CN117455073A - 一种水灾场景下车厢式交通工具内乘客疏散效率预测方法 - Google Patents
一种水灾场景下车厢式交通工具内乘客疏散效率预测方法 Download PDFInfo
- Publication number
- CN117455073A CN117455073A CN202311560343.9A CN202311560343A CN117455073A CN 117455073 A CN117455073 A CN 117455073A CN 202311560343 A CN202311560343 A CN 202311560343A CN 117455073 A CN117455073 A CN 117455073A
- Authority
- CN
- China
- Prior art keywords
- passenger
- carriage
- flood
- efficiency
- train
- 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
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 58
- 241001282110 Pagrus major Species 0.000 claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 claims abstract description 32
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 30
- 238000004088 simulation Methods 0.000 claims abstract description 17
- 230000006399 behavior Effects 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 32
- 210000002569 neuron Anatomy 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 12
- 230000035484 reaction time Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000009189 diving Effects 0.000 claims description 4
- 238000012886 linear function Methods 0.000 claims description 4
- 230000001133 acceleration Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 208000035657 Abasia Diseases 0.000 claims description 2
- 241000272184 Falconiformes Species 0.000 description 37
- 230000006870 function Effects 0.000 description 31
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000566153 Buteo jamaicensis Species 0.000 description 1
- 238000006424 Flood reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000001968 nicotinic acid Nutrition 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06N3/004—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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种水灾场景下车厢式交通工具内乘客疏散效率预测方法，包括以下步骤：步骤一：构建车厢三维仿真模型，设置列车内初始乘客分布位置；步骤二：搭建车厢内水动力学模型，模拟不同水灾情况下的乘客疏散行为；步骤三：构建车厢内乘客疏散效率预测模型，模拟多种场景，得到车厢内乘客疏散效率预测模型的数据集；步骤四：使用红尾鹰算法对所述车厢内乘客疏散效率预测模型进行优化，得到优化预测模型；步骤五：向优化预测模型中输入数据集，得到乘客疏散效率的预测值，得到用于预测水灾场景下车厢式交通工具内乘客疏散效率的模型。利用红尾鹰算法优化的BP神经网络进行水灾场景下地铁列车乘客疏散效率的预测，预测速度快且精度高。
Description
技术领域
本发明涉及乘客仿真模拟和疏散安全领域，具体的涉及一种水灾场景下车厢式交通工具内乘客疏散效率预测方法。
背景技术
由于公共交通工具的普及以及人们环保意识的加强，越来越多的人在出行过程中选择公共交通工具出行，其中公交车、地铁、火车等厢式交通工具成为越来越多的人的选择，但是在交通运输过程中，天气等方面的不可控因素增多，暴雨、雨水倒灌等现象时有发生，尤其在乘坐地铁出行的过程中，水灾场景尤为具有现实危险性。
