CN117027923A - 基于循环神经网络的隧道智能疏散系统及应用方法 - Google Patents

Abstract

本发明公开了一种基于循环神经网络的隧道智能疏散系统及应用方法，涉及数据集成处理领域，包括：疏散平台，所述疏散平台的面板内嵌有LED指示灯带以及压力传感器；设置在隧道疏散通道顶端的多个人像采集机构；与各压力传感器、各人像采集机构通信连接的监测终端；与监测终端通信连接的语音播报模块。本发明提供一种基于循环神经网络的隧道智能疏散系统及应用方法，基于循环神经网络预测模型对隧道中疏散平台进行实时监测，以疏散平台上的人员过多或者人员踩踏风险时，进行实时疏散，同时对隧道内人员的位置信息及动态去向进行实时的监测，便于应急中心能够及时掌握隧道内的现场情况，并进行高效的外部救援。

Description

基于循环神经网络的隧道智能疏散系统及应用方法

技术领域

本发明涉及一种数据集成处理领域。更具体地说，本发明涉及一种基于循环神经网络的隧道智能疏散系统及应用方法。

背景技术

疏散平台是指在隧道内出现紧急情况时，用于疏散人员可以达到安全地带的专用通道。当列车在隧道内发生意外事故时，而导致列车停车需要进行紧急疏散人员，现场人员可通过疏散平台到达隧道或建筑物的出口，使其脱离事故的危险环境。隧道由于环境密闭性的特点，一旦发生紧急事件时，现场人员逃生困难，必须依靠高效的疏散引导和有效的外部救援。因此，疏散平台在满足疏散功能的同时，还应具有高效的疏散引导作用，引导现场人员快速离开事故发生的危险环境。

列车事故的突发性和破坏性以及隧道环境的狭窄、幽暗，会给现场人员造成恐慌的心理，从而在疏散过程中会引起不同程度的人员拥挤、阻塞或更大的事故发生。目前，传统的疏散指示装置均为安装到隧道两侧墙上且功能单一的静态LED指示牌，在紧急情况下信息提示不明显，往往会被现场人员忽略，无法起到高效的疏散引导作用。此外，对于隧道应急救援来说，隧道内人员的去向及所处区域进行快速定位与动态监测，对后续的应急救援起到至关重要的作用。

通过调研发现，授权公开号为CN 113990005 A的中国专利公开了一种隧道米标疏散指示灯具，可以根据人流密度匹配不同的指示灯具的点亮密度，从而实现动态、实时的对隧道内人流密度进行调节。但该技术仍为传统悬挂于隧道两侧墙上的指示灯具，在紧急情况下所提示的信息容易被现场人员忽略，从而丧失人流密度调节的功能。

又如授权公开号为CN 110646762 A的中国专利公开了一种利用超声发送设备用于定位隧道内人员位置信息的监测系统，通过隧道内人员身上的超声发送装置和隧道顶部的超声接收装置之间的信号识别，实现隧道内人员的位置信息监测。但该技术仅适用于隧道内的工作人员且需随身携带超声发送设备，对于在隧道内进行紧急疏散人员的位置监测则无法满足。

发明内容

本发明的一个目的是解决至少上述问题和/或缺陷，并提供至少后面将说明的优点。

为了实现本发明的这些目的和其它优点，提供了一种基于循环神经网络的隧道智能疏散系统，包括：

疏散平台，所述疏散平台包括多个间隔预定距离设置在隧道内侧壁上的支架，以及设置在支架上以在隧道内构建疏散通道的多块面板，所述面板内嵌有LED指示灯带以及压力传感器；

设置在隧道疏散通道顶端的多个人像采集机构；

与各压力传感器、各人像采集机构通信连接的监测终端；

与监测终端通信连接的语音播报模块。

优选的是，所述面板及支架均采用RPC材料制备得到；

其中，所述面板的上表面预制有安装LED指示灯带的凹槽，所述凹槽上卡接有透光的防护盖板，且所述防护盖板与面板的上表面齐平；

所述压力传感器被配置为采用膜式结构，且紧贴于面板的下表面。

一种基于循环神经网络的隧道智能疏散系统的应用方法，包括：

S1、在疏散平台上出现人员走动时，各压力采集传感器监测各面板荷载变化情况，各人像采集机构对经过各面板区域的疏散人员数量进行识别统计，并记录为实时监测数据传递给监测终端；

