CN116401941B - 一种地铁站闸机疏散能力的预测方法 - Google Patents
一种地铁站闸机疏散能力的预测方法 Download PDFInfo
- Publication number
- CN116401941B CN116401941B CN202310307696.1A CN202310307696A CN116401941B CN 116401941 B CN116401941 B CN 116401941B CN 202310307696 A CN202310307696 A CN 202310307696A CN 116401941 B CN116401941 B CN 116401941B
- Authority
- CN
- China
- Prior art keywords
- cat
- gates
- model
- prediction model
- gate
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 49
- 241000879809 Felis margarita Species 0.000 claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000004088 simulation Methods 0.000 claims abstract description 26
- 238000012360 testing method Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 62
- 241000282326 Felis catus Species 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000035945 sensitivity Effects 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 15
- ZINJLDJMHCUBIP-UHFFFAOYSA-N ethametsulfuron-methyl Chemical compound CCOC1=NC(NC)=NC(NC(=O)NS(=O)(=O)C=2C(=CC=CC=2)C(=O)OC)=N1 ZINJLDJMHCUBIP-UHFFFAOYSA-N 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 12
- 210000002569 neuron Anatomy 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 239000003795 chemical substances by application Substances 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007667 floating Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 208000025174 PANDAS Diseases 0.000 description 2
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 2
- 240000004718 Panda Species 0.000 description 2
- 235000016496 Panda oleosa Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004083 survival effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Computer Graphics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及狭窄路段通行时间预测领域,具体的涉及一种地铁站闸机疏散能力的预测方法,包括以下步骤:构建闸机场景的三维仿真模型;构建预测模型、预测模型的训练集和测试集;使用沙猫群算法对预测模型进行优化,利用步骤二中得到的训练集对优化后的预测模型进行训练,得到训练完成的模型;向步骤三中得到的训练完成的模型中输入测试集中闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量,得到对应人群通过闸机的疏散时间的预测值,得到可用于预测闸机疏散能力的时间预测模型,通过采用基于社会力模型的仿真软件得到模型的训练集和测试集,可模拟多种闸机布置场景,在短时间内得到各场景下大量的训练集和测试集数据,提高效率。
Description
技术领域
本发明涉及狭窄路段通行时间预测领域,具体的涉及一种地铁站闸机疏散能力的预测方法。
背景技术