水灾场景下地铁列车乘客疏散效率预测，对于提高应急响应能力、减少潜在伤亡具有重要意义；关于地铁乘客疏散的研究主要集中在火灾、恐怖袭击等情境下的疏散模拟与优化，而针对水灾情景的疏散效率预测，尚缺乏专门的研究和方法。传统的疏散模型往往没有考虑到水灾特有的环境因素，如水位上升对乘客移动速度的影响、疏散路径的变化等。并且开发一种针对水灾场景下地铁列车乘客疏散效率的预测方法，不仅对于地铁运营商制定应急预案、提高疏散效率具有现实指导意义，也对提升城市公共安全管理水平、保障公众安全具有重要的理论和实践价值。
因此，本领域技术人员亟需一种能够预测水灾场景下地铁列车乘客疏散效率的方法，为地铁系统的安全管理提供科学的决策支持。
发明内容
针对现有技术中存在的问题，本发明的目的在于：提供一种考虑列车内积水深度、列车可通行车门数量、车门间宽度、列车内乘客数量、乘客反应时间以及正常情况下乘客运动速度对水灾情况下乘客安全疏散时间的影响，在面对灾害时，有助于提高地铁运营方的应急响应能力，能够更快地做出反应，减少可能的损失，也可以为地铁运营方的决策提供依据，帮助其制定更合理、更有效的水灾场景下地铁列车乘客疏散效率预测方法。
为实现上述目的，本发明采取的技术方案是：一种水灾场景下车厢式交通工具内乘客疏散效率预测方法，包括以下步骤：
步骤一：构建车厢三维仿真模型，模拟车厢车门开关状态受水灾影响程度，设置列车内初始乘客分布位置；
步骤二：搭建车厢内水动力学模型，得到车厢内水位深度随时间变化数据，结合正常情况下乘客的行走速度，计算不同水深下对应的乘客行走速度，模拟不同水灾情况下的乘客疏散行为；
步骤三：构建车厢内乘客疏散效率预测模型，将所述不同水灾情况下的乘客疏散行为放入步骤一所述的车厢三维仿真模型中，模拟多种场景，得到所述车厢内乘客疏散效率预测模型的数据集；
步骤四：使用红尾鹰算法对所述车厢内乘客疏散效率预测模型进行优化，得到第一预测模型，利用所述数据集中部分数据对所述第一预测模型进行训练，得到优化预测模型；
步骤五：向所述优化预测模型中输入所述数据集中剩余部分数据，得到所述多种场景中的对应场景下的乘客疏散效率的预测值，得到用于预测水灾场景下车厢式交通工具内乘客疏散效率的模型。
上述的水灾场景下车厢式交通工具内乘客疏散效率预测方法，所述车厢式交通工具为地铁列车，所述多种场景包括列车内积水深度、列车可通行车门数量、可通行车门间宽度、列车内乘客数量、乘客反应时间、正常情况下乘客运动速度。
上述的水灾场景下车厢式交通工具内乘客疏散效率预测方法，在步骤一中，所述构建车厢三维仿真模型，通过模拟所述地铁列车运行过程中的不同场景，改变所述地铁列车的可通行车门数量，以及车门的可通行宽度，将所述列车内乘客初始分布位置作为疏散起点，乘客离开列车的初始分布位置作为疏散终点，模拟出乘客的运动规律。
上述的水灾场景下车厢式交通工具内乘客疏散效率预测方法，在步骤二中，所述乘客行走速度定义为：
B＝1-l/lmax
ω＝1.0/(0.982+exp(1.12t-4.0))
其中：表示正常情况下乘客的行走速度的最大速度，/>是乘客行走速度，ω是由于疲劳而导致的速度下降的比率，l为车厢内水深，lmax是乘客无法行走的临界水深，llittle为洪水对乘客行走影响较小和/或无影响的洪水水深，B表示随水深增加，行走速度降低的比率，t表示时间，exp表示自然指数函数。
上述的水灾场景下车厢式交通工具内乘客疏散效率预测方法，在步骤三中，所述车厢内乘客疏散效率预测模型的构建方法包括：
步骤3-1：数据预处理，根据所述数据集划分训练样本、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节点个数与输出层节点个数，所述输入特征包括所述多种场景的数据，所述输出特征包括地铁列车乘客疏散时间；
步骤3-3：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，根据经验公式确定隐藏层节点个数，式中：n1是隐藏层节点个数，n是输入层节点个数，m是输出层节点个数，a为常数；
步骤3-4：建立BP神经网络，确定神经元激活函数，配置网络参数。
上述的水灾场景下车厢式交通工具内乘客疏散效率预测方法，所述步骤S3-4包括：
①：确定BP神经网络每层使用的激活函数为和purelin(x)＝x，其中，tansig函数为双曲正切函数，x表示输入到激活函数的值，e是自然对数的底数，purelin函数为线性函数；
②：设置神经网络前向传播公式其中，xt为输入变量，y为输出变量，u为隐藏层神经元的输出，f为激活函数的映射关系，vtj为第i个输入变量与第j个隐藏层神经元的权重，/>为隐藏层u第j个神经元的阈值。
上述的水灾场景下车厢式交通工具内乘客疏散效率预测方法，所述步骤四包括：
步骤4-1：设置红尾鹰算法参数，确定种群数量和设定最大迭代次数，获取对应测试函数的边界信息和维度；
步骤4-2：定义适应度函数，计算红尾鹰算法中的适应度值，所述适应度函数为：
其中，M为BP神经网络模型中对象数量，N为BP神经网络模型中特征数量，x为数据真实特征，真实值输出值为/>k为常数；
步骤4-3：得到所述第一预测模型的目标函数：其中y为经过步骤4-2神经网络预测出的值；
步骤4-4：利用红尾鹰算法对所述第一预测模型中的权值和阈值进行优化，重构预测算法，将权值和阈值作为红尾鹰优化算法的一组候选解，计算适应度；
步骤4-5：通过红尾鹰算法的迭代计算，得到红尾鹰算法的目标函数最优值对应的最优解，获得所述多种场景中的对应场景下的乘客疏散效率的最优预测值。