S2、所述监测终端基于其上的循环神经网络预测模型，收集并处理监测数据，并通过对监测数据的分析与判断，对安全状态进行实时的预测，所述监测终端基于预测结果进行实时预警，并基于预测结果确定LED指示灯带的颜色、闪烁方式，以及语音播报模块的播报内容，同时将所述预测结果实时反馈至应急中心。

优选的是，在S2中，所述循环神经网络预测模型的建立方式包括：

S20、将所采集的监测数据进行特征工程处理以得到对应的特征向量；

S21、将监测区域n_k在t时刻的人群状态和t-1时刻的人群状态作为神经网络的输入层参数，将监测区域n_k在t+1时刻的人群荷载预测、人群密度预测作为输出层参数，所述人群状态包括：人群荷载、人群数量、人群密度及人群速度；

S22、将监测数据划分为训练集和测试集，并利用训练集对预测模型进行训练和参数调优，然后使用测试集评估模型的性能；

其中，在S22中，循环神经网络通过输入x ^t 时刻的特征向量与隐藏层的权重矩阵U参数化，并结合h ^t-1) 时刻状态计算出h ^t+1 时刻的预测状态，同时当观测区域人群密度高于临界人群密度值时，第i个人的移动速度高于或低于人群速度均会出现拥挤踩踏情况，故在预测模型中引入突变系数α，对x ^t 时刻的权重矩阵乘于突变系数进行修正；

所述突变系数α通过下式获得：

h ^t+1 时刻的预测状态通过下式获得：

其中，v _i 表示第i个人的移动速度，v ^* 表示监测区域n_k的人群速度，N表示监测区域n_k的人数，F(ρ)表示人群密度关系，且当ρ≤ρ′时，F(ρ)=0；当ρ>ρ′时，F(ρ)=1；ρ′为临界人群密度值，U表示t时刻的权重矩阵，W表示t-1时刻的权重矩阵，f′表示激活函数，h ^t-1 表示t-1时刻循环神经网络的隐藏层数据集，x ^t 表示t时刻循环神经网络的输入层数据集，h ^t+1 表示t+1时刻循环神经网络的隐藏层数据集；

S23、通过对监测数据的训练，获取神经网络预测模型，并将其存储于数据模型的储存模块中，便于后期预测模型调用。

优选的是，在S2中，所述预测还包括：面板人群超载预警、人群踩踏风险预警；

所述面板人群超载预警基于下式实现：

上式中，β为面板超载系数，F_i为监测区域n_k的t+1时刻人群荷载预测值，q为面板的荷载阈值，当面板超载系数β≥0.8时，则判定需要进行疏散；

所述人群踩踏风险预警基于下式实现：

上式中，p _i 为人群踩踏事故发生风险概率，ρ _s 为某区域某时刻的人群密度，ρ _sc 为人群密度阈值，b为参数，λ为人群踩踏触发因子，P为泊松分布函数，f为人群间作用力，且在ρ ≤ρ _sc 时f=0；ρ>ρ _sc 时f>0；且当p _i 大于1%，则判定需要进行疏散。

本发明至少包括以下有益效果：本发明基于循环神经网络预测模型对隧道中疏散平台进行实时监测，以疏散平台上的人员过多或者人员踩踏风险时，进行实时疏散，同时对隧道内人员的位置信息及动态去向进行实时的监测，便于应急中心能够及时掌握隧道内的现场情况，并进行高效的外部救援。