地铁站闸机疏散能力的预测对于地铁站客流的管控具有重要意义;尤其是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;当地铁站内发生突发事故需要紧急疏散时,地铁站这种高度密集的场所人群往往会产生恐慌心理,而地铁站内的闸机的入口宽度普遍较小,是疏散过程中的瓶颈通道,个体在闸机间的通行能力可能会成为影响整体疏散效率的重要一环,这为选择地铁出行的个体带来了安全隐患。
针对地铁站闸机疏散能力的现有研究,普遍存在着以下几点问题:
(1)仅通过人群密度判断个体在闸机间的通行时间,准确度不高;
(2)未考虑闸机数量、闸机间可通行宽度、个体异质性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。
因此,本领域技术人员亟需一种能够预测闸机在紧急情况下疏散能力的方法,为地铁车站合理布置闸机提供依据。
发明内容
针对现有技术中存在的问题,本发明的目的在于:充分考虑闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量对人群通过闸机的疏散时间的影响,利用沙猫群算法优化的核极限学习机(KELM)模型进行地铁站闸机疏散能力的预测,提供一种闸机通行时间的预测方法,有助于辅助工作人员合理安排站内闸机,提高闸机的疏散能力,为紧急情况下地铁站内个体的安全疏散提供支持,提高地铁车站的整体服务水平。
为实现上述目的,本发明采取的技术方案是:一种地铁站闸机疏散能力的预测方法,包括以下步骤:
步骤一:采用基于社会力模型的个体运动仿真软件,对应实地场景,构建闸机场景的三维仿真模型;
步骤二:构建预测模型、预测模型的训练集和测试集,将模拟个体放入步骤一构建的三维仿真模型中,模拟多种场景,得到预测模型的训练集和测试集;
步骤三:使用沙猫群算法对预测模型进行优化,利用步骤二中得到的训练集对优化后的预测模型进行训练,得到训练完成的模型;
步骤四:向步骤三中得到的训练完成的模型中输入测试集中闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量,得到对应人群通过闸机的疏散时间的预测值,计算均方误差用以评价模型的有效性,得到可用于预测闸机疏散能力的时间预测模型。
上述的地铁站闸机疏散能力的预测方法,所述预测模型为核极限学习机预测模型,在步骤三中所述的使用沙猫群算法对预测模型进行优化的步骤包括:
步骤3-1:数据预处理,划分训练样本和测试样本;
步骤3-2:根据输入特征的数量与预测特征的数量确定预测模型神经网络的输入层神经元数量与输出层神经元数量,输入特征是闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量,预测特征是人群通过闸机的疏散时间;
步骤3-3:设置神经网络的初始权值与阈值;
步骤3-4:引入目标函数,利用训练集对预测模型进行训练,引入正则化系数、单位矩阵、核函数,用于增强神经网络的稳定性;
步骤3-5:初始化沙猫种群,设置正则化系数和核函数参数的取值范围;
步骤3-6:利用沙猫群算法对预测模型中的正则化系数和核函数参数进行优化,重构预测算法,将正则化系数和核函数参数作为沙猫群优化算法的一组候选解,计算沙猫适应度值,更新最佳沙猫位置;
步骤3-7:通过迭代计算,得到沙猫群算法的目标函数中最优值对应的候选解,并作为核极限学习机预测模型中的正则化系数和核函数参数,完成模型的训练。
上述的地铁站闸机疏散能力的预测方法,所述步骤3-2中还包括:根据柯尔莫哥洛夫定理定义隐藏层层数,确定隐藏层中神经元数量。
上述的地铁站闸机疏散能力的预测方法,所述步骤3-4中,预测模型的学习目标函数F(x)用矩阵表示为:F(x)=h(x)×β=H×β=L,其中,x为输入向量,h(x)、H为隐层节点输出,β为输出权值,L为期望输出。
上述的地铁站闸机疏散能力的预测方法,所述步骤3-4中,对预测模型进行训练包括:将网络训练变为线性系统求解,所述β根据β=H*·L确定,其中,H*为H的广义逆矩阵;
引入正则化系数C和单位矩阵I,则输出权值的最小二乘解为:
引入核函数到极限学习机中,核矩阵为:ΩELM=HHT=h(xi)h(xj)=K(xi,xj),其中,xi、xj为试验输入向量,h(xi)、h(xj)为隐层节点输出矩阵,K为核函数中的径向基函数,定义为:
K(x,y)=exp(-α||x-y||2),其中,α是内核函数参数,x,y表示输入空间的向量。
上述的地铁站闸机疏散能力的预测方法,根据正则化系数、单位矩阵、核函数的定义,所述预测模型的学习目标函数F(x)的矩阵可表达为:其中,(x1,x2,...,xn)为给定训练样本,n为样本数量。
上述的地铁站闸机疏散能力的预测方法,所述沙猫群算法是一种基于种群的方法,所述种群被称为沙猫群,每一个猫显示问题变量的值,将相关结构定义为向量,在d维优化问题中,沙猫表示问题解的1×d数组,定义如下:
Sand Cati=[x1,x2,...,xd];i∈pop(1,n),每个变量值(x1,x2,...,xd)都是浮点数,pop表示种群。
上述的地铁站闸机疏散能力的预测方法,在运行所述沙猫群算法时,包括以下步骤:
步骤3-6-1:根据问题的大小(Npop×Nd),(pop=1,2,...,n),用沙猫种群创建一个候选矩阵,
其中:Npop代表种群个数,Nd是维度数,Xi为第i个沙猫群,xij为第i个种群的第j维度;