上述的水灾场景下车厢式交通工具内乘客疏散效率预测方法，所述红尾鹰算法包括：高飞过程、低飞过程、俯冲过程；所述步骤4-4包括：
③：初始化红尾鹰算法，生成一个种群的初始位置，并计算每个个体的适应度；
④：比较每个个体的适应度与当前最优适应度，更新最优位置和最优适应度；
⑤：获得一个初始的最优位置和最优适应度，供所述高飞过程、低飞过程、俯冲过程进行优化。
上述的水灾场景下车厢式交通工具内乘客疏散效率预测方法，所述高飞过程，在每次迭代中，计算种群位置的平均值Xmean，根据公式
X(t)＝Xbest+(Xmean-X(t-1))·Levy(dim)·TF(t)
TF(t)＝1+sin(2.5+(t/Tmax))，
计算新的位置Xnewpos，如果新位置的适应度比原位置的适应度更好，更新位置和适应度，其中，X(t)表示在迭代t时红尾鹰的位置，Xbest是最佳位置，Xmean是位置的平均值，Levy表示飞行分布函数，TF(t)表示过渡因子函数，Xnewcost表示新位置的适应度，s、β是常数，dim是问题维度，μ和v是集合[0，1]之间的随机数，Tmax表示最大迭代次数；
所述低飞过程，在每次迭代中，计算种群位置的平均值，通过随机排列种群位置Xpos和对应的适应度Xcost，引入随机性，根据公式：
X(t)＝Xbest+(x(t)+y(t)·StepSize(t)
StepSize(t)＝X(t)-Xmean
计算新的位置，以及新的位置的适应度，其中，x和y表示方向坐标，R0表示半径的初始值，A表示角度增益，rand是随机增益，r是控制增益，R(t)表示曲线上每个点到原点的距离，θ(t)表示曲线上每个点相对于正x轴的角度；
所述俯冲过程，在每次迭代中，计算种群位置的平均值，根据公式
X(t)＝α(t)·Xbest+x(t)·StepSize1(t)+y(t)·StepSize2(t)
StepSize1(t)＝X(t)-TF(t)·Xmean
StepSize2(t)＝G(t)·X(t)-TF(t)·Xbest
计算一个调整因子TF，用于调整个体的移动步长，通过随机排列种群位置和对应的适应度，引入随机性，计算新的位置，其中，StepSize表示步长，α和G分别是加速度和重力因子。
上述的水灾场景下车厢式交通工具内乘客疏散效率预测方法，所述方法还包括步骤六：向步骤五中得到的所述乘客疏散效率的模型中输入数据集中剩余部分数据中的列车内积水深度、列车可通行车门数量、可通行车门间宽度、列车内乘客数量、乘客反应时间以及正常情况下乘客运动速度，得到对应场景下人群疏散时间的预测值，计算平均绝对百分误差用以评价所述乘客疏散效率的模型的有效性。
本发明一种水灾场景下车厢式交通工具内乘客疏散效率预测方法的有益效果是，利用红尾鹰算法优化的BP神经网络进行水灾场景下地铁列车乘客疏散效率的预测，预测速度快且精度高，充分考虑了列车内积水深度、列车可通行车门数量、可通行车门间宽度、列车内乘客数量、乘客反应时间以及正常情况下乘客运动速度对地铁列车乘客疏散时间的影响，利用红尾鹰算法优化的BP神经网络进行水灾场景下地铁列车乘客疏散效率的预测，可以提高预测准确性、优化模型性能，并帮助提高应急响应能力，从而为应对水灾场景下的地铁安全管理提供有力支持。不仅对地铁运营商制定应急预案、提高疏散效率具有现实指导意义，也对提升城市公共安全管理水平、保障公众安全具有重要的理论和实践价值。
通过红尾鹰算法中的高飞过程，种群中的个体可以根据当前最优位置和平均位置进行位置的调整和优化，使个体朝着更优的方向移动，并逐步接近最优解；通过低飞过程，种群中的个体可以根据当前最优位置和平均位置进行位置的调整和优化，引入了更多的随机性，增加了算法的多样性；通过俯冲过程，种群中的个体可以根据当前最优位置和平均位置进行位置的调整和优化，引入了更多的随机性和多样性，有助于避免陷入局部最优解。
本发明采用基于社会力模型的仿真软件结合水灾情况下乘客运动速度公式，得到预测模型的数据集，可模拟多种水灾情况下地铁列车场景，在短时间内得到各场景下大量的数据，提高效率。
附图说明
图1为本发明整体流程示意图；
图2为本发明实施例中地铁列车的三维仿真模型图；
图3为本发明实施例中有模拟个体下的地铁列车三维仿真模型图；
图4为本发明实施例中单一BP神经网络预测和RTH-BP神经网络预测效果对比图；
图5为本发明实施例中水灾场景下地铁列车乘客疏散效率预测的预测模型的精度分析；
图6为红尾鹰算法优化示意图。
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，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。
红尾鹰优化算法(The Red-tailed Hawk Optimization Algorithm，RTH)由Seydali Ferahtia及其团队于2023年提出。该算法模拟红尾鹰的狩猎过程，以搜索效率高而著称，是一种新颖的受自然启发的元启发式优化算法。
如图6所示，红尾鹰优化算法模拟了红尾鹰的三种飞行方式：高飞、低飞和俯冲。选择红尾鹰算法优化BP神经网络的参数，可以提供全局优化、鲁棒性、高效性和适应非线性优化问题的优势，有助于改善神经网络的性能和泛化能力。
火车、地铁、公交车，在车厢的构造上具有相通性，均设置有乘客进出车厢的车门，本发明以水灾情况下地铁站内的地铁列车为例来详细说明车厢式交通工具在水灾情况下乘客疏散效率的预测方法的过程。