本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。

附图说明

图1为本发明疏散平台的局部结构示意图；

图2为本发明智能疏散系统的组成框图；

图3为本发明的疏散原理示意图；

图4为本发明疏散平台横向断面示意图；

图5为本发明平台面板插槽局部示意图；

图6为本发明面板支架示意图；

图7为本发明平台面板示意图；

图8为本发明实施例4疏散平台横向断面示意图；

图9为本发明平台面板沉槽局部示意图；

图10为本发明疏散平台的安装效果示意图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

应当理解，本文所使用的诸如“具有”、“包含”以及“包括”术语并不配出一个或多个其它元件或其组合的存在或添加。

本发明提供一种集疏散、指示、监测一体化的智能疏散系统，在满足基本的人员疏散的同时，进行人员踩踏风险预警与面板人群超载预警，并根据现场实际情况对人员进行分级疏散指示，有效控制人群踩踏风险的发生。此外，对隧道内人员的位置信息及动态去向进行实时的监测，便于应急中心能够及时掌握隧道内的现场情况，并进行高效的外部救援。

如图2，疏散系统主要包括：疏散平台模块（也称为疏散平台）、监测数据采集模块（由多个压力传感器、多个人像采集机构组成）、中控处理模块（即监测终端）、数据模型存储模块（即监测终端中的循环神经网络预测模型具有的其中一个功能模块）、疏散引导模块（即LED指示灯带和语音播报模块）、监控模块（即应急中心所得的监测反馈结果）、预警模块（即监测终端中的循环神经网络预测模型具有的另外一个功能模块）。

（1）疏散平台结构如图1，主要包括平台面板1（也称为面板）和面板支架2（也称为支架），在平台面板内嵌入LED指示灯带5以及压力传感器4，如图1所示。平台面板及面板支架采用轻质高强、高耐久性、高韧性的RPC材料制备。面板为含有LED指示灯带与压力传感器，在面板上表面预制一凹槽用于安装LED指示灯带，灯带上方有相应透光防护件进行灯带保护，并且防护件应与面板上表面齐平，不可突出。在面板下表面紧贴一个压力采集传感薄膜（压阻式、压电式或电容式等），用于监测面板在使用过程中压力的变化。

为了更进一步的表明疏散平台的具体结构，下面通过实施例1-4进行充分说明：

实施例1

其结构如图4、图6、图7、图10所示，描述了本发明的一种隧道疏散平台，其包括：平台面板1和面板支架2，所述平台面板的下表面两端分别设置有燕尾状凹槽11；所述面板支架2的横梁21上设有双燕尾状凸块211；

其中，所述燕尾状凹槽11小端位于边缘处；所述双燕尾状凸块211与相邻两块平台面板1上的燕尾状凹槽11相配合，使得同一面板支架2可承托两块相邻的平台面板1。

工作原理：面板支架2的底梁23处设有三个贯通式螺栓孔231，用于将平台支架2固定在隧道墙壁3上。安装时，先将面板支架2通过螺栓232固定于隧道墙壁3，后将平台面板1与放置于两块面板支架2之间，双燕尾状凸块211与相邻两块平台面板1上的燕尾状凹槽11相配合。相对于现有的连接方式，本方案的效果在于可有效限制平台面板在面板支架上发生水平方向位移的问题，减少了面板支架的用量，且结构简单，安装方便，其次，燕尾状凹槽与凸块的配合，可以完成平台面板和面板支架在螺栓固定或其它固定之前的初步连接，使得隧道中的平台面板在前期铺设时的安装误差不会产生累积，保证安装精度满足需要的前提下加快了施工进度，降低了施工人员劳动强度。

实施例2

本实施方式2作为本发明的一较佳实施例，具体结构如图6所示，其在实施方式1的基础上公开了如下改进：

所述面板支架2包括：横梁，设置在横梁21下方底梁23，以及与其相配合的斜梁22；其中，所述双燕尾状凸块211在横梁21伸展方向上与燕尾状凹槽11配合存在预定的间隙，其在平台面板1铺设方向与燕尾状凹槽11紧配合。

工作原理：平台面板1与面板支架2配合时，平台面板1铺设方向紧配合，有效限制平台面板在铺设方向位移的问题；在横梁21伸展方向上配合存在预定的间隙可便于安装，其方向上因为所述间隙而可能导致的位移可通过二次固定件进行进一步控制。