步骤3-6-2:通过对定义的适应度函数的评估得到每只沙猫的适应度成本,沙猫群种群的适应度函数为:
适应度函数定义确定问题的相关参数,获得沙猫群算法参数的最佳值;
步骤3-6-3:获取一次迭代完成时,此次迭代中适应度函数最优的沙猫,表达为:
其中,Xi=(xi1,xi2,xi3,...,xid)表示每只沙猫的最优解;
步骤3-6-4:根据沙猫的听觉特性确定沙猫的敏感范围,其中/>表示沙猫的敏感范围,SM模拟了沙猫的听觉特性,iterc是当前迭代次数,itermax是最大迭代次数;
步骤3-6-5:确定每只沙猫的灵敏度范围, 为沙猫的灵敏度范围;
步骤3-6-6:根据最优解、当前位置以及灵敏度范围来更新沙猫的位置,并搜索到其他最好的猎物位置,在新的搜索区域中找到新的局部最优,获得的位置位于当前位置和猎物位置之间,所述搜索过程表达为:其中表示新的局部最优,/>为最优解、/>为当前位置、t表示进行的搜索次数;
步骤3-6-7:利用沙猫群算法的攻击阶段确定当前位置与最佳位置之间的距离,
为最佳位置,/>为随机位置,θ为沙猫运动方向上的随机角度;
步骤3-6-8:定义参数R,参数R为步骤3-6-6中的搜索与步骤3-6-7中的利用两者之间转换的主要参数,参数R取决于/>R取值的波动范围在迭代过程中线性地减少,当R的随机值为[-1,1]时,沙猫的下一个位置可以在其当前位置和狩猎位置之间的任何位置,当R小于或等于1时,沙猫群算法迫使搜索代理利用,否则,搜索代理被迫搜索和寻找猎物,表达为:
步骤3-6-9:通过沙猫群算法的迭代计算,得到沙猫群算法的目标函数最优值对应的候选解,即核极限学习机模型最优的正则化系数C和核函数参数α。
上述的地铁站闸机疏散能力的预测方法,在步骤二中,所述模拟多种场景,包括多次更改闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量,改变步骤一构建的三维仿真模型中的闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量,得到多组不同闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量下的人群通过闸机的疏散时间,作为预测模型的训练集和测试集。
本发明一种地铁站闸机疏散能力的预测方法的有益效果是:本发明利用沙猫群算法优化的核极限学习机进行地铁站闸机疏散能力的预测,预测速度快且精度高,充分考虑了闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量对人群通过闸机的疏散时间的影响,既可以辅助工作人员合理安排站内闸机,又可以提高闸机的疏散能力,为紧急情况下地铁站内个体的安全疏散提供支持。
通过采用基于社会力模型的仿真软件得到模型的训练集和测试集,可模拟多种闸机布置场景,在短时间内得到各场景下大量的训练集和测试集数据,提高效率。
附图说明
图1为本发明整体流程示意图;
图2为本发明闸机的三维仿真模型图;
图3为本发明有模拟个体下的闸机三维仿真模型图;
图4为本发明验证地铁站闸机疏散能力的预测模型的仿真结果;
图5为本发明地铁站闸机疏散能力的预测模型的精度分析;
图6为沙猫群优化算法示意图。
具体实施方式
为使本领域技术人员更好的理解本发明的技术方案,下面结合具体实施方式及附图对本发明的技术方案进行说明。
沙丘猫群(沙猫群)优化算法(Sand Cat swam optimization,SCSO)是土耳其学者Amir Seyyedabbasi于2022年最新提出的一种模拟沙丘猫生存行为的元启发式算法。
如图6所示,沙猫群优化算法模拟了沙丘猫的两个主要行为:搜寻猎物和攻击猎物。由于自然界中的沙丘猫是独立生活的,为了在算法中提出种群智能的概念,假设沙丘猫是群体性的。
本发明以地铁站内的闸机为例来详细说明地铁站闸机疏散能力的预测方法的过程。
如图1-图5所示,一种地铁站闸机疏散能力的预测方法,包括:
S101:构建闸机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,对地铁站内的闸机进行建模,一组闸机可以有多种布置方式,图2所示为其中的一种闸机仿真布置方式。
利用MassMotion软件构建地铁站闸机场景的三维仿真模型,Massmotion软件基于社会力模型模拟行人的运动,以适应物理环境内动态变化的条件(如避免障碍物和其他行人),并使用路线成本法寻路,可真实地模拟出乘客的运动规律。采用基于社会力模型的个体运动仿真软件MassMotion,对应实地场景,通过“Scene”模块进行模型搭建,对地铁站内的闸机进行建模;通过“Activities”模块进行活动事件设置,对个体的人物属性进行设置;通过“Simulation&Analysis”模块进行行人运动的仿真模拟得到人群通过闸机的疏散时间。
S102:构建预测模型、预测模型的训练集和测试集,预测模型的基础使用极限学习机模型,在极限学习机模型的技术上,通过使用核函数优化,得到核极限学习机模型;将模拟个体放入三维仿真模型中,模拟不同场景下的行人疏散,构建预测模型的训练集和测试集;
