筑人员疏散时间的预测方法。
实施例4:
相应于上面的方法实施例,本实施例中还提供了一种介质,下文描述的一种介质与上文描述的一种多层建筑人员疏散时间的预测方法可相互对应参照。
一种介质,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多层建筑人员疏散时间的预测方法的步骤。
该介质具体可以为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介质。
以上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 (10)
1.一种多层建筑人员疏散时间的预测方法,其特征在于,包括:
获取第一信息和第二信息,所述第一信息包括用于训练的空间平面图以及所述空间平面图对应的人员分布数据,所述第二信息包括待预测建筑的空间结构平面图和预测时的人员分布数据;
对所述第一信息进行分析得到疏散场景,所述疏散场景包含建筑的空间结构和人员分布数据;
根据所有所述疏散场景构建得到人员疏散模型,并对所述人员疏散模型进行模拟计算得到人员疏散时间集合;
将所有所述疏散场景的空间结构转换为建筑结构节点图,所述建筑结构节点图中的每个节点包括对应建筑物的一个空间结构单元、对应空间结构单元连接信息以及对应空间结构单元特征信息;
根据所有所述建筑结构节点图和所述人员疏散时间集合构建得到疏散时间预测模型,将所述第二信息作为所述疏散时间预测模型的输入值,计算得到待预测建筑物的人员疏散时间预测值。
2.根据权利要求1所述的多层建筑人员疏散时间的预测方法,其特征在于,将所有所述疏散场景转换为建筑结构节点图,所述建筑结构节点图中的每个节点包括对应建筑物的一个空间结构单元、对应的空间结构单元连接信息以及对应空间结构单元特征信息,包括:
对所述疏散场景中的建筑物结构进行结构特征提取得到空间结构单元信息,所述空间结构单元信息包括空间结构单元以及空间结构单元连接信息,所述空间结构单元指构建建筑物的结构单元(如房间、走廊、步梯间等),所述空间结构单元连接信息包括空间结构单元名称和任意两个空间结构单元间的连通信息,即连接两个空间结构单元的通道面积;
根据建筑物中每一层所述空间结构单元信息建立单层建筑结构节点图;
针对多层建筑,将步梯空间抽象为一个空间结构单元并作为步梯节点添加到所述单层建筑结构节点图中,通过所述步梯节点将相邻楼层所对应的所述单层建筑结构节点图进行连接建立建筑结构节点图;
根据所述建筑结构节点图及对应空间平面图和人员分布数据提取得到各节点对应空间结构单元的空间结构单元特征信息,所述空间结构单元特征信息包括:空间结构单元人数分布数据、空间结构单元平面面积、从该空间结构单元疏散到建筑外所需经历的最少空间结构单元个数,并将所述空间结构单元特征信息添加为对应节点的节点特征信息。
3.根据权利要求1所述的多层建筑人员疏散时间的预测方法,其特征在于,根据所述建筑结构节点图和所述人员疏散时间集合构建得到疏散时间预测模型,将所述第二信息作为所述疏散时间预测模型的输入值,计算得到待预测建筑物的人员疏散时间预测值,包括:
根据所述建筑结构节点图和所述人员疏散时间集合构建得到疏散场景-疏散时间数据集,所述疏散场景-疏散时间数据集包括每个所述疏散场景对应的空间结构邻接矩阵和对应的空间结构单元特征矩阵,以及每个所述疏散场景对应的人员疏散时间;
构建基于图卷积神经网络算法对所述疏散场景-疏散时间数据集进行特征提取并构建得到疏散时间预测模型;
将所述第二信息中的空间结构平面图和预测时的人员分布数据进行处理得到输入数据,所述输入数据包括待预测建筑物的空间结构邻接矩阵和空间结构单元特征矩阵;
将所述输入数据输入至所述疏散时间预测模型计算得到疏散时间预测值。
4.根据权利要求3所述的多层建筑人员疏散时间的预测方法,其特征在于,根据所述建筑结构节点图和所述人员疏散时间集合构建得到疏散场景-疏散时间数据集,包括:
将所述建筑结构节点图中的节点和节点连接关系转换为邻接矩阵,得到每一种所述疏散场景对应的空间结构邻接矩阵;
将所述建筑结构节点图中的节点特征信息转换为空间结构单元特征矩阵;
将所述空间结构邻接矩阵、所述空间结构单元特征矩阵和所述疏散时间集合建立对应关系,构建得到疏散场景-疏散时间数据集;
将所述疏散场景-疏散时间数据集按照预设比例划分为训练集、验证集和测试集。
5.一种多层建筑人员疏散时间的预测装置,其特征在于,包括:
获取模块,用于获取第一信息和第二信息,所述第一信息包括空间平面图以及所述空间平面图对应的人员分布数据,所述第二信息包括待预测空间结构平面图和预测时的人员分布数据;
分析模块,用于对所述第一信息进行分析得到疏散场景,所述疏散场景包含建筑的空间结构和人员分布数据;
构建模块,用于根据所有所述疏散场景构建得到人员疏散模型,并对所述人员疏散模型进行模拟计算得到人员疏散时间集合;
转换模块,用于将所有所述疏散场景对应建筑结构转换为建筑结构节点图,所述建筑结构节点图中的每个节点包括对应建筑物的一个空间结构单元、对应空间结构单元连接信息以及对应空间结构单元特征信息;