实施例3

本实施方式3作为本发明的一较佳实施例，具体结构如图4、图5所示，其在实施方式2的基础上公开了如下改进：

添加对平台面板1进行二次限定的固定组件；其中，所述固定组件被配置为包括：与面板支架横梁21后端相配合的倒“L”型钢214，所述倒“L”型钢214的下端锚固在平台支架2中；与面板支架2的横梁21前端相配合的“匚”型连接件215；其中，横梁21前端正面设有两个下沉式螺栓孔212，用于固定平台面板1与面板支架2间的“匚”型连接件215。

所述平台面板1在四个边角处的侧壁上分别设有可供倒“L”型钢214和“匚”型连接件215插入的插槽12；其中，所述插槽12在与倒“L”型钢214相配合的侧面上设置有斜面。

工作原理：安装平台面板1时先将平台面板1放置倒“L”型钢214一侧的插槽12位置对准倒“L”型钢214，并与横梁21成一定角度，斜推入插槽12同时平台面板1的燕尾状凹槽11与横梁21上的双燕尾状凸块211一侧进行重合卡接；完成平台面板1和面板支架2的初步连接，可以使隧道中的平台面板1在前期铺设时的安装误差不会产生累积，保证安装精度满足需要。后将“匚”型连接件215分别插接到平台面板1外侧插槽12和横梁21下表面，使用螺栓213对“匚”型连接件215与横梁21前端正面预设的下沉式螺栓孔212处进行连接；其限制了平台面板1移位，同时有效避免了限位件导致平台面板1表面不平整的问题，利于疏散平台使用和后期维护。

进一步地，在两块相邻平台面板1间的缝隙处设置有混凝土或橡胶构建的填充层，避免平台面板1因缝隙而可能造成的晃动。

实施例4

本实施方式4作为本发明的一较佳实施例，具体结构如图7-图9所示，其在实施方式2的基础上公开了如下改进：

本发明平台面板1四个边角处的上表面上分别设置有与倒“L”型钢214或“匚”型连接件215端部相配合的沉槽13。

工作原理：安装平台面板1时先将其水平放置在横梁21上方，使其两端燕尾状凹槽11分别与相邻两横梁21上的双燕尾状凸块211一侧进行重合卡接，预铺完成后将倒“L”型钢片214的下端锚固在横梁21后端的混凝土中，“匚”型连接件215分别放置在平台面板1上表面预留沉槽13和横梁21下表面，使用螺栓213对“匚”型连接件215与面板支架1进行连接，使平台面板1预留的沉槽13被连接件覆盖且使连接件表面与平台面板1上表面高度齐平，在保证平台面板1表面平整的同时使平台面板1完成限位且安装更方便。

（2）监测数据采集模块：主要由面板中的压力采集传感薄膜和具有人数统计识别的摄像头组成。当隧道的疏散平台上出现人员走动时，压力采集传感薄膜监测面板荷载变化情况，隧道内摄像头对经过该区域的疏散人员数量进行识别统计，并记录监测数据。

（3）中控处理模块：其上设置有循环神经网络预测模型，用于收集并处理监测数据，通过对监测数据的分析与判断，对其安全预警进行预测，并将预测结果反馈至应急中心。根据隧道内疏散平台的铺装长度将其均匀划分为n个区域（n₁、n₂、n₃…），对各个区域n_k进行疏散人员监测，由于人员在隧道内疏散存在时间序列的特点，即在区域n_k内的疏散人员当前时刻的状态会对下个时刻人员的疏散状态产生影响，因此将时间序列纳入预测的考虑范围。

所述循环神经网络预测模型建立流程：

步骤一：将监测区域n_k所采集的监测数据进行特征工程处理，提取有用的特征数据。对所监测的压力值大小进行归一化处理，将其特征值缩放到0和1之间，消除不同特征之间的量纲差异或取值范围差异，加速模型的收敛速度。

步骤二：神经网络的输入层参数为监测区域n_k在t时刻的人群状态和t-1时刻的人群状态，输出层参数为监测区域n_k在t+1时刻的人群荷载预测、人群密度预测，t代表当前时刻，所述人群状态包括：人群荷载、人群数量、人群密度及人群速度；其中，监测区域n_k的人群荷载由压力采集传感薄膜所采集的监测数据处理而得，监测区域n_k的人群数量由摄像头人数识别统计而得，人群密度由公式（1）和人群速度由公式（2）、（3）计算所得：