通过使用核函数优化极限学习机模型,得到基础的闸机疏散时间预测模型。
如图3所示,在仿真中,将模拟个体放入仿真场景中,多次更改闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量,得到多组不同闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量下的人群通过闸机的疏散时间,即训练集和测试集。
本发明通过在仿真实验中多次更改闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量,获取训练集和测试集,所用方法是基于社会力模型构建的闸机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:使用沙猫群算法对预测模型进行优化,利用步骤S102中得到的训练集对优化后的预测模型进行训练,得到训练完成的模型;
所述沙猫群算法基于种群的优化原理,灵感来源于自然界中沙猫生存行为。核极限学习机是基于极限学习机并结合核函数所提出的改进算法,引入核函数保证了网络具有良好的泛化性能和较快的学习速度,但核极限学习机的预测性能受正则化系数C和核函数参数α影响较大,如果参数寻优能力不足、局部搜索能力差,则易导致陷入局部最优解、预测精度不高等问题。因此,本发明采用沙猫群优化算法进行核极限学习机模型中正则化系数C和核函数参数α的迭代寻优。
进一步的,对沙猫群算法优化的核极限学习机模型进行训练,具体为:
(1)数据预处理,划分训练样本和测试样本;
(2)根据输入特征的数量与预测特征的数量确定KELM神经网络的输入层神经元数量与输出层神经元数量,输入特征是闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量,预测特征是人群通过闸机的疏散时间,根据柯尔莫哥洛夫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;
(3)设置神经网络的初始权值与阈值;
(4)将训练集作为KELM神经网络的输入向量,引入目标函数,对神经网络进行训练;
具体的:
极限学习机是一种单隐含层前馈神经网络,其学习目标函数F(x)可用矩阵表示为:
F(x)=h(x)×β=H×β=L (1)
式中:x为输入向量,h(x)、H为隐层节点输出,β为输出权值,L为期望输出。
将网络训练变为线性系统求解的问题,β根据β=H*·L确定,其中,H*为H的广义逆矩阵。为增强神经网络的稳定性,引入正则化系数C和单位矩阵I,则输出权值的最小二乘解为:
引入核函数K到极限学习机中,核矩阵为:
ΩELM=HHT=h(xi)h(xj)=K(xi,xj) (3)
式中:xi,xj为试验输入向量,K为核函数中的径向基函数,则可将式(1)表达为:
式中:(x1,x2,...,xn)为给定训练样本,n为样本数量,K定义为:
K(x,y)=exp(-α||x-y||2) (5)
其中,α是内核函数参数。由于KELM模型的结果在很大程度上取决于正则化参数C和核函数参数α的选择,因此采用沙猫群算法有效地优化这两个参数,提高预测模型的准确度。
(5)初始化沙猫种群,设置正则化系数和核函数参数的取值范围;
(6)利用SCSO算法对KELM中的正则化系数C和核函数参数α进行优化,重构KELM神经网络,将正则化系数C和核函数参数α作为沙猫群优化算法的一组候选解,计算沙猫适应度值,更新最佳沙猫位置;
在SCSO算法中,种群被称为沙猫群,每一个猫显示问题变量的值。该算法是一种基于种群的方法,将相关结构定义为向量。在d维优化问题中,沙猫表示问题解的1×d数组,定义如下:
Sand Cati=[x1,x2,...,xd];i∈population(1,n) (6)
每个变量值x1,x2,...,xd都是浮点数。在运行SCSO算法时,首先,根据问题的大小(Npop×Nd),(pop=1,2,...,n)用沙猫种群创建一个候选矩阵,Population和pop意思相同,表示种群数,Npop代表种群个数,Nd是维度数。
式中:Xi为第i个沙猫群,xij为第i个种群的第j维度;
每只沙猫的适应度成本是通过对定义的适应度函数的评估得到的,沙猫群的种群适应度函数为:
此函数定义问题的相关参数,SCSO将获得参数(变量)的最佳值,是数学符号,表示任意的意思。将从每个沙猫个体输出相应函数的值。当一次迭代完成时,会选择到目前为止该迭代中适应度函数最优的沙猫,其他沙猫会在下一个迭代中尝试向这个最佳选择的猫移动。每次迭代中的最佳解决方案可以代表最接近猎物的猫。如果在下一次迭代中没有找到更好的解决方案,那么该迭代的解决方案就不会存储在内存中,这确保了内存的有效使用。
沙猫的猎物搜索机制依赖于低频噪声发射,每只沙猫的最优解表示为Xi=(xi1,xi2,xi3,...,xid),为t=0时的最优解。得益于沙猫在低频探测方面的听觉能力,每只猫的敏感范围得到声明,沙猫可以感知低于2kHz的低频,因此将随着迭代次数的增加从2线性地降低为0,以逐渐靠近猎物而不会丢失或跳过。为了搜索猎物,假设沙猫的敏感范围为2kHz到0,表达为:
式中SM模拟了沙猫的听觉特性,其假设为2(对于不同问题可以适当调整以确定代理行为的速度);iterc是当前迭代次数,itermax是最大迭代次数。