计算模块,用于根据所有所述建筑结构节点图和所述人员疏散时间集合构建得到疏散时间预测模型,将所述第二信息作为所述疏散时间预测模型的输入值,计算得到待预测建筑物的人员疏散时间预测值。
6.根据权利要求5所述的多层建筑人员疏散时间的预测装置,其特征在于,所述转换模块包括:
第二提取单元,用于对所述疏散场景中的建筑物模型进行特征提取得到空间结构单元信息,所述空间结构单元信息包括空间结构单元、空间结构单元连接信息以及空间结构单元特征信息,所述空间结构单元连接信息包括相空间结构单元名称和连通两个空间结构单元的通道面积,所述空间结构单元特征信息包括空间结构单元人数分布数据、空间结构单元平面面积、从该空间结构单元疏散到建筑外所需经历的最少空间结构单元个数;
第一处理单元,用于根据建筑物中每一层所述空间结构单元信息建立单层节点图;
第二处理单元,针对多层建筑,将步梯空间抽象为一个空间结构单元并作为步梯节点添加到所述单层建筑结构节点图中,通过所述步梯节点将相邻楼层所对应的所述单层建筑结构节点图进行连接建立建筑结构节点图;
第三处理单元,用于根据所述建筑结构节点图及对应空间平面图和人员分布数据提取得到各节点对应空间结构单元的空间结构单元特征信息,所述空间结构单元特征信息包括:空间结构单元人数分布数据、空间结构单元平面面积、从该空间结构单元疏散到建筑外所需经历的最少空间结构单元个数,并将所述空间结构单元特征信息添加为对应节点的节点特征信息。
7.根据权利要求5所述的多层建筑人员疏散时间的预测装置,其特征在于,所述计算模块包括:
第二构建单元,用于根据所有所述建筑结构节点图和所述人员疏散时间集合构建得到疏散场景-疏散时间数据集,所述疏散场景-疏散时间数据集包括每个所述疏散场景对应的空间结构邻接矩阵和对应的空间结构单元特征矩阵;
第三提取单元,基于图卷积神经网络算法对所述疏散场景-疏散时间数据集进行特征提取并构建得到疏散时间预测模型;
第四处理单元,用于将所述空间结构平面图和预测时的人员分布数据进行处理得到输入数据,所述输入数据包括待预测建筑物的空间结构邻接矩阵和空间结构单元特征矩阵;
第三计算单元,用于将所述输入数据输入至所述疏散时间预测模型计算得到疏散时间预测值。
8.根据权利要求7所述的多层建筑人员疏散时间的预测装置,其特征在于,所述第三构建单元包括:
第一转换单元,用于将所述建筑结构节点图中的节点和节点连接关系转换为邻接矩阵的形式,得到每一种所述疏散场景对应的空间结构邻接矩阵;
第二转换单元,用于将所述建筑结构节点图中的节点特征信息转换为空间结构单元特征矩阵;
第三构建单元,用于将所述空间结构邻接矩阵、所述空间结构单元特征矩阵和所述疏散时间集合建立对应关系,构建得到疏散场景-疏散时间数据集;
第五处理单元,用于将所述疏散场景-疏散时间数据集按照预设比例划分为训练集、验证集和测试集。
9.一种多层建筑人员疏散时间的预测设备,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任一项所述多层建筑人员疏散时间的预测方法。
10.一种介质,其特征在于:所述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任一项所述多层建筑人员疏散时间的预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310092297.8A CN115775055B (zh) | 2023-02-10 | 2023-02-10 | 多层建筑人员疏散时间的预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310092297.8A CN115775055B (zh) | 2023-02-10 | 2023-02-10 | 多层建筑人员疏散时间的预测方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115775055A true CN115775055A (zh) | 2023-03-10 |
CN115775055B CN115775055B (zh) | 2023-04-28 |
Family
ID=85393758
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310092297.8A Active CN115775055B (zh) | 2023-02-10 | 2023-02-10 | 多层建筑人员疏散时间的预测方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115775055B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101958044A (zh) * | 2010-09-13 | 2011-01-26 | 北京大学 | 一种快速疏散算法 |