（1）

上式中，ρ表示监测区域n_k人群密度，N表示监测区域n_k的人数，l表示监测区域n_k长度，w表示疏散平台宽度。

（2）

（3）

上式中，v _i 表示第i个人的移动速度，v ^* 表示监测区域n_k的人群速度；x _j ,y _j 表示起始帧图像人员坐标，x _i ,y _i 表示终止帧图像人员坐标，m表示起始到终止时刻的帧数差，Δt表示帧数频率，N表示监测区域n_k的人数。

步骤三：将监测数据划分为训练集和测试集，并利用训练集对预测模型进行训练和参数调优，然后使用测试集评估模型的性能。循环神经网络通过输入x ^t 时刻的特征向量与隐藏层的权重矩阵U参数化，并结合h ^t-1 时刻计算出h ^t+1 时刻的状态，通过对h ^t+1 时刻的隐藏状态进行数据变换等得到最终的预测结果。考虑在疏散过程中，当人群密度较大时，部分人员因为恐慌心理造成个人移动速度突变，从而引发拥挤踩踏事故，影响预测模型的准确性，为此在模型中引入突变系数α，用于人员疏散预测。当观测区域人群密度高于临界人群密度值时，第i个人的移动速度高于或低于人群速度都可出现拥挤踩踏情况，则在预测模型中引入突变系数，对x ^t 时刻的权重矩阵乘于突变系数进行修正，其原理公式如下（4）、（5）：

（4）

（5）

其中，v _i 表示第i个人的移动速度，v ^* 表示监测区域n_k的人群速度，N表示监测区域n_k的人数，F(ρ)表示人群密度关系，且当ρ≤ρ′时，F(ρ)=0；当ρ>ρ′时，F(ρ)=1；ρ′为临界人群密度值，U表示t时刻的权重矩阵，W表示t-1时刻的权重矩阵，f′表示激活函数，h ^t-1 表示t-1时刻循环神经网络的隐藏层数据集，x ^t 表示t时刻循环神经网络的输入层数据集，h ^t+1 表示t+1时刻循环神经网络的隐藏层数据集，通过权重矩阵与输出层节点连接进行数据转换，从而输出最终预测结果。

通过利用梯度下降算法训练模型进行迭代与参数调整，使其损失值达到全局最小，从而使得模型具有良好的预测能力，参数调整包括合适的激活函数、权重矩阵、学习率、阈值以及隐藏层层数。

步骤四：通过对监测数据的训练，获取神经网络预测模型，并将其模型存储于数据模型储存模块，便于后期预测模型调用。

在预测模型中，输入t时刻和t-1时刻的人群状态数据经过计算得h ^t+1 时刻的隐藏状态，并对h ^t+1 时刻的隐藏状态进行数据转换，得到t+1时刻的人群荷载预测及人群密度预测等结果。根据循环神经网络具有时间序列的特性，将上一时刻和当前时刻的人群状态作为输入层参数带入预测模型中进行训练，从而实现对下一时刻的人群荷载、密度预测。将其预测结果作为预警模块中的人群数据用于风险预警，实现对下一时刻可能发生的风险进行提前疏散规避。

（4）数据模型储存模块：用于存储由中控处理模块所处理后的历史监测数据，以及所训练的模型数据和相应参数，为后续的疏散预警提供可靠的数据支持。

（5）疏散引导模块：由平台面板中的LED指示灯带和隧道内的语音广播组成。如图3所示，LED指示灯带为可调节闪烁频率的流水灯带，可沿双向进行流水闪烁效果。通过灯带的流水闪烁方式引导隧道内人员的疏散方向和疏散路径，相较于传统悬挂墙上的指示灯具，LED指示灯带位于地面且呈现动态流水状态闪烁，更能引起现场疏散人员的注意，从而沿着流水指示方向进行疏散。LED指示灯带闪烁的同时，配合语音广播对现场疏散人员进行安抚与疏散引导，减轻现场疏散人员的心理恐慌。当隧道某区域需要现场疏散人员快速通过时，LED指示灯带通过快速闪烁与语音广播提醒疏散人员在该区域应快速通过；当隧道某区域需要现场疏散人员慢速前行时，LED指示灯带通过慢速闪烁与语音广播提醒疏散人员在该区域应慢速前行。

（6）预警模块：在疏散过程中由于人员恐慌心理大量拥挤，造成疏散平台垮塌、人员踩踏等情况，从而造成更大的安全事故。因此，为防患于未然，利用循环神经网络预测模型，通过输入监测区域n_k的t时刻和t-1时刻的人群状态，用于预测t+1时刻的人群荷载及人群密度，并根据预测值进行平台风险预警判断。根据疏散平台现场实际情况、规范要求或数值模拟确定面板的荷载阈值q，监测区域n_k的t+1时刻的人群荷载F_i和人群密度ρ _s 由循环神经网络预测模型根据h^t+1时刻的隐藏状态进行数据转换所得。

面板人群超载预警的面板超载系数通过下式获得：

（5）

上式中，β为面板超载系数，F_i为监测区域n_k的t+1时刻人群荷载预测值，q为面板的荷载阈值。

人群踩踏风险预警中的人群踩踏事故发生风险概率通过下式获得：

（6）

上式中，p _i 为人群踩踏事故发生风险概率，ρ _s 为监测区域n_k的t+1时刻人群密度预测值，ρ _sc 为人群密度阈值，b为参数，λ为人群踩踏触发因子，P为泊松分布函数，f为人群间作用力，ρ≤ρ _sc 时f=0，ρ>ρ _sc 时f>0。

当β≥1时，下个时刻的人群荷载会超过面板的警戒阈值，疏散平台可能随时出现垮塌、倾斜的情况。当λ=0时，人群踩踏触发情况几乎为零，人群踩踏风险预警阈值ρ _sc最大，人群踩踏事故发生风险概率p _i ≤1%；当λ=1时，随时可能出现人群踩踏事故发生，人群踩踏风险预警阈值ρ _sc最小，人群踩踏事故发生风险概率p _i ≥10%。因此将p _i ≤1%时定为级预警（发生踩踏事故小），1%≤p _i <10%时定为/>级预警（可能发生踩踏事故），p _i ≥10%时定为/>级预警（极可能发生踩踏事故），从而进行分级预警。

因此，预测模型根据监测区域n_k的当前时刻和上一时刻的人群状态，所预测的结果在预警模块中被判定为下一时刻面板超载系数β≥0.8或人群踩踏事故发生风险概率p _i ≥1%时，疏散引导模块在当前时刻应快速做出分级疏散指导，引导该区域及前方区域人员应快速通过，引导该区域的后方人员应慢速前行，实现提前对监测区域n_k的人员进行分级疏散指导，避免人群大量拥挤，从而造成踩踏事故及疏散平台垮塌、倾斜的发生。

（7）监控模块：主要用于接受中控处理模块与预警模块所反馈的结果，相关救援人员可通过移动端如手机、电脑等对隧道内疏散人员分布情况、人群密度、预计疏散时间等结果进行实时查看。针对隧道内实时人群密度进行踩踏风险分级预警，在出现预警的紧急情况下，工作人员也可通过移动端对疏散引导模块中的语音广播进行人工语音播报指导。同时，根据预测的人群密度快速计算人员疏散时间，确保应急状态下能够快速有序的疏散，为后续的隧道救援提供可靠的数据支持。

以上方案只是一种较佳实例的说明，但并不局限于此。在实施本发明时，可以根据使用者需求进行适当的替换和/或修改。

这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用。它完全可以被适用于各种适合本发明的领域。对于熟悉本领域的人员而言，可容易地实现另外的修改。因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (5)

1.一种基于循环神经网络的隧道智能疏散系统，其特征在于，包括：

疏散平台，所述疏散平台包括多个间隔预定距离设置在隧道内侧壁上的支架，以及设置在支架上以在隧道内构建疏散通道的多块面板，所述面板内嵌有LED指示灯带以及压力传感器；