控制搜索和利用之间转换的主要参数是R,定义如下:
为避免陷入局部最优,每只沙猫的灵敏度范围是不同的,定义为:
每个沙猫根据最优解、当前位置以及灵敏度范围来更新自己的位置,并搜索到其他可能的最好的猎物位置,进而在新的搜索区域中找到新的局部最优,获得的位置位于当前位置和猎物位置之间,同时随机性保证了算法的运行成本。上述搜索过程可表达为:
式中,表示新的局部最优,/>为最优解、/>为当前位置、/>为灵敏度范围,rand(0,1)表示0到1的随机数,t表示进行的搜索次数。
如前所述,沙猫是根据耳朵的能力来检测猎物的。对SCSO算法的攻击阶段进行数学建模,表示最佳位置与当前位置之间的距离,如下:
为最佳位置(最佳解),/>为当前位置,/>为随机位置。此外,沙猫敏感范围假设为一个圆,这样,运动方向由随机角度决定θ在圆圈上。由于所选的随机角度介于0和360之间,其值将介于-1和1之间。这样,种群中的每个成员都能够在搜索空间的不同圆周方向上移动。SCSO利用轮盘选择算法为每只沙猫选择一个随机角度。这样,沙猫可以接近狩猎位置,随机角度也用于避免局部最优陷阱。
参数和参数R的自适应度值确保了搜索和利用。这些参数允许SCSO在两个阶段之间无缝切换。由于参数R取决于/>因此其波动范围也将减小。如前所述,当/>的值均匀分布时,R值也是均匀的,因此根据问题,两阶段之间的操作机会是相当的。换句话说,R的区间在迭代过程中线性地从2减少到0。当R的随机值为[-1,1]时,沙猫的下一个位置可以在其当前位置和狩猎位置之间的任何位置。当R小于或等于1时,SCSO算法迫使沙猫利用,否则,沙猫被迫搜索和寻找猎物,表达为:
(7)通过迭代计算,得到沙猫群算法的目标函数最优值对应的候选解,即核极限学习机模型最优的正则化系数C和核函数参数α,完成模型的训练。
S104:向步骤S103得到的训练完成的模型中输入测试集中闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量,得到对应人群通过闸机的疏散时间的预测值,如图4所示,预测值与真实值间吻合度较高。计算均方误差用以评价模型的有效性,图5给出了预测模型的精度分析情况,拟合直线的斜率接近1,说明闸机疏散时间预测模型的准确度较高,从而得到可用于预测闸机疏散能力的时间预测模型。
将一组包含闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量的数据输入到已完成训练和测试的沙猫群优化核极限学习机模型中,得到行人通过闸机的疏散时间,预测值的均方误差较核极限学习机的均方误差下降35%,其预测精度较支持向量机方法和拟合方法可提高至少39%。
上述实施例只是为了说明本发明的发明构思和特点,其目的在于让本领域内的普通技术人员能够了解本发明的内容并据以实施,并不能以此限定本发明的保护范围。凡是根据本发明内容的实质所做出的等效变化或修饰,都应该涵盖在本发明的保护范围之内。
Claims (8)
1.一种地铁站闸机疏散能力的预测方法,其特征在于,包括以下步骤:
步骤一:采用基于社会力模型的个体运动仿真软件,对应实地场景,构建闸机场景的三维仿真模型;
步骤二:构建预测模型、预测模型的训练集和测试集,将模拟个体放入步骤一构建的三维仿真模型中,模拟多种场景,得到预测模型的训练集和测试集;
步骤三:使用沙猫群算法对预测模型进行优化,利用步骤二中得到的训练集对优化后的预测模型进行训练,得到训练完成的模型,所述的使用沙猫群算法对预测模型进行优化的步骤包括:
步骤3-1:数据预处理,划分训练样本和测试样本;
步骤3-2:根据输入特征的数量与预测特征的数量确定预测模型神经网络的输入层神经元数量与输出层神经元数量,输入特征是闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量,预测特征是人群通过闸机的疏散时间;
步骤3-3:设置神经网络的初始权值与阈值;
步骤3-4:引入目标函数,利用训练集对预测模型进行训练,引入正则化系数、单位矩阵、核函数,用于增强神经网络的稳定性;
步骤3-5:初始化沙猫种群,设置正则化系数和核函数参数的取值范围;
步骤3-6:利用沙猫群算法对预测模型中的正则化系数和核函数参数进行优化,重构预测算法,将正则化系数和核函数参数作为沙猫群优化算法的一组候选解,计算沙猫适应度值,更新最佳沙猫位置;
步骤3-7:通过迭代计算,得到沙猫群算法的目标函数中最优值对应的候选解,并作为核极限学习机预测模型中的正则化系数和核函数参数,完成模型的训练;
步骤四:向步骤三中得到的训练完成的模型中输入测试集中闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量,得到对应人群通过闸机的疏散时间的预测值,计算均方误差用以评价模型的有效性,得到可用于预测闸机疏散能力的时间预测模型。
2.根据权利要求1所述的地铁站闸机疏散能力的预测方法,其特征是,所述步骤3-2中还包括:根据柯尔莫哥洛夫定理定义隐藏层层数,确定隐藏层中神经元数量。
3.根据权利要求2所述的地铁站闸机疏散能力的预测方法,其特征是,所述步骤3-4中,预测模型的学习目标函数F(x)用矩阵表示为:F(x)=h(x)×β=H×β=L,其中,x为输入向量,h(x)、H为隐层节点输出,β为输出权值,L为期望输出。
4.根据权利要求3所述的地铁站闸机疏散能力的预测方法,其特征是,所述步骤3-4中,对预测模型进行训练包括:将网络训练变为线性系统求解,所述β根据β=H*·L确定,其中,H*为H的广义逆矩阵;
引入正则化系数C和单位矩阵I,则输出权值的最小二乘解为:
引入核函数到极限学习机中,核矩阵为:ΩELM=HHT=h(xi)h(xj)=K(xi,xj),其中,xi、xj为试验输入向量,h(xi)、h(xj)为隐层节点输出矩阵,K为核函数中的径向基函数,定义为:
K(x,y)=exp(-α||x-y||2),其中,α是内核函数参数,x,y表示输入空间的向量。
5.根据权利要求4所述的地铁站闸机疏散能力的预测方法,其特征是,根据正则化系数、单位矩阵、核函数的定义,所述预测模型的学习目标函数F(x)的矩阵可表达为:其中,(x1,x2,...,xn)为给定训练样本,n为样本数量。
6.根据权利要求5所述的地铁站闸机疏散能力的预测方法,其特征是,所述沙猫群算法是一种基于种群的方法,所述种群被称为沙猫群,每一个猫显示问题变量的值,将相关结构定义为向量,在d维优化问题中,沙猫表示问题解的1×d数组,定义如下:
Sand Cati=[x1,x2,…,xd];i∈pop(1,n),每个变量值(x1,x2,…,xd)都是浮点数,pop表示种群。
7.根据权利要求6所述的地铁站闸机疏散能力的预测方法,其特征是,在运行所述沙猫群算法时,包括以下步骤:
步骤3-6-1:根据问题的大小(Npop×Nd),(pop=1,2,...,n),用沙猫种群创建一个候选矩阵,
其中:Npop代表种群个数,Nd是维度数,Xi为第i个沙猫群,xij为第i个种群的第j维度;
步骤3-6-2:通过对定义的适应度函数的评估得到每只沙猫的适应度成本,沙猫群种群的适应度函数为:
适应度函数定义确定问题的相关参数,获得沙猫群算法参数的最佳值;
步骤3-6-3:获取一次迭代完成时,此次迭代中适应度函数最优的沙猫,表达为:
其中,Xi=(xi1,xi2,xi3,...,xid)表示每只沙猫的最优解;
步骤3-6-4:根据沙猫的听觉特性确定沙猫的敏感范围,其中表示沙猫的敏感范围,SM模拟了沙猫的听觉特性,iterc是当前迭代次数,itermax是最大迭代次数;
步骤3-6-5:确定每只沙猫的灵敏度范围, 为沙猫的灵敏度范围;
步骤3-6-6:根据最优解、当前位置以及灵敏度范围来更新沙猫的位置,并搜索到其他最好的猎物位置,在新的搜索区域中找到新的局部最优,获得的位置位于当前位置和猎物位置之间,搜索过程表达为:其中/>表示新的局部最优,/>为最优解、/>为当前位置、t表示进行的搜索次数;
步骤3-6-7:利用沙猫群算法的攻击阶段确定当前位置与最佳位置之间的距离,
为最佳位置,/>为随机位置,θ为沙猫运动方向上的随机角度;
步骤3-6-8:定义参数R,参数R为步骤3-6-6中的搜索与步骤3-6-7中的利用两者之间转换的主要参数,参数R取决于/>R取值的波动范围在迭代过程中线性地减少,当R的随机值为[-1,1]时,沙猫的下一个位置可以在其当前位置和狩猎位置之间的任何位置,当R小于或等于1时,沙猫群算法迫使搜索代理利用,否则,搜索代理被迫搜索和寻找猎物,表达为:
步骤3-6-9:通过沙猫群算法的迭代计算,得到沙猫群算法的目标函数最优值对应的候选解,即核极限学习机模型最优的正则化系数C和核函数参数α。
8.根据权利要求1所述的地铁站闸机疏散能力的预测方法,其特征是,在步骤二中,所述模拟多种场景,包括多次更改闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量,改变步骤一构建的三维仿真模型中的闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量,得到多组不同闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量下的人群通过闸机的疏散时间,作为预测模型的训练集和测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310307696.1A CN116401941B (zh) | 2023-03-27 | 2023-03-27 | 一种地铁站闸机疏散能力的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310307696.1A CN116401941B (zh) | 2023-03-27 | 2023-03-27 | 一种地铁站闸机疏散能力的预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116401941A CN116401941A (zh) | 2023-07-07 |
CN116401941B true CN116401941B (zh) | 2024-02-02 |
Family
ID=87011662
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310307696.1A Active CN116401941B (zh) | 2023-03-27 | 2023-03-27 | 一种地铁站闸机疏散能力的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116401941B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117313931B (zh) * | 2023-09-26 | 2024-03-12 | 青岛理工大学 | 一种基于火灾场景下地铁站台乘客疏散时间的预测方法 |
CN117455553B (zh) * | 2023-12-08 | 2024-04-30 | 青岛理工大学 | 一种地铁站客流量预测的方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103927591A (zh) * | 2014-03-24 | 2014-07-16 | 北京交通大学 | 一种城市轨道交通应急疏散优化方法及系统 |
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 |
CN107292064A (zh) * | 2017-08-09 | 2017-10-24 | 山东师范大学 | 一种基于多蜂群算法的人群疏散仿真方法及系统 |
CN110795833A (zh) * | 2019-10-15 | 2020-02-14 | 山东师范大学 | 基于猫群算法的人群疏散仿真方法、系统、介质及设备 |
CN112880697A (zh) * | 2019-11-29 | 2021-06-01 | 比亚迪股份有限公司 | 路径规划的方法、闸机、可读存储介质及车站管理系统 |
CN115270506A (zh) * | 2022-08-16 | 2022-11-01 | 青岛理工大学 | 一种人群沿楼梯上行的通行时间预测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113536996B (zh) * | 2021-06-30 | 2022-04-15 | 大连海事大学 | 一种基于大量真实人群运动视频的人群运动仿真方法 |
-
2023
- 2023-03-27 CN CN202310307696.1A patent/CN116401941B/zh active Active
Patent Citations (6)
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 |
CN103927591A (zh) * | 2014-03-24 | 2014-07-16 | 北京交通大学 | 一种城市轨道交通应急疏散优化方法及系统 |
CN107292064A (zh) * | 2017-08-09 | 2017-10-24 | 山东师范大学 | 一种基于多蜂群算法的人群疏散仿真方法及系统 |
CN110795833A (zh) * | 2019-10-15 | 2020-02-14 | 山东师范大学 | 基于猫群算法的人群疏散仿真方法、系统、介质及设备 |
CN112880697A (zh) * | 2019-11-29 | 2021-06-01 | 比亚迪股份有限公司 | 路径规划的方法、闸机、可读存储介质及车站管理系统 |
CN115270506A (zh) * | 2022-08-16 | 2022-11-01 | 青岛理工大学 | 一种人群沿楼梯上行的通行时间预测方法及系统 |
Non-Patent Citations (3)
Title |
---|
A Prediction Method for Deck Motion of Aircraft Carrier Based on Particle Swarm Optimization and Kernel Extreme Learning Machine;Xixiang Liu等;Sensors & Materials;第29卷(第9期);第1291-1303页 * |
人员恐慌行为下闸机和自动扶梯疏散效率研究;李胜利等;消防科学与技术;第29卷(第02期);第103-105页 * |
地铁检票闸机对安全疏散的影响研究;马辉等;华北科技学院学报;第17卷(第01期);第77-83页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116401941A (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116401941B (zh) | 一种地铁站闸机疏散能力的预测方法 | |
Gharehchopogh | An improved Harris Hawks optimization algorithm with multi-strategy for community detection in social network | |