EP3057014A1 (en) * | 2015-02-13 | 2016-08-17 | Kozo Keikaku Engineering Inc. | Evacuation simulation device, evacuation simulation method, and program |
CN106326569A (zh) * | 2016-08-25 | 2017-01-11 | 刘华英 | 人群疏散方法和装置 |
WO2017084326A1 (zh) * | 2015-11-17 | 2017-05-26 | 清华大学 | 人员疏散仿真方法与装置、辅助决策方法与系统、应急平台 |
CN108536986A (zh) * | 2018-04-20 | 2018-09-14 | 湖北工业大学 | 一种基于人工鱼群算法的层次化疏散仿真优化方法 |
CN108681784A (zh) * | 2018-03-30 | 2018-10-19 | 上海无线通信研究中心 | 基于实时态势感知的疏散自适应选择方法、系统、终端 |
CN110929378A (zh) * | 2019-10-25 | 2020-03-27 | 中国科学院深圳先进技术研究院 | 一种基于数字孪生的高层建筑应急疏散方法、系统及电子设备 |
CN112199882A (zh) * | 2020-11-17 | 2021-01-08 | 上海交通大学 | 一种火灾下人员疏散过程模拟方法、疏散预警方法及系统 |
CN112504262A (zh) * | 2020-11-19 | 2021-03-16 | 中国建筑科学研究院有限公司 | 建筑物楼层内人员导航方法、多层建筑内人员导航方法、系统 |
CN114047754A (zh) * | 2021-11-03 | 2022-02-15 | 安徽工业大学 | 一种基于Unity3D的虚拟课堂火灾疏散演练方法 |
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 |
CN114812559A (zh) * | 2022-04-21 | 2022-07-29 | 青岛鼎信通讯消防安全有限公司 | 建筑物动态智能疏散路径规划的方法、装置 |
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 |
-
2023
- 2023-02-10 CN CN202310092297.8A patent/CN115775055B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101958044A (zh) * | 2010-09-13 | 2011-01-26 | 北京大学 | 一种快速疏散算法 |
EP3057014A1 (en) * | 2015-02-13 | 2016-08-17 | Kozo Keikaku Engineering Inc. | Evacuation simulation device, evacuation simulation method, and program |
WO2017084326A1 (zh) * | 2015-11-17 | 2017-05-26 | 清华大学 | 人员疏散仿真方法与装置、辅助决策方法与系统、应急平台 |
CN106326569A (zh) * | 2016-08-25 | 2017-01-11 | 刘华英 | 人群疏散方法和装置 |
CN108681784A (zh) * | 2018-03-30 | 2018-10-19 | 上海无线通信研究中心 | 基于实时态势感知的疏散自适应选择方法、系统、终端 |
CN108536986A (zh) * | 2018-04-20 | 2018-09-14 | 湖北工业大学 | 一种基于人工鱼群算法的层次化疏散仿真优化方法 |
CN110929378A (zh) * | 2019-10-25 | 2020-03-27 | 中国科学院深圳先进技术研究院 | 一种基于数字孪生的高层建筑应急疏散方法、系统及电子设备 |
CN112199882A (zh) * | 2020-11-17 | 2021-01-08 | 上海交通大学 | 一种火灾下人员疏散过程模拟方法、疏散预警方法及系统 |
CN112504262A (zh) * | 2020-11-19 | 2021-03-16 | 中国建筑科学研究院有限公司 | 建筑物楼层内人员导航方法、多层建筑内人员导航方法、系统 |
CN114047754A (zh) * | 2021-11-03 | 2022-02-15 | 安徽工业大学 | 一种基于Unity3D的虚拟课堂火灾疏散演练方法 |
CN114812559A (zh) * | 2022-04-21 | 2022-07-29 | 青岛鼎信通讯消防安全有限公司 | 建筑物动态智能疏散路径规划的方法、装置 |
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 |
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 |