设置在隧道疏散通道顶端的多个人像采集机构；

与各压力传感器、各人像采集机构通信连接的监测终端；

与监测终端通信连接的语音播报模块。

2.如权利要求1所述的基于循环神经网络的隧道智能疏散系统，其特征在于，所述面板及支架均采用RPC材料制备得到；

其中，所述面板的上表面预制有安装LED指示灯带的凹槽，所述凹槽上卡接有透光的防护盖板，且所述防护盖板与面板的上表面齐平；

所述压力传感器被配置为采用膜式结构，且紧贴于面板的下表面。

3.一种如权利要求1所述基于循环神经网络的隧道智能疏散系统的应用方法，其特征在于，包括：

S1、在疏散平台上出现人员走动时，各压力采集传感器监测各面板荷载变化情况，各人像采集机构对经过各面板区域的疏散人员数量进行识别统计，并记录为实时监测数据传递给监测终端；

S2、所述监测终端基于其上的循环神经网络预测模型，收集并处理监测数据，并通过对监测数据的分析与判断，对安全状态进行实时的预测，所述监测终端基于预测结果进行实时预警，并基于预测结果确定LED指示灯带的颜色、闪烁方式，以及语音播报模块的播报内容，同时将所述预测结果实时反馈至应急中心。

4.如权利要求3所述基于循环神经网络的隧道智能疏散系统的应用方法，其特征在于，在S2中，所述循环神经网络预测模型的建立方式包括：

S20、将所采集的监测数据进行特征工程处理以得到对应的特征向量；

S21、将监测区域n_k在t时刻的人群状态和t-1时刻的人群状态作为神经网络的输入层参数，将监测区域n_k在t+1时刻的人群荷载预测、人群密度预测作为输出层参数，所述人群状态包括：人群荷载、人群数量、人群密度及人群速度；

S22、将监测数据划分为训练集和测试集，并利用训练集对预测模型进行训练和参数调优，然后使用测试集评估模型的性能；

其中，在S22中，循环神经网络通过输入x ^t 时刻的特征向量与隐藏层的权重矩阵U参数化，并结合h ^t-1 时刻状态计算出h ^t+1 时刻的预测状态，同时当观测区域人群密度高于临界人群密度值时，第i个人的移动速度高于或低于人群速度均会出现拥挤踩踏情况，故在预测模型中引入突变系数α，对x ^t 时刻的权重矩阵乘于突变系数进行修正；

所述突变系数α通过下式获得：

h ^t+1 时刻的预测状态通过下式获得：

其中，v _i 表示第i个人的移动速度，v ^* 表示监测区域n_k的人群速度，N表示监测区域n_k的人数，F(ρ)表示人群密度关系，且当ρ≤ρ′时，F(ρ)=0；当ρ>ρ′时，F(ρ)=1；ρ′为临界人群密度值，U表示t时刻的权重矩阵，W表示t-1时刻的权重矩阵，f′表示激活函数，h ^t-1 表示t-1时刻循环神经网络的隐藏层数据集，x ^t 表示t时刻循环神经网络的输入层数据集，h ^t+1 表示t+1时刻循环神经网络的隐藏层数据集；

S23、通过对监测数据的训练，获取神经网络预测模型，并将其存储于数据模型的储存模块中，便于后期预测模型调用。

5.如权利要求3所述基于循环神经网络的隧道智能疏散系统的应用方法，其特征在于，在S2中，所述预测还包括：面板人群超载预警、人群踩踏风险预警；

所述面板人群超载预警基于下式实现：

上式中，β为面板超载系数，F_i为监测区域n_k的t+1时刻人群荷载预测值，q为面板的荷载阈值，当面板超载系数β≥0.8时，则判定需要进行疏散；

所述人群踩踏风险预警基于下式实现：

上式中，p _i 为人群踩踏事故发生风险概率，ρ _s 为某区域某时刻的人群密度，ρ _sc 为人群密度阈值，b为参数，λ为人群踩踏触发因子，P为泊松分布函数，f为人群间作用力，且在ρ≤ρ _sc 时f=0；ρ>ρ _sc 时f>0；且当p _i 大于1%，则判定需要进行疏散。