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 | |
Chen et al. | Learning deep representation from big and heterogeneous data for traffic accident inference | |
Khajavi et al. | Predicting the carbon dioxide emission caused by road transport using a Random Forest (RF) model combined by Meta-Heuristic Algorithms | |
Melo et al. | Gaussian-PSO with fuzzy reasoning based on structural learning for training a Neural Network | |
CN113505536A (zh) | 一种优化的基于时空图卷积网络的交通流预测模型 | |
Nemet et al. | Feature Selection Using Combined Particle Swarm Optimization and Artificial Neural Network Approach | |
Robati et al. | Inflation rate modeling: Adaptive neuro-fuzzy inference system approach and particle swarm optimization algorithm (ANFIS-PSO) | |
CN116108984A (zh) | 基于流量-poi因果关系推理的城市流量预测方法 | |
Majhi et al. | MFOFLANN: Moth flame optimized functional link artificial neural network for prediction of earthquake magnitude | |
CN108364098B (zh) | 一种天气特征对用户签到影响的度量方法 | |
CN113435101B (zh) | 一种基于粒子群优化的支持向量机停电预测方法 | |
Zhang et al. | Direction-decision learning based pedestrian flow behavior investigation | |
Abdelaziz et al. | Convolutional Neural Network With Genetic Algorithm for Predicting Energy Consumption in Public Buildings | |
Chen et al. | A Spark-based Ant Lion algorithm for parameters optimization of random forest in credit classification | |
CN117271899A (zh) | 一种基于时空感知的兴趣点推荐方法 | |
Testa et al. | Crowdest: a method for estimating (and not simulating) crowd evacuation parameters in generic environments | |
CN110852505B (zh) | 基于量子遗传优化lvq神经网络的智慧城市交通流预测方法 | |
Liu | Shortest path selection algorithm for cold chain logistics transportation based on improved artificial bee colony | |
CN117455553B (zh) | 一种地铁站客流量预测的方法 | |
Liu et al. | Count-based exploration via embedded state space for deep reinforcement learning | |
Zhao et al. | Particle swarm algorithm for classification rules generation | |
Monteiro et al. | Study of the impact of the topology of artificial neural networks for the prediction of meteorological data | |
Safavieh et al. | A new integrated approach for very short-term wind speed prediction using wavelet networks and PSO |
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 |