如图1-图5所示，一种水灾场景下地铁列车乘客疏散效率预测方法，包括：
S101：构建车厢三维仿真模型，模拟车厢车门开关状态受水灾影响程度，设置列车内乘客分布状态。
具体的，利用pathfinder软件建立地铁列车三维仿真模型。
如图2-3所示，利用pathfinder软件，对应实地场景，对地铁站内的地铁列车进行建模，通过模拟列车由开始进站到完全进站的不同场景，改变列车1可通行车门2数量，如可通行车门数量为零，表示列车未进站状态，列车全部车门可通行表示列车完全进站状态；通过改变可通行车门的宽度，模拟列车车门开关状态受水灾的影响程度；设置列车内乘客3随机分布，并作为疏散起点，地铁站站台设置为疏散终点。水灾情况下，地铁列车停滞状况可以有多种布置方式，图2所示为其中的一种地铁列车仿真布置方式，该布置方式为列车车门全开状态，表示列车完全进站场景，可通行车门完全打开，表示车门未受水灾影响发生故障。
Pathfinder软件基于社会力模型模拟乘客的运动，以适应物理环境内动态变化的条件(如避免障碍物和其他乘客)，利用pathfinder软件，可真实地模拟出乘客的运动规律。
需要说明的是，在本申请实施例中，疏散环境为地铁列车到站台层，疏散人群只包括列车车厢内的乘客。
场景构建时，打开软件，使用软件提供的场景编辑工具创建建筑物或空间的几何模型。也可以导入建筑模型文件或手动绘制建筑物的墙壁、地面、楼梯等元素。确保建筑物的空间模型准确反映实际情况。
S102：搭建车厢内水动力学模型，得到车厢内水位深度随时间变化数据，结合正常情况下乘客的行走速度，计算不同水深下对应的乘客行走速度，模拟不同水灾情况下的乘客疏散行为。
具体的，利用Mike软件搭建地铁列车水动力学模型，得到列车内洪水深度随时间变化数据，计算不同水深下对应的乘客行走速度。
当乘客在地面上行走时，最大速度随着洪水水深的增加，速度定义如下：
B＝1-l/lmax
ω＝1.0/(0.982+exp(1.12t-4.0))
其中：是乘客的速度，ω是由于疲劳而导致的速度下降的比率，l为车厢内水深。lmax是乘客无法行走的临界水深，并将其设置为lmax＝70cm。llittle为洪水对乘客行走影响较小或无影响的洪水水深，取llittle＝10cm。，B表示随水深增加，行走速度降低的比率，t表示时间，exp表示自然指数函数。
根据计算出的不同洪水深度下对应的乘客运动速度设置pathfinder中乘客的运动速度，模拟不同水灾情况下乘客的疏散行为。
S103：构建车厢内乘客疏散效率预测模型，以BP神经网络模型为例，具体构建方法与现有构建方法基本相同，且在下方利用红尾鹰算法优化时有记载，在此不做赘述。构建完成后，将不同水灾情况下的乘客疏散行为放入S101中记载的车厢三维仿真模型中，模拟多种场景，得到所述车厢内乘客疏散效率预测模型的数据集，数据集包括训练集和测试集，训练集用于优化模型使用，测试集用于验证模型有效性使用。
如图3所示，在仿真中，将模拟个体放入仿真场景中，多次更改列车内积水深度、列车可通行车门数量、可通行车门间宽度、列车内乘客数量、乘客反应时间以及正常情况下乘客运动速度，得到多组不同水灾情况下列车乘客疏散时间，即训练集和测试集。
S104：使用红尾鹰算法对预测模型进行优化，利用步骤S103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。
其中，红尾鹰算法是一种基于仿生学的优化算法，灵感来源于红尾鹰的觅食行为。算法的基本思想是通过高飞来探索全局搜索空间，通过低飞来进行局部搜索，通过停顿来避免陷入局部最优解。BP神经网络(Backpropagation Neural Network)是一种常见的人工神经网络模型，可以用于解决多种问题，包括分类、回归、模式识别等，因此在各种应用中都有广泛的用途。它可以通过训练来适应不同的数据模式和特征，因此适用于复杂的非线性问题。但是从数学角度看，传统的BP神经网络为一种局部搜索的优化方法，网络的权值是通过沿局部改善的方向逐渐进行调整的，这样会使算法陷入局部极值，权值收敛到局部极小点，从而导致网络训练失败。加上BP神经网络对初始网络权重非常敏感，以不同的权重初始化网络，其往往会收敛于不同的局部极小，因此，本发明采用红尾鹰优化算法进行BP神经网络模型中初始的权值和阈值迭代寻优，优化神经网络。
进一步的，对红尾鹰算法优化的BP神经网络模型进行训练，具体步骤如下记载。
(一)构建适合水灾场景下地铁列车乘客疏散效率预测方法的BP神经网络模型。
(1)数据预处理，采用随机的方法产生训练集和测试集，并进行数据的归一化处理，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预测模型神经网络的输入层节点个数与输出层节点个数，输入特征是列车内积水深度、列车可通行车门数量及宽度、列车内乘客数量、乘客反应时间以及正常情况下乘客运动速度，预测特征是地铁列车乘客疏散时间；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；根据经验公式确定隐藏层节点个数。
经验公式为：
式中：n1是隐藏层节点个数，n是输入层节点个数，m是输出层节点个数，a在1-10之间的常数。
或者经验公式为：n＝2m+1，n是隐藏层节点个数，m是输入层节点个数。
(3)建立BP神经网络，确定神经元激活函数，配置网络参数。
确定BP神经网络每层使用的激活函数为双曲正切函数“tansig(x)”和线性函数“purelin(x)”，其公式分别为：和purelin(x)＝x，其中，tansig函数为双曲正切函数，x表示输入到激活函数的值，e是自然对数的底数。tansig(x)的输出会在-1到1之间，它可以将输入值映射到这个范围内，将其用于隐藏层神经元。purelin函数为线性函数，x同样表示输入到激活函数的值，purelin(x)的输出与输入相同，即它是一个恒等变换，不会限制输出的范围，故将其用于输出层。
神经网络前向传播公式为：
式中：xi为输入变量，y为输出变量，u为隐藏层神经元的输出，f为激活函数的映射关系。vij为第i个输入变量与第j个隐藏层神经元的权重，为隐藏层u第j个神经元的阈值。
(二)利用红尾鹰算法对上述BP神经网络模型进行优化。
(4)设置红尾鹰算法参数，确定种群数量和设定最大迭代次数，获取对应测试函数的边界信息和维度。
(5)定义函数，用于计算红尾鹰算法中的适应度值。
BP神经网络模型中有M个对象，N个特征。
式中：x为数据真实特征，真实值输出值为y为经过神经网络预测出的值。最终想要得到的目标为真实值与通过网络预测值之间误差尽可能小，故目标函数设定为：
(6)利用红尾鹰算法对BP神经网络预测模型中的权值和阈值进行优化，重构预测算法，将权值和阈值作为红尾鹰优化算法的一组候选解，计算适应度。
具体的：
初始化红尾鹰算法：生成一个种群的初始位置Xpos，并计算每个个体的适应度Xcost。然后，通过比较每个个体的适应度与当前最优适应度Xbestcost，更新最优位置Xbestpos和最优适应度Xbestcost。初始化完成后，获得一个初始的最优位置和最优适应度，供后续的红尾鹰算法进行优化。
红尾鹰算法高飞过程：在每次迭代中，首先计算种群位置的平均值Xmean，然后根据公式：
X(t)＝Xbest+(Xmean-X(t-1))·Levy(dim)·TF(t) (5)
计算新的位置Xnewpos。
式中：X(t)表示在迭代t时红尾鹰的位置，Xbest是最佳位置，Xmean是位置的平均值，Levy表示飞行分布函数。接着，将新位置限制在上下界之间，并计算新位置的适应度Xnewcost。如果新位置的适应度比原位置的适应度更好，就更新位置和适应度。通过高飞过程，种群中的个体可以根据当前最优位置和平均位置进行位置的调整和优化，使个体朝着更优的方向移动，并逐步接近最优解。
公式(5)中Levy函数公式：
式中：s是常数，一般取值为0.01，dim是维度，β是常数，一般取值为1.5，μ和υ是随机数[0，1]。维度dim＝inputnum*hiddennum+hiddennum+hiddennum*outputnum+outpumum，其中inputnum是输入层节点个数，hiddennum是隐藏层节点个数，outputnum是输出层节点个数。
公式(5)中过渡因子函数TF(t)函数公式为：
TF(t)＝1+sin(2.5+(t/rmax)) (7)
式中：Tmax表示最大迭代次数。转移因子和Levy分布的引入可以增加算法的多样性，提高全局搜索能力。
红尾鹰算法低飞过程：在每次迭代中，首先计算种群位置的平均值Xmean，然后，通过随机排列种群位置Xpos和对应的适应度Xcost，引入随机性。接着根据公式：
计算新的位置Xnewcost。然后，将新位置限制在上下界之间，并计算新位置的适应度Xnewcost。如果新位置的适应度比原位置的适应度更好，就更新位置和适应度。通过低飞过程，种群中的个体可以根据当前最优位置和平均位置进行位置的调整和优化，引入了更多的随机性，增加了算法的多样性。
公式(8)中，x和y表示方向坐标，其作如下计算：
式中：R0表示半径的初始值[0.5-3]，A表示角度增益[5-15]，rand是随机增益[0-1]，r是控制增益[1，2]，R(t)表示曲线上每个点到原点的距离，θ(t)表示曲线上每个点相对于正x轴的角度。
红尾鹰算法俯冲过程：在每次迭代中，首先计算种群位置的平均值Xmean，然后，根据公式：
计算一个调整因子TF，用于调整个体的移动步长。接着，通过随机排列种群位置Xpos和对应的适应度Xcost，引入随机性。然后，根据公式：
X(t)＝α(t)·Xbest+x(t)·StepSize1(t)+y(t)·StepSize2(t) (11)
计算新的位置Xnewpos。通过俯冲过程，种群中的个体可以根据当前最优位置和平均位置进行位置的调整和优化，引入了更多的随机性和多样性，有助于避免陷入局部最优解。
公式(11)中根据步长公式：
计算两个步长，将新位置限制在上下界之间，并计算新位置的适应度Xnewcost。其中a和G分别是加速度和重力因子，它们定义如下：
通过这两个计算公式，个体可以朝着全局最优解和平均位置的方向移动，增加算法的探索能力和收敛速度。
(7)通过红尾鹰算法的迭代计算，得到红尾鹰算法的目标函数最优值对应的最优解，即BP神经网络模型最优的权值和阈值，从而确定水灾场景下车厢式交通工具内乘客疏散效率的最优方案。
S105：向步骤S104得到训练完成的模型和BP神经网络中分别中输入测试集中列车内积水深度、列车可通行车门数量、可通行车门间宽度、列车内乘客数量、乘客反应时间以及正常情况下乘客运动速度，得到两种模型中对应人群疏散时间的预测值，如图4所示，可见红尾鹰算法优化后的预测模型预测值与真实值间吻合度更高。计算平均绝对百分误差用以评价模型的有效性，图5给出了红尾鹰算法优化后的BP预测模型的精度分析情况，拟合直线的斜率接近1，说明水灾场景下地铁列车乘客疏散效率预测模型的准确度较高，从而得到可用于预测水灾场景下地铁列车乘客疏散效率的数学模型。
将一组包含列车内积水深度、列车可通行车门数量、可通行车门间宽度、列车内乘客数量、乘客反应时间以及正常情况下乘客运动速度的数据输入到已完成训练和测试的红尾鹰优化BP神经网络模型中，得到列车乘客疏散时间，预测值的均方误差较BP神经网络的均方误差下降46％，预测精度达到99.15％。
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 (10)
1.一种水灾场景下车厢式交通工具内乘客疏散效率预测方法，其特征在于，包括以下步骤：
步骤一：构建车厢三维仿真模型，模拟车厢车门开关状态受水灾影响程度，设置列车内初始乘客分布位置；
步骤二：搭建车厢内水动力学模型，得到车厢内水位深度随时间变化数据，结合正常情况下乘客的行走速度，计算不同水深下对应的乘客行走速度，模拟不同水灾情况下的乘客疏散行为；
步骤三：构建车厢内乘客疏散效率预测模型，将所述不同水灾情况下的乘客疏散行为放入步骤一所述的车厢三维仿真模型中，模拟多种场景，得到所述车厢内乘客疏散效率预测模型的数据集；
步骤四：使用红尾鹰算法对所述车厢内乘客疏散效率预测模型进行优化，得到第一预测模型，利用所述数据集中部分数据对所述第一预测模型进行训练，得到优化预测模型；
步骤五：向所述优化预测模型中输入所述数据集中剩余部分数据，得到所述多种场景中的对应场景下的乘客疏散效率的预测值，得到用于预测水灾场景下车厢式交通工具内乘客疏散效率的模型。
2.根据权利要求1所述的水灾场景下车厢式交通工具内乘客疏散效率预测方法，其特征在于，所述车厢式交通工具为地铁列车，所述多种场景包括列车内积水深度、列车可通行车门数量、可通行车门间宽度、列车内乘客数量、乘客反应时间、正常情况下乘客运动速度。
3.根据权利要求2所述的水灾场景下车厢式交通工具内乘客疏散效率预测方法，其特征在于，在步骤一中，所述构建车厢三维仿真模型，通过模拟所述地铁列车运行过程中的不同场景，改变所述地铁列车的可通行车门数量，以及车门的可通行宽度，将所述列车内乘客初始分布位置作为疏散起点，乘客离开列车的分布位置作为疏散终点，模拟出乘客的运动规律。
4.根据权利要求2所述的水灾场景下车厢式交通工具内乘客疏散效率预测方法，其特征在于，在步骤二中，所述乘客行走速度定义为：
B＝1-l/lmax
ω＝1.0/(0.982+exp(1.12t-4.0))
其中：vg0表示正常情况下乘客的行走速度的最大速度，vg是乘客行走速度，ω是由于疲劳而导致的速度下降的比率，l为车厢内水深，lmax是乘客无法行走的临界水深，llittle为洪水对乘客行走影响较小和/或无影响的洪水水深，B表示随水深增加，行走速度降低的比率，t表示时间，exp表示自然指数函数。
5.根据权利要求4所述的水灾场景下车厢式交通工具内乘客疏散效率预测方法，其特征在于，在步骤三中，所述车厢内乘客疏散效率预测模型的构建方法包括：
步骤3-1：数据预处理，根据所述数据集划分训练样本、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节点个数与输出层节点个数，所述输入特征包括所述多种场景的数据，所述输出特征包括地铁列车乘客疏散时间；
步骤3-3：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，根据经验公式确定隐藏层节点个数，式中：n1是隐藏层节点个数，n是输入层节点个数，m是输出层节点个数，a为常数；
步骤3-4：建立BP神经网络，确定神经元激活函数，配置网络参数。
6.根据权利要求5所述的水灾场景下车厢式交通工具内乘客疏散效率预测方法，其特征在于，所述步骤S3-4包括：
①：确定BP神经网络每层使用的激活函数为和purelin(x)＝x，其中，tansig函数为双曲正切函数，x表示输入到激活函数的值，e是自然对数的底数，purelin函数为线性函数；
②：设置神经网络前向传播公式其中，xi为输入变量，y为输出变量，u为隐藏层神经元的输出，f为激活函数的映射关系，vtj为第i个输入变量与第j个隐藏层神经元的权重，/>为隐藏层u第j个神经元的阈值。
7.根据权利要求6所述的水灾场景下车厢式交通工具内乘客疏散效率预测方法，其特征在于，所述步骤四包括：
步骤4-1：设置红尾鹰算法参数，确定种群数量和设定最大迭代次数，获取对应测试函数的边界信息和维度；
步骤4-2：定义适应度函数，计算红尾鹰算法中的适应度值，所述适应度函数为：
其中，M为BP神经网络模型中对象数量，N为BP神经网络模型中特征数量，x为数据真实特征，真实值输出值为/>k为常数；
步骤4-3：得到所述第一预测模型的目标函数：其中y为经过步骤4-2神经网络预测出的值；
步骤4-4：利用红尾鹰算法对所述第一预测模型中的权值和阈值进行优化，重构预测算法，将权值和阈值作为红尾鹰优化算法的一组候选解，计算适应度；
步骤4-5：通过红尾鹰算法的迭代计算，得到红尾鹰算法的目标函数最优值对应的最优解，获得所述多种场景中的对应场景下的乘客疏散效率的最优预测值。
8.根据权利要求7所述的水灾场景下车厢式交通工具内乘客疏散效率预测方法，其特征在于，所述红尾鹰算法包括：高飞过程、低飞过程、俯冲过程；所述步骤4-4包括：
③：初始化红尾鹰算法，生成一个种群的初始位置，并计算每个个体的适应度；
④：比较每个个体的适应度与当前最优适应度，更新最优位置和最优适应度；
⑤：获得一个初始的最优位置和最优适应度，供所述高飞过程、低飞过程、俯冲过程进行优化。
9.根据权利要求8所述的水灾场景下车厢式交通工具内乘客疏散效率预测方法，其特征在于，所述高飞过程，在每次迭代中，计算种群位置的平均值Xmean，根据公式
X(t)＝Xbest+(Xmean-X(t-1))·Levy(dim)·TF(t)
TF(t)＝1+sin(2.5+(t/Tmax))，
计算新的位置Xnewpos，如果新位置的适应度比原位置的适应度更好，更新位置和适应度，其中，X(t)表示在迭代t时红尾鹰的位置，Xbest是最佳位置，Xmean是位置的平均值，Levy表示飞行分布函数，TF(t)表示过渡因子函数，Xnewcost表示新位置的适应度，s、β是常数，dim是问题维度，μ和υ是集合[0，1]之间的随机数，Tmax表示最大迭代次数；
所述低飞过程，在每次迭代中，计算种群位置的平均值，通过随机排列种群位置Xpos和对应的适应度Xcost，引入随机性，根据公式：
X(t)＝Xbest+(x(t)+y(t))·StepSize(t)
StepSize(t)＝X(t)-Xmean
计算新的位置，以及新的位置的适应度，其中，x和y表示方向坐标，R0表示半径的初始值，A表示角度增益，rand是随机增益，r是控制增益，R(t)表示曲线上每个点到原点的距离，θ(t)表示曲线上每个点相对于正x轴的角度；
所述俯冲过程，在每次迭代中，计算种群位置的平均值，根据公式
X(t)＝α(t)·Xbest+x(t)·StepSize1(t)+y(t)·StepSize2(t)
StepSize1(t)＝X(t)-TF(t)·Xmean
StepSize2(t)＝G(t)·X(t)-TF(t)·Xbest
计算一个调整因子TF，用于调整个体的移动步长，通过随机排列种群位置和对应的适应度，引入随机性，计算新的位置，其中，StepSize表示步长，α和G分别是加速度和重力因子。
10.根据权利要求9所述的水灾场景下车厢式交通工具内乘客疏散效率预测方法，其特征在于，所述方法还包括步骤六：向步骤五中得到的所述乘客疏散效率的模型中输入数据集中剩余部分数据中的列车内积水深度、列车可通行车门数量、可通行车门间宽度、列车内乘客数量、乘客反应时间以及正常情况下乘客运动速度，得到对应场景下人群疏散时间的预测值，计算平均绝对百分误差用以评价所述乘客疏散效率的模型的有效性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311560343.9A CN117455073B (zh) | 2023-11-22 | 2023-11-22 | 一种水灾场景下车厢式交通工具内乘客疏散效率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311560343.9A CN117455073B (zh) | 2023-11-22 | 2023-11-22 | 一种水灾场景下车厢式交通工具内乘客疏散效率预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117455073A true CN117455073A (zh) | 2024-01-26 |
| CN117455073B CN117455073B (zh) | 2024-05-10 |
Family
ID=89596746
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311560343.9A Active CN117455073B (zh) | 2023-11-22 | 2023-11-22 | 一种水灾场景下车厢式交通工具内乘客疏散效率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117455073B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007128377A (ja) * | 2005-11-07 | 2007-05-24 | Mitsubishi Heavy Ind Ltd | 避難者行動予測装置および避難者行動予測方法 |
| CN112668781A (zh) * | 2020-12-29 | 2021-04-16 | 青岛理工大学 | 一种城市轨道交通地铁车厢内乘客的疏散预测方法 |
| CN114065611A (zh) * | 2021-10-26 | 2022-02-18 | 交控科技股份有限公司 | 适用于城市轨道交通的站内乘客疏散方法以及装置 |
| US20220391717A1 (en) * | 2020-09-27 | 2022-12-08 | Central South University | Training method and system for passenger distribution prediction model, and passenger guiding method and system |
| CN116187608A (zh) * | 2023-02-01 | 2023-05-30 | 青岛理工大学 | 水灾环境下地下交通设施疏散路径决策方法、系统、设备 |
-
2023
- 2023-11-22 CN CN202311560343.9A patent/CN117455073B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007128377A (ja) * | 2005-11-07 | 2007-05-24 | Mitsubishi Heavy Ind Ltd | 避難者行動予測装置および避難者行動予測方法 |
| US20220391717A1 (en) * | 2020-09-27 | 2022-12-08 | Central South University | Training method and system for passenger distribution prediction model, and passenger guiding method and system |
| CN112668781A (zh) * | 2020-12-29 | 2021-04-16 | 青岛理工大学 | 一种城市轨道交通地铁车厢内乘客的疏散预测方法 |
| CN114065611A (zh) * | 2021-10-26 | 2022-02-18 | 交控科技股份有限公司 | 适用于城市轨道交通的站内乘客疏散方法以及装置 |
| CN116187608A (zh) * | 2023-02-01 | 2023-05-30 | 青岛理工大学 | 水灾环境下地下交通设施疏散路径决策方法、系统、设备 |
Non-Patent Citations (1)
| Title |
|---|
| SEYDALI FERAHTIA ET.AL: "Red-tailed hawk algorithm for numerical optimization and real-world problems", SCIENTIFIC REPORTS, vol. 13, no. 1, 9 August 2023 (2023-08-09), pages 1 - 42 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117455073B (zh) | 2024-05-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN114170789B (zh) | 基于时空图神经网络的智能网联车换道决策建模方法 | |
| CN112230675B (zh) | 在协同搜救中考虑运行环境和性能的无人机任务分配方法 | |
| CN112327903B (zh) | 一种基于深度混合密度网络的航空器轨迹生成方法 | |
| CN116401941B (zh) | 一种地铁站闸机疏散能力的预测方法 | |
| CN111907523B (zh) | 一种基于模糊推理的车辆跟驰寻优控制方法 | |
| Yang et al. | LSTM-based deep learning model for civil aircraft position and attitude prediction approach | |
| CN113362368A (zh) | 一种基于多层次时空图神经网络的人群轨迹预测方法 | |
| Kayhomayoon et al. | A new approach for regional groundwater level simulation: clustering, simulation, and optimization | |
| CN116954233A (zh) | 一种巡检任务与航线自动匹配方法 | |
| CN113205698A (zh) | 一种基于igwo-lstm的短时交通流预测的导航提醒方法 | |
| CN112257847A (zh) | 一种基于CNN和LSTM预测地磁Kp指数的方法 | |
| CN114819068A (zh) | 一种混合型目标航迹预测方法及系统 | |
| CN116187565A (zh) | 基于改进原子搜索优化bp网络的办公建筑能耗预测方法 | |
| CN115270506A (zh) | 一种人群沿楼梯上行的通行时间预测方法及系统 | |
| CN117313931B (zh) | 一种基于火灾场景下地铁站台乘客疏散时间的预测方法 | |
| Zhang et al. | Direction-decision learning based pedestrian flow behavior investigation | |
| CN117455073B (zh) | 一种水灾场景下车厢式交通工具内乘客疏散效率预测方法 | |
| CN113240219A (zh) | 一种土地利用模拟及预测方法 | |
| CN113076686A (zh) | 一种基于社会长短期记忆网络的航空器轨迹预测方法 | |
| CN112102366A (zh) | 基于动态目标的无人机跟踪改进算法 | |
| CN112712159A (zh) | 一种基于改进pso算法的lstm短时交通流预测方法 | |
| CN114937506A (zh) | 一种面向疫情防控的公交车在途强化学习速度控制方法 | |
| CN113255963A (zh) | 基于路元拆分和深度学习模型lstm的路面使用性能预测方法 | |
| CN117541083B (zh) | 疏散平台疏散能力的预测方法和装置 |
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 |