Non-Patent Citations (6)
Title |
---|
CHEN, JUAN等: "Event-driven modeling of elevator assisted evacuation in ultra high-rise buildings", 《SIMULATION MODELLING PRACTICE AND THEORY》 * |
YUANHENG ZHU 等: "Optimal Pedestrian Evacuation in Building with Consecutive Differential Dynamic Programming", 《2019 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN)》 * |
何小波: "实时态势感知的室内火灾疏散路径动态优化方法", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
刘杨 等: "基于用户均衡理论的疏散人员出口分配方法", 《中国安全科学学报》 * |
郭浩翔: "基于AnyLogic的应急疏散多范式建模研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
马剑 等: "基于有限理性路径决策的人员疏散双层模型", 《系统工程理论与实践》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
---|---|
CN115775055B (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2022083624A1 (zh) | 一种模型的获取方法及设备 | |
WO2023029432A1 (zh) | 物理-数据驱动的智能化剪力墙建筑结构设计方法和装置 | |
CN112199882B (zh) | 一种火灾下人员疏散过程模拟方法、疏散预警方法及系统 | |
CN113987637A (zh) | 基于生成对抗网络的楼盖结构设计方法和装置 | |
KR102149436B1 (ko) | 공동 주택의 공간 배치 설계 방법 및 장치 | |
CN115775055B (zh) | 多层建筑人员疏散时间的预测方法、装置、设备及介质 | |
CN104899577B (zh) | 建筑物内的人员数量确定方法和人群疏散方法 | |
CN111881625A (zh) | 一种基于深度强化学习的人群疏散仿真方法及系统 | |
CN117237559B (zh) | 面向数字孪生城市的三维模型数据智能分析方法及系统 | |
CN112183826B (zh) | 基于深度级联生成对抗网络的建筑能耗预测方法及相关产品 | |
CN113505924A (zh) | 一种基于级联时空特征的信息传播预测方法及系统 | |
CN113761250A (zh) | 模型训练方法、商户分类方法及装置 | |
CN112784778A (zh) | 生成模型并识别年龄和性别的方法、装置、设备和介质 | |
CN113628059A (zh) | 一种基于多层图注意力网络的关联用户识别方法及装置 | |
CN111738074B (zh) | 基于弱监督学习的行人属性识别方法、系统及装置 | |
CN112862147A (zh) | 基于bp神经网络的综合管廊运维风险评价模型及方法 | |
Bayat et al. | Modeling of emergency evacuation in building fire | |
CN114741766A (zh) | 基于联合结构优化神经网络的建筑结构设计方法和装置 | |
Nwankwo et al. | Prediction of House Prices in Lagos-Nigeria Using Machine Learning Models | |
Kupwiwat et al. | Deep deterministic policy gradient and graph convolutional network for bracing direction optimization of grid shells | |
CN117311188A (zh) | 用于固定场所的人群导流栏杆的控制方法、系统、设备 | |
CN116186824B (zh) | 基于图像嵌入图神经网络模型的建筑结构布置方法 | |
CN110988631A (zh) | 局部放电定位检测方法、装置、可读存储介质及电气设备 | |
CN115905518A (zh) | 基于知识图谱的情感分类方法、装置、设备以及存储介质 | |
CN115292295A (zh) | 一种基于多视角时空对抗框架的路网缺失数据修复方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |