CN117541083A - 疏散平台疏散能力的预测方法和装置 - Google Patents

疏散平台疏散能力的预测方法和装置 Download PDF

Info

Publication number
CN117541083A
CN117541083A CN202410025958.XA CN202410025958A CN117541083A CN 117541083 A CN117541083 A CN 117541083A CN 202410025958 A CN202410025958 A CN 202410025958A CN 117541083 A CN117541083 A CN 117541083A
Authority
CN
China
Prior art keywords
evacuation
zebra
information
evacuation platform
prediction model
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.)
Pending
Application number
CN202410025958.XA
Other languages
English (en)
Inventor
杨晓霞
李昌隆
马浩
王小涛
董海荣
周敏
周成林
赵鹏飞
金林
康元磊
张永亮
曲大义
史云娣
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
Hunan Technical College of Railway High Speed
China Railway Construction Electrification Bureau Group Co Ltd
Third Engineering Co Ltd of China Railway Construction Electrification Bureau Group Co Ltd
Original Assignee
Qingdao University of Technology
Hunan Technical College of Railway High Speed
China Railway Construction Electrification Bureau Group Co Ltd
Third Engineering Co Ltd of China Railway Construction Electrification Bureau Group Co Ltd
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, Hunan Technical College of Railway High Speed, China Railway Construction Electrification Bureau Group Co Ltd, Third Engineering Co Ltd of China Railway Construction Electrification Bureau Group Co Ltd filed Critical Qingdao University of Technology
Priority to CN202410025958.XA priority Critical patent/CN117541083A/zh
Publication of CN117541083A publication Critical patent/CN117541083A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
    • 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
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0475—Generative networks
    • 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
    • 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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Marketing (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Operations Research (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请实施例公开了疏散平台疏散能力的预测方法和装置。该方法的一具体实施方式包括：获取目标疏散平台的列车信息、乘客信息、构造信息以及环境信息；将所获取的列车信息、乘客信息、构造信息以及环境信息输入至预先训练的疏散能力预测模型，其中，所述疏散能力预测模型用于表征疏散平台的列车信息、乘客信息、构造信息以及环境信息与乘客从疏散平台疏散所用时间和/或疏散平台的最大人群密度之间的对应关系；根据所述疏散能力预测模型的输出确定表征所述目标疏散平台疏散能力的数值。该实施方式提供了一种疏散能力的预测方法，为调整隧道疏散平台疏散通道与对安排乘客的疏散提供了依据，从而提升了疏散效率。

Description

疏散平台疏散能力的预测方法和装置
技术领域
本申请实施例涉及计算机技术领域，尤其涉及疏散平台疏散能力的预测方法和装置。
背景技术
地铁等交通工具为当今城市中居民出行提供了巨大的便利，此类交通工具庞大的客流量使得乘客的安全问题显得尤为重要。发生紧急情况时必须有相应的措施去保障乘客人身安全。以地铁为例，在地铁的运行隧道中设置有疏散平台，在发生突发事件时，乘客可以通过疏散平台的通道从地铁隧道中进行撤离。疏散平台是隧道中发生意外情况下的最重要的疏散通道，而目前的对于疏散平台疏散能力的研究中相关研究成果较少。相关技术领域人员亟需一种能够在突发事件的情况下对于疏散平台疏散能力的预测方法，从而合理的调整隧道疏散通道与安排乘客的疏散。
发明内容
本申请实施例提出了疏散平台疏散能力的预测方法和装置。
第一方面，本申请的一些实施例提供了一种疏散平台疏散能力的预测方法，该方法包括：获取目标疏散平台的列车信息、乘客信息、构造信息以及环境信息；将所获取的列车信息、乘客信息、构造信息以及环境信息输入至预先训练的疏散能力预测模型，其中，所述疏散能力预测模型用于表征疏散平台的列车信息、乘客信息、构造信息以及环境信息与乘客从疏散平台疏散所用时间和/或疏散平台的最大人群密度之间的对应关系；根据所述疏散能力预测模型的输出确定表征所述目标疏散平台疏散能力的数值。
在一些实施例中，训练所述疏散能力预测模型的训练数据和/或测试数据通过以下步骤得到：基于社会力模型对隧道区间疏散平台进行建模得到仿真模型，所述仿真模型的输入数据包括疏散平台的列车信息、乘客信息、构造信息以及环境信息；改变所述仿真模型的输入数据得到不同的列车信息、乘客信息、构造信息以及环境信息对应的乘客从疏散平台疏散所用时间和/或疏散平台的最大人群密度数据。
在一些实施例中，所述列车信息包括列车车头位置和隧道出入口的距离，所述乘客信息包括乘客数量，所述构造信息包括疏散平台的宽度、长度以及隧道出口之间间距，所述环境信息包括水灾环境下的水深；以及所述基于社会力模型对隧道区间疏散平台进行建模得到仿真模型，包括：根据水深计算隧道区间疏散平台中乘客的移动速度；基于所述移动速度仿真模拟水灾背景下乘客的移动，其中，所述根据水深计算隧道区间疏散平台中乘客的移动速度，包括：通过以下公式计算乘客的移动速度：
其中，是乘客的在水灾背景下的速度，/>是乘客默认的原始速度，/>是水深对乘客速度的影响因子，/>是乘客所在位置/>处的水深，/>预先设置的是乘客无法行走的临界水深。
在一些实施例中，所述疏散能力预测模型通过以下步骤建立：基于BP神经网络模型建立初始预测模型；通过斑马优化方法对所述初始预测模型进行优化，得到所述疏散能力预测模型。
在一些实施例中，所述通过斑马优化方法对所述初始预测模型进行优化，得到所述疏散能力预测模型，包括：初始化斑马优化算法中的参数，所述参数包括种群数量、最大迭代次数、搜索空间；通过斑马优化算法对所述初始预测模型的连接权重以及偏置进行迭代优化，将连接权重和偏置作为斑马优化算法的候选解，通过预先设置的适应度函数计算候选解的适应度，选择适应度最高的候选解作领头马，继续迭代更新领头斑马的位置；响应于达到预先设置的终止条件，结束迭代计算，得到斑马优化算法中适应度最好个体对应的候选解，将此候选解作为最优解输入初始预测模型中，作为最优连接权重和偏置；通过反向传播算法进一步调整最优连接权重和偏置对应的模型得到所述疏散能力预测模型。
在一些实施例中，所述适应度函数的目标函数E，设置为均方误差，表达式为：
其中，C 代表预测结果的数量，为初始预测模型的预测结果；/>代表模拟仿真的数据。
在一些实施例中，所述初始化斑马优化算法中的参数通过以下公式进行：
其中，为第/>只斑马对第/>个优化问题变量的值，/>为寻优过程的下界，/>是寻优过程中的上界，/>是区间/>内的一个随机数。
在一些实施例中，所述通过斑马优化算法对所述初始预测模型的连接权重以及偏置进行迭代优化，将连接权重和偏置作为斑马优化算法的候选解，通过预先设置的适应度函数计算候选解的适应度，选择适应度最高的候选解作领头马，继续迭代更新领头斑马的位置，包括：根据问题维度大小，建立斑马种群矩阵：
其中，为第/>只斑马，/>为第/>只斑马对提出的第/>个问题变量的值，/>为种群的成员数，/>为决策变量的数量；对每个斑马的适应度进行评估，斑马的目标函数值用以下公式指定为一个向量的形式：
其中，是目标函数值的向量，/>表示的是第/>个斑马所得到的目标函数值；根据野生斑马的行为模式进行两个阶段的更新；在第一个阶段，根据斑马搜寻食物的行为方式对种群成员的位置信息进行更新：
其中，是第/>匹斑马在第一阶段时的新状态，维度为/>，/>是它的目标函数的值，/>代表的是先锋斑马，代表种群中最好的成员，/>是/>维的，/>代表的是区间内的一个随机数，/>，其中/>代表/>内的一个随机数，，若/>，代表种群移动的变化将会很大；在第二个阶段，根据野生斑马面对不同捕食者所采取的不同策略进行更新，当斑马受到大型捕食者攻击时，斑马群会在其位置附近逃离捕食者的攻击，通过公式/>模式进行移动：
当斑马面对体型较小的捕食者攻击时，种群中的其他斑马会朝向被攻击的斑马进行移动，组成一种防御结构来迷惑和恐吓捕食者，通过公式模式进行移动：
通过以下公式对位置信息进行更新：
其中，代表第/>匹斑马在第二阶段的新位置信息，是/>维数据，/>代表/>所对应的目标函数值，/>代表算法的目前迭代次数，/>代表算法的最大迭代次数，是一个数值为0.01的常数，/>代表的是在这两种策略中选择其中一种的概率，值在/>之间，/>是被攻击斑马的位置信息，是一个/>维数据。
在一些实施例中，所述根据所述疏散能力预测模型的输出确定表征所述目标疏散平台疏散能力的数值，包括：将输出的乘客从疏散平台疏散所用时间数据通过以下公式线性归一化映射到区间之间：
其中，代表归一化后的时间数据，/>代表原始时间数据；将输出的最大人群密度通过以下公式线性归一化映射到区间/>之间：
其中，代表归一化后的人群密度数据；/>代表原始人群密度数据；通过以下公式计算表征所述目标疏散平台疏散能力的数值：
其中，代表在第/>个仿真条件下评估函数的值，/>代表第/>个仿真条件下预测时间归一化后的数值，/>代表第/>个仿真条件下最大人群密度归一化后的数值，/>与/>是区间/>上的随机数，且/>。
第二方面，本申请的一些实施例提供了一种疏散平台疏散能力的预测装置，该装置包括：获取单元，被配置成获取目标疏散平台的列车信息、乘客信息、构造信息以及环境信息；预测单元，被配置成将所获取的列车信息、乘客信息、构造信息以及环境信息输入至预先训练的疏散能力预测模型，其中，所述疏散能力预测模型用于表征疏散平台的列车信息、乘客信息、构造信息以及环境信息与乘客从疏散平台疏散所用时间和/或疏散平台的最大人群密度之间的对应关系；确定单元，被配置成根据所述疏散能力预测模型的输出确定表征所述目标疏散平台疏散能力的数值。
在一些实施例中，训练所述疏散能力预测模型的训练数据和/或测试数据通过以下步骤得到：基于社会力模型对隧道区间疏散平台进行建模得到仿真模型，所述仿真模型的输入数据包括疏散平台的列车信息、乘客信息、构造信息以及环境信息；改变所述仿真模型的输入数据得到不同的列车信息、乘客信息、构造信息以及环境信息对应的乘客从疏散平台疏散所用时间和/或疏散平台的最大人群密度数据。
在一些实施例中，所述列车信息包括列车车头位置和隧道出入口的距离，所述乘客信息包括乘客数量，所述构造信息包括疏散平台的宽度、长度以及隧道出口之间间距，所述环境信息包括水灾环境下的水深；以及所述基于社会力模型对隧道区间疏散平台进行建模得到仿真模型，包括：根据水深计算隧道区间疏散平台中乘客的移动速度；基于所述移动速度仿真模拟水灾背景下乘客的移动，其中，所述根据水深计算隧道区间疏散平台中乘客的移动速度，包括：通过以下公式计算乘客的移动速度：
其中，是乘客的在水灾背景下的速度，/>是乘客默认的原始速度，/>是水深对乘客速度的影响因子，/>是乘客所在位置/>处的水深，/>预先设置的是乘客无法行走的临界水深。
在一些实施例中，所述疏散能力预测模型通过以下步骤建立：基于BP神经网络模型建立初始预测模型；通过斑马优化方法对所述初始预测模型进行优化，得到所述疏散能力预测模型。
在一些实施例中，所述通过斑马优化方法对所述初始预测模型进行优化，得到所述疏散能力预测模型，包括：初始化斑马优化算法中的参数，所述参数包括种群数量、最大迭代次数、搜索空间；通过斑马优化算法对所述初始预测模型的连接权重以及偏置进行迭代优化，将连接权重和偏置作为斑马优化算法的候选解，通过预先设置的适应度函数计算候选解的适应度，选择适应度最高的候选解作领头马，继续迭代更新领头斑马的位置；响应于达到预先设置的终止条件，结束迭代计算，得到斑马优化算法中适应度最好个体对应的候选解，将此候选解作为最优解输入初始预测模型中，作为最优连接权重和偏置；通过反向传播算法进一步调整最优连接权重和偏置对应的模型得到所述疏散能力预测模型。
在一些实施例中，所述适应度函数的目标函数E，设置为均方误差，表达式为：
其中，C代表预测结果的数量，为初始预测模型的预测结果；/>代表模拟仿真的数据。
在一些实施例中，所述初始化斑马优化算法中的参数通过以下公式进行：
其中，为第/>只斑马对第/>个优化问题变量的值，/>为寻优过程的下界，/>是寻优过程中的上界，/>是区间/>内的一个随机数。
在一些实施例中，所述通过斑马优化算法对所述初始预测模型的连接权重以及偏置进行迭代优化，将连接权重和偏置作为斑马优化算法的候选解，通过预先设置的适应度函数计算候选解的适应度，选择适应度最高的候选解作领头马，继续迭代更新领头斑马的位置，包括：根据问题维度大小，建立斑马种群矩阵：
其中，为第/>只斑马，/>为第/>只斑马对提出的第/>个问题变量的值，/>为种群的成员数，/>为决策变量的数量；对每个斑马的适应度进行评估，斑马的目标函数值用以下公式指定为一个向量的形式：
其中，是目标函数值的向量，/>表示的是第/>个斑马所得到的目标函数值；根据野生斑马的行为模式进行两个阶段的更新；在第一个阶段，根据斑马搜寻食物的行为方式对种群成员的位置信息进行更新：
其中，是第/>匹斑马在第一阶段时的新状态，维度为/>，/>是它的目标函数的值，/>代表的是先锋斑马，代表种群中最好的成员，/>是/>维的，/>代表的是区间内的一个随机数，/>，其中/>代表/>内的一个随机数，，若/>，代表种群移动的变化将会很大；在第二个阶段，根据野生斑马面对不同捕食者所采取的不同策略进行更新，当斑马受到大型捕食者攻击时，斑马群会在其位置附近逃离捕食者的攻击，通过公式/>模式进行移动：
当斑马面对体型较小的捕食者攻击时，种群中的其他斑马会朝向被攻击的斑马进行移动，组成一种防御结构来迷惑和恐吓捕食者，通过公式模式进行移动：
通过以下公式对位置信息进行更新：
其中，代表第/>匹斑马在第二阶段的新位置信息，是/>维数据，/>代表/>所对应的目标函数值，/>代表算法的目前迭代次数，/>代表算法的最大迭代次数，是一个数值为0.01的常数，/>代表的是在这两种策略中选择其中一种的概率，值在/>之间，/>是被攻击斑马的位置信息，是一个/>维数据。
在一些实施例中，所述根据所述疏散能力预测模型的输出确定表征所述目标疏散平台疏散能力的数值，包括：将输出的乘客从疏散平台疏散所用时间数据通过以下公式线性归一化映射到区间之间：
其中，代表归一化后的时间数据，/>代表原始时间数据；将输出的最大人群密度通过以下公式线性归一化映射到区间/>之间：
其中，代表归一化后的人群密度数据；/>代表原始人群密度数据；通过以下公式计算表征所述目标疏散平台疏散能力的数值：
其中，代表在第/>个仿真条件下评估函数的值，/>代表第/>个仿真条件下预测时间归一化后的数值，/>代表第/>个仿真条件下最大人群密度归一化后的数值，/>与/>是区间/>上的随机数，且/>。
第三方面，本申请的一些实施例提供了一种设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面上述的方法。
第四方面，本申请的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面上述的方法。
本申请实施例提供的疏散平台疏散能力的预测方法和装置，通过获取目标疏散平台的列车信息、乘客信息、构造信息以及环境信息；将所获取的列车信息、乘客信息、构造信息以及环境信息输入至预先训练的疏散能力预测模型，其中，所述疏散能力预测模型用于表征疏散平台的列车信息、乘客信息、构造信息以及环境信息与乘客从疏散平台疏散所用时间和/或疏散平台的最大人群密度之间的对应关系；根据所述疏散能力预测模型的输出确定表征所述目标疏散平台疏散能力的数值，提供了一种疏散能力的预测方法，为调整隧道疏散通道与对安排乘客的疏散提供了依据，从而提升了疏散效率。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本申请的一些可以应用于其中的示例性系统架构图；
图2是根据本申请的疏散平台疏散能力的预测方法的一个实施例的流程图；
图3A是本申请实施例的一个应用场景中疏散平台建模的一个示意图；
图3B是本申请实施例的一个应用场景中模拟人员疏散一个示意图；
图4A是本申请实施例的一个应用场景中预测方法的流程图；
图4B是本申请实施例的一个应用场景中斑马优化算法优化BP神经网络的流程图；
图5是根据本申请的疏散平台疏散能力的预测装置的一个实施例的结构示意图；
图6是适于用来实现本申请的一些实施例的服务器或终端的计算机系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好的理解本预测方法，下面结合具体实施方法以及附图，对疏散能力的预测方法进行清晰的描述说明。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。
应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的疏散平台疏散能力的预测方法或疏散平台疏散能力的预测装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括终端设备101、102、103，网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等。
用户可以使用终端设备101、102、103通过网络104与服务器105交互，以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用，例如数据处理类应用、仿真建模类应用等。
终端设备101、102、103可以是硬件，也可以是软件。当终端设备101、102、103为硬件时，可以是具有显示屏的各种电子设备，包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器，例如对终端设备101、102、103上安装的应用提供支持的后台服务器，服务器105可以获取目标疏散平台的列车信息、乘客信息、构造信息以及环境信息；将所获取的列车信息、乘客信息、构造信息以及环境信息输入至预先训练的疏散能力预测模型，其中，所述疏散能力预测模型用于表征疏散平台的列车信息、乘客信息、构造信息以及环境信息与乘客从疏散平台疏散所用时间和/或疏散平台的最大人群密度之间的对应关系；根据所述疏散能力预测模型的输出确定表征所述目标疏散平台疏散能力的数值。
需要说明的是，本申请实施例所提供的疏散平台疏散能力的预测方法可以由服务器105执行，也可以由终端设备101、102、103执行，相应地，疏散平台疏散能力的预测装置可以设置于服务器105中，也可以设置于终端设备101、102、103中。
需要说明的是，服务器可以是硬件，也可以是软件。当服务器为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器为软件时，可以实现成多个软件或软件模块（例如用来提供分布式服务），也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的疏散平台疏散能力的预测方法的一个实施例的流程200。该疏散平台疏散能力的预测方法，包括以下步骤：
步骤201，获取目标疏散平台的列车信息、乘客信息、构造信息以及环境信息。
在本实施例中，疏散平台疏散能力的预测方法执行主体（例如图1所示的服务器或终端）可以首先获取目标疏散平台的列车信息、乘客信息、构造信息以及环境信息。目标疏散平台可以是待预测其疏散能力的疏散平台，例如，地铁区间隧道疏散平台。列车信息可以包括列车位置、列车长度、列车车厢数、车厢长度、列车车门位置等。乘客信息可以包括乘客数量、乘客年龄、乘客健康程度等影响乘客移动速度的数据。构造信息可以包括疏散平台隧道长宽度、疏散平台各出口间距与列车长度的比值、疏散平台各出口宽度等影响乘客疏散速度的数据。环境信息可以包括是否发生水灾、是否有烟雾等影响乘客移动速度的数据。
步骤202，将所获取的列车信息、乘客信息、构造信息以及环境信息输入至预先训练的疏散能力预测模型。
在本实施例中，疏散能力预测模型可以表征疏散平台的列车信息、乘客信息、构造信息以及环境信息与乘客从疏散平台疏散所用时间和/或疏散平台的最大人群密度之间的对应关系。可以通过训练样本训练初始模型得到疏散能力预测模型。训练样本可以是通过仿真软件进行仿真模拟得到的，可以是通过疏散平台历史疏散数据得到的，还可以通过实验得到。初始模型可以是基于神经网络模型或其他深度学习模型建立的，可以通过斑马优化算法、鲸鱼优化算法、反向传播算法等算法进一步进行训练及调整初始模型得到最终的疏散能力预测模型。
在本实施例的一些可选实现方式中，训练疏散能力预测模型的训练数据和/或测试数据通过以下步骤得到：基于社会力模型对隧道区间疏散平台进行建模得到仿真模型，仿真模型的输入数据包括疏散平台的列车信息、乘客信息、构造信息以及环境信息；改变仿真模型的输入数据得到不同的列车信息、乘客信息、构造信息以及环境信息对应的乘客从疏散平台疏散所用时间和/或疏散平台的最大人群密度数据。
在本实施例的一些可选实现方式中，列车信息包括列车车头位置和隧道出入口的距离，乘客信息包括乘客数量，构造信息包括疏散平台的宽度、长度以及隧道出口之间间距，环境信息包括水灾环境下的水深；以及基于社会力模型对隧道区间疏散平台进行建模得到仿真模型，包括：根据水深计算隧道区间疏散平台中乘客的移动速度；基于移动速度仿真模拟水灾背景下乘客的移动，其中，根据水深计算隧道区间疏散平台中乘客的移动速度，包括：通过以下公式计算乘客的移动速度：
其中，是乘客的在水灾背景下的速度，/>是乘客默认的原始速度，/>是水深对乘客速度的影响因子，/>是乘客所在位置/>处的水深，/>预先设置的是乘客无法行走的临界水深。
在本实施例的一些可选实现方式中，疏散能力预测模型通过以下步骤建立：基于BP神经网络模型建立初始预测模型；通过斑马优化方法对初始预测模型进行优化，得到疏散能力预测模型。
在本实施例的一些可选实现方式中，通过斑马优化方法对初始预测模型进行优化，得到疏散能力预测模型，包括：初始化斑马优化算法中的参数，参数包括种群数量、最大迭代次数、搜索空间；通过斑马优化算法对初始预测模型的连接权重以及偏置进行迭代优化，将连接权重和偏置作为斑马优化算法的候选解，通过预先设置的适应度函数计算候选解的适应度，选择适应度最高的候选解作领头马，继续迭代更新领头斑马的位置；响应于达到预先设置的终止条件，结束迭代计算，得到斑马优化算法中适应度最好个体对应的候选解，将此候选解作为最优解输入初始预测模型中，作为最优连接权重和偏置；通过反向传播算法进一步调整最优连接权重和偏置对应的模型得到疏散能力预测模型。
在本实施例的一些可选实现方式中，适应度函数的目标函数E，设置为均方误差，表达式为：
其中，C代表预测结果的数量，为初始预测模型的预测结果；/>代表模拟仿真的数据。
在本实施例的一些可选实现方式中，初始化斑马优化算法中的参数通过以下公式进行：
其中，为第/>只斑马对第/>个优化问题变量的值，/>为寻优过程的下界，/>是寻优过程中的上界，/>是区间/>内的一个随机数。
在本实施例的一些可选实现方式中，通过斑马优化算法对初始预测模型的连接权重以及偏置进行迭代优化，将连接权重和偏置作为斑马优化算法的候选解，通过预先设置的适应度函数计算候选解的适应度，选择适应度最高的候选解作领头马，继续迭代更新领头斑马的位置，包括：根据问题维度大小，建立斑马种群矩阵：
其中，为第/>只斑马，/>为第/>只斑马对提出的第/>个问题变量的值，/>为种群的成员数，/>为决策变量的数量；对每个斑马的适应度进行评估，斑马的目标函数值用以下公式指定为一个向量的形式：
其中，是目标函数值的向量，/>表示的是第/>个斑马所得到的目标函数值；根据野生斑马的行为模式进行两个阶段的更新；在第一个阶段，根据斑马搜寻食物的行为方式对种群成员的位置信息进行更新：
/>
其中，是第/>匹斑马在第一阶段时的新状态，维度为/>，/>是它的目标函数的值，/>代表的是先锋斑马，代表种群中最好的成员，/>是/>维的，/>代表的是区间内的一个随机数，/>，其中/>代表/>内的一个随机数，，若/>，代表种群移动的变化将会很大；在第二个阶段，根据野生斑马面对不同捕食者所采取的不同策略进行更新，当斑马受到大型捕食者攻击时，斑马群会在其位置附近逃离捕食者的攻击，通过公式/>模式进行移动：
当斑马面对体型较小的捕食者攻击时，种群中的其他斑马会朝向被攻击的斑马进行移动，组成一种防御结构来迷惑和恐吓捕食者，通过公式模式进行移动：
通过以下公式对位置信息进行更新：
其中，代表第/>匹斑马在第二阶段的新位置信息，是/>维数据，/>代表/>所对应的目标函数值，/>代表算法的目前迭代次数，/>代表算法的最大迭代次数，是一个数值为0.01的常数，/>代表的是在这两种策略中选择其中一种的概率，值在/>之间，/>是被攻击斑马的位置信息，是一个/>维数据。
步骤203，根据疏散能力预测模型的输出确定表征目标疏散平台疏散能力的数值。
在本实施例中，疏散能力预测模型的输出包括乘客从目标疏散平台疏散所用时间和/或目标疏散平台疏散时的最大人群密度。可以直接将目标疏散平台疏散所用时间和/或目标疏散平台疏散时的最大人群密度作为表征目标疏散平台疏散能力的数值，疏散所用时间越长代表疏散能力越弱，最大人群密度越大代表疏散能力越弱，还可以按照预先设置的权重加权目标疏散平台疏散所用时间与目标疏散平台疏散时的最大人群密度得到表征目标疏散平台疏散能力的数值，具体可以根据研究人员实际需要进行设置。
在本实施例的一些可选实现方式中，根据疏散能力预测模型的输出确定表征目标疏散平台疏散能力的数值，包括：将输出的乘客从疏散平台疏散所用时间数据通过以下公式线性归一化映射到区间之间：
其中，代表归一化后的时间数据，/>代表原始时间数据；将输出的最大人群密度通过以下公式线性归一化映射到区间/>之间：/>
其中，代表归一化后的人群密度数据；/>代表原始人群密度数据；通过以下公式计算表征目标疏散平台疏散能力的数值：
其中，代表在第/>个仿真条件下评估函数的值，/>代表第/>个仿真条件下预测时间归一化后的数值，/>代表第/>个仿真条件下最大人群密度归一化后的数值，/>与/>是区间/>上的随机数，且/>。
本申请的上述实施例提供的方法通过获取目标疏散平台的列车信息、乘客信息、构造信息以及环境信息；将所获取的列车信息、乘客信息、构造信息以及环境信息输入至预先训练的疏散能力预测模型，其中，所述疏散能力预测模型用于表征疏散平台的列车信息、乘客信息、构造信息以及环境信息与乘客从疏散平台疏散所用时间和/或疏散平台的最大人群密度之间的对应关系；根据所述疏散能力预测模型的输出确定表征所述目标疏散平台疏散能力的数值，提供了一种疏散能力的预测方法，为调整隧道疏散通道与对安排乘客的疏散提供了依据，从而提升了疏散效率。
继续参见图4A，图4A是根据本实施例的预测方法的应用场景，即一种水灾情况下地铁区间隧道疏散平台疏散能力的预测流程图。在图4A中，Step1：在建模软件中对地铁区间隧道疏散平台进行三维建模。采用一种基于社会力模型的个体运动仿真软件，对应实地场景，对地铁区间隧道疏散平台进行建模。需要说明的是，在本疏散能力的预测方法中，疏散环境为水灾情况下的疏散平台，疏散人群为列车中乘客。
可以使用Massmotion软件进行模型构建。Massmotion是一种基于社会力模型的专业人流仿真软件，用于模拟和分析人员在建筑、城市街道等空间中的运行行为。进行构建时，根据现实建筑数据，通过软件提供的场景模块绘制隧道疏散平台的出口，列车于疏散平台的连接路径等，保证模型可以真实反映疏散平台空间的情况，建模如图2所示。
Step2：在水流仿真软件中根据水深计算乘客水灾背景下移动速度。水灾背景下，水流深度会影响乘客的移动速度。通过Mike水流模拟软件模拟水灾情况，根据模拟不同情况下水流得到不同的水流深度，根据公式计算乘客在水流影响下的移动速度，如下所示：
该公式描述了乘客行走速度与水深的关系，适用于渠道隧道等场景下乘客行走速度的估计。其中：是乘客的在水灾背景下的速度；/>是乘客默认的原始速度；/>是水深对乘客速度的影响因子；/>是乘客所在位置/>处的水深；/>是乘客无法行走的临界水深，作为示例，可以设置为/>。
Step3：将乘客速度数据输入建模软件，设置不同的疏散场景进行模拟，收集数据，构建ZOA-BP算法的训练与测试集。在Massmotion软件中通过属性设置，设定水深影响下的人群移动速度，调整模型中人群数量、更改疏散通道间距、列车头与疏散通道间距、疏散平台的长宽等数据，经过模拟，得到多组不同移动速度、人群数量、疏散通道间距、疏散平台长宽和列车头与疏散通道间距数据下的疏散时间和最大人群密度数据。
以社会力模型为基础的Massmotion软件在模拟时可以较为准确的描述个体的运动，因此所得数据可信度高，可以进行预测模型的训练和验证，Massmotion的模拟如图3A与图3B所示。
Step4：构建预测模型，通过斑马优化算法对模型进行优化，得到优化后的预测模型。
本预测算法采用的基础模型可以是BP神经网络模型。斑马优化算法是于2022年提出的一种基于斑马行为的优化算法，该算法通过模仿斑马在自然界的行为来进行寻优，具有寻优能力强，收敛速度快等优点。
斑马优化算法对斑马自然界行为的模拟分为两个阶段：斑马的觅食行为以及斑马面对捕食者采取的防御策略。如图4B流程图所示，斑马优化算法对BP神经网络进行优化的流程如下：
首先设置BP神经网络的各个参数，根据输入变量的个数以及所需预测输出的个数，确定BP神经网络的输入层、输出层的神经元数量以及隐含层的层数。随后，初始化神经网络的连接权重以及偏置，作为斑马优化算法的优化目标。
设定一个目标函数E，作为斑马优化算法中的适应度评价标准。设置为均方误差（MSE），其表达式为：
其中：C代表预测结果的数量；为预测模型的预测结果；/>代表模拟仿真中收集的真实数据。
对斑马优化算法进行初始化操作：
其中：为第/>只斑马对第/>个优化问题变量的值；/>为寻优过程的下界；/>是寻优过程中的上界；/>是区间/>内的一个随机数。
根据问题维度大小，建立斑马种群矩阵；
其中：为第/>只斑马，/>为第/>只斑马对提出的第/>个问题变量的值，/>为种群的成员数，/>为决策变量的数量。
种群中的每一个斑马代表优化问题的一个候选解，因此对每个斑马的适应度进行评估，斑马的目标函数值用以下公式来指定为一个向量的形式：
/>
其中：是目标函数值的向量，/>表示的是第/>个斑马所得到的目标函数值。通过对每个斑马的目标函数值进行比较，可以有效的分析它们所对应的候选解对于这个优化问题的适应度。
在第一阶段，根据模拟斑马搜寻饲料时的行为来对种群中的成员进行更新。在斑马种群中，有一种斑马叫先锋斑马，它是一种先锋性食草动物，通过吞噬上层和营养较少的草的冠层，为其他需要以下更短更营养的草的种群中的斑马提供了条件。在ZOA中，种群中最好的成员被认为是先锋斑马，它将带领其他成员走向它在种群中的位置，即搜索空间。因此，在觅食行为阶段，种群位置的更新根据以下方式进行：
其中：是第/>匹斑马在第一阶段更新时的新位置状态，它是/>维数据；/>是它的目标函数的适应度值；/>代表的是先锋斑马，代表种群中适应度最好的成员。/>是维的；/>代表的是区间/>内的一个随机数；/>，其中/>代表/>内的一个随机数，因此，/>。并且，如果/>，那么种群移动的变化将会很大。
斑马在觅食时往往会遭到捕食者的袭击，根据这种情况，斑马有面对不同捕食者的防御策略。根据斑马的防御行为，进行第二阶段的更新。
在第二阶段，ZOA算法模仿斑马在面对捕食者攻击时的防御策略，以此来更新ZOA种群成员在搜索空间中的位置。斑马所要面对的主要捕食者可以分为两种，一种是狮子、鳄鱼等；另一种是猎豹、鬣狗等。
斑马的防御策略因捕食者的种类的区别而不同。面对狮子等大型捕食者，斑马的防御策略一般是以z字形的随机转向模式进行逃跑躲避；而面对猎豹、鬣狗等小型捕食者，斑马会展现较强的攻击性，它们会通过聚集在一起来迷惑和恐吓捕食者。在ZOA算法中，假设这两种防御策略均有相同的发生概率：
[1]当面对狮子攻击时，斑马选择逃跑；
[2]当面对猎豹攻击时，斑马选择聚集防御。
在第一种策略中，当斑马受到大型捕食者攻击时，斑马群会在其位置附近逃离捕食者的攻击。在数学上，可以通过如下公式中的s1模式进行逃跑。而当斑马面对较小的捕食者攻击时，种群中的其他斑马会朝向被攻击的斑马进行移动，并尝试组成一种防御结构来迷惑和恐吓捕食者。这种防御策略可以通过以下公式中的S2模式进行数学建模：
之后通过以下方式对位置信息进行更新：
其中，代表的是第/>匹斑马在第二阶段的新位置信息，它是/>维数据。/>代表的是它所对应的目标函数值，/>代表算法的目前迭代次数，/>代表算法的最大迭代次数，是一个数值为0.01的常数，/>代表的是在这两种策略中选择其中一种的概率，它的值在之间，/>是被攻击斑马的位置信息，它也是一个/>维数据。
当斑马优化算法结束的时候，输出所得到的适应度最好的候选解，即为最优解。将最优解作为BP神经网络的连接权重和偏置/>，进一步训练BP神经网络，得到最终的预测模型。
Step5：将测试数据输入模型，得到预测数据。将测试集的数据输入训练优化好的ZOA-BP预测模型中，得到预测的疏散时间和最大人群密度数据。
进一步，为了能够对疏散平台的疏散能力进行预测评估，根据Step6：定义一个预测能力评估函数，通过预测数据对疏散平台的疏散能力进行预测于评估，得到一个可以对地铁区间隧道疏散平台疏散能力预测的模型。定义一个预测能力评估函数如下：
其中：代表在第/>个仿真条件下评估函数的值；/>代表第/>个仿真条件下预测时间归一化后的数值；/>代表第/>个仿真条件下最大人群密度归一化后的数值；/>与/>是区间上的随机数，且/>。预测能力指标函数的值越小，代表所用的疏散时间越小；最大人群密度越小，隧道中拥堵的概率越小；进而代表地铁区间隧道疏散平台的疏散能力越强。因此可以对地铁区间隧道疏散平台疏散能力进行预测评估。
进一步参考图5，作为对上述各图所示方法的实现，本申请提供了一种疏散平台疏散能力的预测装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，本实施例的疏散平台疏散能力的预测装置500包括：获取单元501、预测单元502、确定单元503。其中，获取单元，被配置成获取目标疏散平台的列车信息、乘客信息、构造信息以及环境信息；预测单元，被配置成将所获取的列车信息、乘客信息、构造信息以及环境信息输入至预先训练的疏散能力预测模型，其中，疏散能力预测模型用于表征疏散平台的列车信息、乘客信息、构造信息以及环境信息与乘客从疏散平台疏散所用时间和/或疏散平台的最大人群密度之间的对应关系；确定单元，被配置成根据疏散能力预测模型的输出确定表征目标疏散平台疏散能力的数值。
在本实施例中，疏散平台疏散能力的预测装置500的获取单元501、预测单元502、确定单元503的具体处理可以参考图2对应实施例中的步骤201、步骤202和步骤203。
在本实施例的一些可选实现方式中，装置还包括仿真单元，仿真单元被配置为通过以下步骤得到训练疏散能力预测模型的训练数据和/或测试数据：基于社会力模型对隧道区间疏散平台进行建模得到仿真模型，仿真模型的输入数据包括疏散平台的列车信息、乘客信息、构造信息以及环境信息；改变仿真模型的输入数据得到不同的列车信息、乘客信息、构造信息以及环境信息对应的乘客从疏散平台疏散所用时间和/或疏散平台的最大人群密度数据。
在本实施例的一些可选实现方式中，列车信息包括列车车头位置和隧道出入口的距离，乘客信息包括乘客数量，构造信息包括疏散平台的宽度、长度以及隧道出口之间间距，环境信息包括水灾环境下的水深；以及仿真单元，进一步被配置成：根据水深计算隧道区间疏散平台中乘客的移动速度；基于移动速度仿真模拟水灾背景下乘客的移动，其中，根据水深计算隧道区间疏散平台中乘客的移动速度，包括：通过以下公式计算乘客的移动速度：
其中，是乘客的在水灾背景下的速度，/>是乘客默认的原始速度，/>是水深对乘客速度的影响因子，/>是乘客所在位置/>处的水深，/>预先设置的是乘客无法行走的临界水深。
在本实施例的一些可选实现方式中，装置还包括建模单元，建模单元被配置为通过以下步骤建立疏散能力预测模型：基于BP神经网络模型建立初始预测模型；通过斑马优化方法对初始预测模型进行优化，得到疏散能力预测模型。
在本实施例的一些可选实现方式中，建模单元进一步被配置为：初始化斑马优化算法中的参数，参数包括种群数量、最大迭代次数、搜索空间；通过斑马优化算法对初始预测模型的连接权重以及偏置进行迭代优化，将连接权重和偏置作为斑马优化算法的候选解，通过预先设置的适应度函数计算候选解的适应度，选择适应度最高的候选解作领头马，继续迭代更新领头斑马的位置；响应于达到预先设置的终止条件，结束迭代计算，得到斑马优化算法中适应度最好个体对应的候选解，将此候选解作为最优解输入初始预测模型中，作为最优连接权重和偏置；通过反向传播算法进一步调整最优连接权重和偏置对应的模型得到疏散能力预测模型。
在本实施例的一些可选实现方式中，适应度函数的目标函数E，设置为均方误差，表达式为：
其中，C代表预测结果的数量，为初始预测模型的预测结果；/>代表模拟仿真的数据。
在本实施例的一些可选实现方式中，初始化斑马优化算法中的参数通过以下公式进行：
其中，为第/>只斑马对第/>个优化问题变量的值，/>为寻优过程的下界，/>是寻优过程中的上界，/>是区间/>内的一个随机数。
在本实施例的一些可选实现方式中，建模单元进一步被配置为：根据问题维度大小，建立斑马种群矩阵：
/>
其中，为第/>只斑马，/>为第/>只斑马对提出的第/>个问题变量的值，/>为种群的成员数，/>为决策变量的数量；对每个斑马的适应度进行评估，斑马的目标函数值用以下公式指定为一个向量的形式：
其中，是目标函数值的向量，/>表示的是第/>个斑马所得到的目标函数值；根据野生斑马的行为模式进行两个阶段的更新；在第一个阶段，根据斑马搜寻食物的行为方式对种群成员的位置信息进行更新：
其中，是第/>匹斑马在第一阶段时的新状态，维度为/>，/>是它的目标函数的值，/>代表的是先锋斑马，代表种群中最好的成员，/>是/>维的，/>代表的是区间内的一个随机数，/>，其中/>代表/>内的一个随机数，，若/>，代表种群移动的变化将会很大；在第二个阶段，根据野生斑马面对不同捕食者所采取的不同策略进行更新，当斑马受到大型捕食者攻击时，斑马群会在其位置附近逃离捕食者的攻击，通过公式/>模式进行移动：
当斑马面对体型较小的捕食者攻击时，种群中的其他斑马会朝向被攻击的斑马进行移动，组成一种防御结构来迷惑和恐吓捕食者，通过公式模式进行移动：
通过以下公式对位置信息进行更新：
其中，代表第/>匹斑马在第二阶段的新位置信息，是/>维数据，/>代表/>所对应的目标函数值，/>代表算法的目前迭代次数，/>代表算法的最大迭代次数，是一个数值为0.01的常数，/>代表的是在这两种策略中选择其中一种的概率，值在/>之间，/>是被攻击斑马的位置信息，是一个/>维数据。
在本实施例的一些可选实现方式中，确定单元进一步被配置为：将输出的乘客从疏散平台疏散所用时间数据通过以下公式线性归一化映射到区间之间：
其中，代表归一化后的时间数据，/>代表原始时间数据；将输出的最大人群密度通过以下公式线性归一化映射到区间/>之间：
其中，代表归一化后的人群密度数据；/>代表原始人群密度数据；通过以下公式计算表征目标疏散平台疏散能力的数值：
其中，代表在第/>个仿真条件下评估函数的值，/>代表第/>个仿真条件下预测时间归一化后的数值，/>代表第/>个仿真条件下最大人群密度归一化后的数值，/>与/>是区间/>上的随机数，且/>。
下面参考图6，其示出了适于用来实现本申请实施例的服务器或终端的计算机系统600的结构示意图。图6示出的服务器或终端仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图6所示，计算机系统600包括中央处理单元（CPU）601，其可以根据存储在只读存储器（ROM）602中的程序或者从存储部分608加载到随机访问存储器（RAM）603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有系统600操作所需的各种程序和数据。CPU 601、ROM 602以及RAM 603通过总线604彼此相连。输入/输出（I/O）接口605也连接至总线604。
以下部件可以连接至I/O接口605：包括诸如键盘、鼠标等的输入部分606；包括诸如阴极射线管（CRT）、液晶显示器（LCD）等以及扬声器等的输出部分607；包括硬盘等的存储部分608；以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分609。通信部分609经由诸如因特网的网络执行通信处理。驱动器610也根据需要连接至I/O接口605。可拆卸介质611，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器610上，以便于从其上读出的计算机程序根据需要被安装入存储部分608。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分609从网络上被下载和安装，和/或从可拆卸介质611被安装。在该计算机程序被中央处理单元（CPU）601执行时，执行本申请的方法中限定的上述功能。需要说明的是，本申请所述的计算机可读介质可以是计算机可读信号介质或者计算机可读介质或者是上述两者的任意组合。计算机可读介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑磁盘只读存储器（CD-ROM）、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中，计算机可读介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本申请中，计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请的操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如C语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。
附图中的流程图和框图，图示了按照本申请各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括获取单元、预测单元、确定单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，获取单元还可以被描述为“被配置成获取目标疏散平台的列车信息、乘客信息、构造信息以及环境信息的单元”。
作为另一方面，本申请还提供了一种计算机可读介质，该计算机可读介质可以是上述实施例中描述的装置中所包含的；也可以是单独存在，而未装配入该装置中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该装置执行时，使得该装置：获取目标疏散平台的列车信息、乘客信息、构造信息以及环境信息；将所获取的列车信息、乘客信息、构造信息以及环境信息输入至预先训练的疏散能力预测模型，其中，所述疏散能力预测模型用于表征疏散平台的列车信息、乘客信息、构造信息以及环境信息与乘客从疏散平台疏散所用时间和/或疏散平台的最大人群密度之间的对应关系；根据所述疏散能力预测模型的输出确定表征所述目标疏散平台疏散能力的数值。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本申请中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的（但不限于）具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (10)

1.一种疏散平台疏散能力的预测方法，包括：
获取目标疏散平台的列车信息、乘客信息、构造信息以及环境信息；
将所获取的列车信息、乘客信息、构造信息以及环境信息输入至预先训练的疏散能力预测模型，其中，所述疏散能力预测模型用于表征疏散平台的列车信息、乘客信息、构造信息以及环境信息与乘客从疏散平台疏散所用时间和/或疏散平台的最大人群密度之间的对应关系；
根据所述疏散能力预测模型的输出确定表征所述目标疏散平台疏散能力的数值。
2.根据权利要求1所述的方法，其中，训练所述疏散能力预测模型的训练数据和/或测试数据通过以下步骤得到：
基于社会力模型对隧道区间疏散平台进行建模得到仿真模型，所述仿真模型的输入数据包括疏散平台的列车信息、乘客信息、构造信息以及环境信息；
改变所述仿真模型的输入数据得到不同的列车信息、乘客信息、构造信息以及环境信息对应的乘客从疏散平台疏散所用时间和/或疏散平台的最大人群密度数据。
3.根据权利要求2所述的方法，其中，所述列车信息包括列车车头位置和隧道出入口的距离，所述乘客信息包括乘客数量，所述构造信息包括疏散平台的宽度、长度以及隧道出口之间间距，所述环境信息包括水灾环境下的水深；以及所述基于社会力模型对隧道区间疏散平台进行建模得到仿真模型，包括：
根据水深计算隧道区间疏散平台中乘客的移动速度；
基于所述移动速度仿真模拟水灾背景下乘客的移动，其中，所述根据水深计算隧道区间疏散平台中乘客的移动速度，包括：
通过以下公式计算乘客的移动速度：
；
；
其中，是乘客的在水灾背景下的速度，/>是乘客默认的原始速度，/>是水深对乘客速度的影响因子，/>是乘客所在位置/>处的水深，/>预先设置的是乘客无法行走的临界水深。
4.根据权利要求1所述的方法，其中，所述疏散能力预测模型通过以下步骤建立：
基于BP神经网络模型建立初始预测模型；
通过斑马优化方法对所述初始预测模型进行优化，得到所述疏散能力预测模型。
5.根据权利要求4所述的方法，其中，所述通过斑马优化方法对所述初始预测模型进行优化，得到所述疏散能力预测模型，包括：
初始化斑马优化算法中的参数，所述参数包括种群数量、最大迭代次数、搜索空间；
通过斑马优化算法对所述初始预测模型的连接权重以及偏置进行迭代优化，将连接权重和偏置作为斑马优化算法的候选解，通过预先设置的适应度函数计算候选解的适应度，选择适应度最高的候选解作领头马，继续迭代更新领头斑马的位置；
响应于达到预先设置的终止条件，结束迭代计算，得到斑马优化算法中适应度最好个体对应的候选解，将此候选解作为最优解输入初始预测模型中，作为最优连接权重和偏置；
通过反向传播算法进一步调整最优连接权重和偏置对应的模型得到所述疏散能力预测模型。
6.根据权利要求5所述的方法，其中，所述适应度函数的目标函数E，设置为均方误差，表达式为：
；
其中，C代表预测结果的数量，为初始预测模型的预测结果；/>代表模拟仿真的数据。
7.根据权利要求5所述的方法，其中，所述初始化斑马优化算法中的参数通过以下公式进行：
；
其中，为第/>只斑马对第/>个优化问题变量的值，/>为寻优过程的下界，/>是寻优过程中的上界，/>是区间/>内的一个随机数。
8.根据权利要求5所述的方法，其中，所述通过斑马优化算法对所述初始预测模型的连接权重以及偏置进行迭代优化，将连接权重和偏置作为斑马优化算法的候选解，通过预先设置的适应度函数计算候选解的适应度，选择适应度最高的候选解作领头马，继续迭代更新领头斑马的位置，包括：
根据问题维度大小，建立斑马种群矩阵：
；
其中，为第/>只斑马，/>为第/>只斑马对提出的第/>个问题变量的值，/>为种群的成员数，/>为决策变量的数量；
对每个斑马的适应度进行评估，斑马的目标函数值用以下公式指定为一个向量的形式：
；
其中，是目标函数值的向量，/>表示的是第/>个斑马所得到的目标函数值；
根据野生斑马的行为模式进行两个阶段的更新；
在第一个阶段，根据斑马搜寻食物的行为方式对种群成员的位置信息进行更新：
；
；
其中，是第/>匹斑马在第一阶段时的新状态，维度为/>，/>是它的目标函数的值，/>代表的是先锋斑马，代表种群中最好的成员，/>是/>维的，/>代表的是区间/>内的一个随机数，/>，其中/>代表/>内的一个随机数，，若/>，代表种群移动的变化将会很大；
在第二个阶段，根据野生斑马面对不同捕食者所采取的不同策略进行更新，当斑马受到大型捕食者攻击时，斑马群会在其位置附近逃离捕食者的攻击，通过公式模式进行移动：
当斑马面对体型较小的捕食者攻击时，种群中的其他斑马会朝向被攻击的斑马进行移动，组成一种防御结构来迷惑和恐吓捕食者，通过公式/>模式进行移动：
通过以下公式对位置信息进行更新：
；
其中，代表第/>匹斑马在第二阶段的新位置信息，是/>维数据，/>代表所对应的目标函数值，/>代表算法的目前迭代次数，/>代表算法的最大迭代次数，/>是一个数值为0.01的常数，/>代表的是在这两种策略中选择其中一种的概率，值在/>之间，/>是被攻击斑马的位置信息，是一个/>维数据。
9.根据权利要求1-8中任一项所述的方法，其中，所述根据所述疏散能力预测模型的输出确定表征所述目标疏散平台疏散能力的数值，包括：
将输出的乘客从疏散平台疏散所用时间数据通过以下公式线性归一化映射到区间之间：
；
其中，代表归一化后的时间数据，/>代表原始时间数据；
将输出的最大人群密度通过以下公式线性归一化映射到区间之间：
；
其中，代表归一化后的人群密度数据；/>代表原始人群密度数据；
通过以下公式计算表征所述目标疏散平台疏散能力的数值：
；
其中，代表在第/>个仿真条件下评估函数的值，/>代表第/>个仿真条件下预测时间归一化后的数值，/>代表第/>个仿真条件下最大人群密度归一化后的数值，/>与/>是区间上的随机数，且/>。
10.一种疏散平台疏散能力的预测装置，包括：
获取单元，被配置成获取目标疏散平台的列车信息、乘客信息、构造信息以及环境信息；
预测单元，被配置成将所获取的列车信息、乘客信息、构造信息以及环境信息输入至预先训练的疏散能力预测模型，其中，所述疏散能力预测模型用于表征疏散平台的列车信息、乘客信息、构造信息以及环境信息与乘客从疏散平台疏散所用时间和/或疏散平台的最大人群密度之间的对应关系；
确定单元，被配置成根据所述疏散能力预测模型的输出确定表征所述目标疏散平台疏散能力的数值。
CN202410025958.XA 2024-01-09 2024-01-09 疏散平台疏散能力的预测方法和装置 Pending CN117541083A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410025958.XA CN117541083A (zh) 2024-01-09 2024-01-09 疏散平台疏散能力的预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410025958.XA CN117541083A (zh) 2024-01-09 2024-01-09 疏散平台疏散能力的预测方法和装置

Publications (1)

Publication Number Publication Date
CN117541083A true CN117541083A (zh) 2024-02-09

Family

ID=89794173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410025958.XA Pending CN117541083A (zh) 2024-01-09 2024-01-09 疏散平台疏散能力的预测方法和装置

Country Status (1)

Country Link
CN (1) CN117541083A (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020187668A1 (en) * 2019-03-15 2020-09-24 Luxembourg Institute Of Science And Technology (List) Ship evacuation system
WO2021027139A1 (zh) * 2019-08-15 2021-02-18 平安科技（深圳）有限公司 基于小波神经网络的交通流数据预测方法和装置
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
CN114298438A (zh) * 2022-01-04 2022-04-08 青岛理工大学 多危险源下的地铁站内人员疏散仿真路径规划方法及系统
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
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
CN116362397A (zh) * 2023-03-23 2023-06-30 山东师范大学 基于深度学习的人群疏散时间预测方法及系统
CN117012315A (zh) * 2023-08-14 2023-11-07 辽宁科技大学 一种优化rbf神经网络的混凝土强度预测方法
CN117349929A (zh) * 2023-10-13 2024-01-05 中铁第四勘察设计院集团有限公司 隧道挡土结构土压力分析方法、装置、设备及存储介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020187668A1 (en) * 2019-03-15 2020-09-24 Luxembourg Institute Of Science And Technology (List) Ship evacuation system
WO2021027139A1 (zh) * 2019-08-15 2021-02-18 平安科技（深圳）有限公司 基于小波神经网络的交通流数据预测方法和装置
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
CN114298438A (zh) * 2022-01-04 2022-04-08 青岛理工大学 多危险源下的地铁站内人员疏散仿真路径规划方法及系统
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
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
CN116362397A (zh) * 2023-03-23 2023-06-30 山东师范大学 基于深度学习的人群疏散时间预测方法及系统
CN117012315A (zh) * 2023-08-14 2023-11-07 辽宁科技大学 一种优化rbf神经网络的混凝土强度预测方法
CN117349929A (zh) * 2023-10-13 2024-01-05 中铁第四勘察设计院集团有限公司 隧道挡土结构土压力分析方法、装置、设备及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
EVA TROJOVSKÁ等: "Zebra Optimization Algorithm: A New Bio-Inspired Optimization Algorithm for Solving Optimization Algorithm", 《IEEE ACCESS》, 12 May 2022 (2022-05-12) *
王付宇;王骏;: "突发事件情景下地铁站人员应急疏散问题综述", 计算机应用研究, no. 10, 7 May 2018 (2018-05-07) *
马剑;王若成;邱谦谦;: "紧急情况下城市轨道隧道客流疏散配流模型研究", 铁道学报, no. 06, 15 June 2016 (2016-06-15) *

Similar Documents

Publication Publication Date Title
KR101951595B1 (ko) 모듈형 순환 신경망 구조 기반 차량 경로 예측 시스템 및 방법
CN109583501B (zh) 图片分类、分类识别模型的生成方法、装置、设备及介质
JP7233807B2 (ja) 人工ニューラル・ネットワークにおける不確実性をシミュレートするためのコンピュータ実施方法、コンピュータ・システム、およびコンピュータ・プログラム
Majdi et al. Applying evolutionary optimization algorithms for improving fuzzy C-mean clustering performance to predict the deformation modulus of rock mass
CN116401941B (zh) 一种地铁站闸机疏散能力的预测方法
CN112561031A (zh) 基于人工智能的模型搜索方法、装置及电子设备
Sun et al. Biochemical systems identification by a random drift particle swarm optimization approach
CN114584406B (zh) 一种联邦学习的工业大数据隐私保护系统及方法
CN114510072B (zh) 基于进化迁移优化的多无人机路径规划方法、终端及介质
Bamer et al. A Monte Carlo simulation approach in non-linear structural dynamics using convolutional neural networks
Chiffard et al. Adaptive niche-based sampling to improve ability to find rare and elusive species: Simulations and field tests
CN108364098B (zh) 一种天气特征对用户签到影响的度量方法
WO2021090413A1 (ja) 制御装置、制御システム、制御方法及びプログラム
CN117541083A (zh) 疏散平台疏散能力的预测方法和装置
Testa et al. Crowdest: a method for estimating (and not simulating) crowd evacuation parameters in generic environments
CN116362397A (zh) 基于深度学习的人群疏散时间预测方法及系统
Chen et al. Fine-tuning of line and slope based on evolutionary mechanism
KR20220093798A (ko) 인공지능을 기반하는 패류 서식지 예측 시스템 및 이를 이용한 패류 서식지 예측 방법
Wang et al. Path planning model of mobile robots in the context of crowds
Zhang et al. MLLBC: A Machine Learning Toolbox for Modeling the Loss Rate of the Lining Bearing Capacity
Chen et al. A Bayesian Neural Network-Based Method to Calibrate Microscopic Traffic Simulators
CN117455553B (zh) 一种地铁站客流量预测的方法
Song et al. TINet: multi-dimensional traffic data imputation via transformer network
CN111339952B (zh) 基于人工智能的图像分类方法、装置及电子设备
CN116151128B (zh) 一种装备体系贡献率评估方法

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