CN117575109A - 水灾场景下地下车站人容量的预测方法和装置 - Google Patents
水灾场景下地下车站人容量的预测方法和装置 Download PDFInfo
- Publication number
- CN117575109A CN117575109A CN202410057268.2A CN202410057268A CN117575109A CN 117575109 A CN117575109 A CN 117575109A CN 202410057268 A CN202410057268 A CN 202410057268A CN 117575109 A CN117575109 A CN 117575109A
- Authority
- CN
- China
- Prior art keywords
- evacuation
- information
- flood
- prediction model
- carnivorous
- 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 73
- 241000191380 Byblis gigantea Species 0.000 claims description 142
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 74
- 238000004088 simulation Methods 0.000 claims description 58
- 238000004422 calculation algorithm Methods 0.000 claims description 50
- 238000012549 training Methods 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 28
- 238000013507 mapping Methods 0.000 claims description 13
- 238000009395 breeding Methods 0.000 claims description 11
- 230000001488 breeding effect Effects 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 230000001174 ascending effect Effects 0.000 claims description 7
- 230000009545 invasion Effects 0.000 claims description 7
- 238000006424 Flood reaction Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 claims description 5
- 230000000630 rising effect Effects 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 68
- 230000033458 reproduction Effects 0.000 description 19
- 244000062804 prey Species 0.000 description 17
- 241001466804 Carnivora Species 0.000 description 12
- 244000062645 predators Species 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 6
- 230000033001 locomotion Effects 0.000 description 6
- 238000003860 storage Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 235000015097 nutrients Nutrition 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 208000002720 Malnutrition Diseases 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000001071 malnutrition Effects 0.000 description 1
- 235000000824 malnutrition Nutrition 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 208000015380 nutritional deficiency disease Diseases 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000005532 trapping Effects 0.000 description 1
- 238000005303 weighing Methods 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
-
- 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
- G06Q90/00—Systems or methods specially adapted for administrative, commercial, financial, managerial or supervisory purposes, not involving significant data processing
- G06Q90/20—Destination assistance within a business structure or complex
- G06Q90/205—Building evacuation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/08—Fluids
-
- 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
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Computer Security & Cryptography (AREA)
- Pure & Applied Mathematics (AREA)
- Primary Health Care (AREA)
- Mathematical Optimization (AREA)
Abstract
本申请公开了水灾场景下地下车站人容量的预测方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:获取地下车站的列车信息、乘客信息以及水灾场景信息;将所获取的列车信息、乘客信息以及水灾场景信息输入至预先训练的疏散人数预测模型,其中,疏散人数预测模型用于表征地下车站的列车信息、乘客信息以及水灾场景信息与预设时间段内水灾场景下地下车站的疏散人数之间的对应关系;根据疏散人数预测模型的输出确定水灾场景下地下车站的人容量。该实施方式提供了一种水灾场景下地下车站人容量的预测方法,为水灾场景下的乘客疏散提供了依据,从而保证了水灾场景下地下车站内乘客的安全。
Description
技术领域
本申请实施例涉及计算机技术领域,尤其涉及水灾场景下地下车站人容量的预测方法和装置。
背景技术
地铁交通系统是城市交通非常重要的组成部分,能够在城市交通拥堵时提供高效且快速的通行服务。然而,当发生自然灾害或紧急情况时,如水灾火灾等,此时,需要紧急疏散地下车站,如地铁站内乘客,乘客可能会由于紧急疏散而出现恐慌的状态,因此快速高效的疏散站内人员到安全的地方是一项关键问题,能否准确的对人容量进行预测也是地铁安全的重要保障。
发明内容
本申请实施例提出了水灾场景下地下车站人容量的预测方法和装置。
第一方面,本申请的一些实施例提供了一种地下车站人容量的预测,该方法包括:获取地下车站的列车信息、乘客信息以及水灾场景信息;将所获取的列车信息、乘客信息以及水灾场景信息输入至预先训练的疏散人数预测模型,其中,所述疏散人数预测模型用于表征地下车站的列车信息、乘客信息以及水灾场景信息与预设时间段内水灾场景下地下车站的疏散人数之间的对应关系;根据所述疏散人数预测模型的输出确定水灾场景下所述地下车站的人容量。
在一些实施例中,所述疏散人数预测模型的训练样本数据和/或测试样本数据通过以下步骤得到:构建所述地下车站的水动力学仿真系统和乘客疏散仿真系统;基于所述水动力学仿真系统和所述乘客疏散仿真系统进行模拟得到不同列车信息、乘客信息以及水灾场景信息对应的预设时间内地下车站的疏散人数。
在一些实施例中,所述列车信息包括列车停靠信息,所述乘客信息包括特定乘客类型的比例,所述水灾场景信息包括水深和水流速度;以及所述基于所述水动力学仿真系统和所述乘客疏散仿真系统进行模拟得到不同列车信息、乘客信息以及水灾场景信息对应的预设时间内地下车站的疏散人数,包括:基于所述水动力学仿真系统,设置洪水入侵口和洪水入侵速度,仿真得到水灾场景下地下车站内的水流速度和水深更新速度;根据仿真得到的水流速度和水深更新速度确定乘客受水灾影响的行进速度;基于所述乘客疏散仿真系统,设置特定乘客类型的比例以及列车停靠信息,结合所述乘客受水灾影响的行进速度,得到预设时间段内水灾场景下地下车站的疏散人数。
在一些实施例中,所述水深更新速度通过以下公式计算:
其中,表示站厅层的水深更新速度,/>表示站厅层乘客使用空间的面积,/>表示站台层的水深更新速度,/>表示站台层乘客的使用空间面积,/>表示车站水深更新的平均速度,/>表示进水口的宽度,/>表示站台层至站厅层的疏散通道宽度,/>表示入侵单宽流量。
在一些实施例中,所述乘客受水灾影响的行进速度包括乘客在疏散开始时的速度与乘客在疏散过程中的速度,所述乘客在疏散开始时的速度通过以下公式计算:
其中,V0表示乘客在疏散开始时的速度,表示不考虑洪水影响时行人的行走速度,/>表示疏散开始时站台的积水深度;所述乘客在疏散过程中的速度通过以下公式计算:
其中,表示疏散行人在开始后t时的期望速度,/>表示行人走行速度随着积水深度上涨的线性折减系数。
在一些实施例中,所述疏散人数预测模型通过以下步骤建立:基于支持向量回归机模型建立初始预测模型;通过食肉植物算法对所述初始预测模型进行优化,得到所述疏散人数预测模型。
在一些实施例中,所述通过食肉植物算法对所述初始预测模型进行优化,得到所述疏散人数预测模型,包括:引入目标函数,利用训练数据对所述初始预测模型进行训练;初始化食肉植物和猎物种群,设置惩罚因子和方差的取值范围,利用食肉植物算法对所述初始预测模型的惩罚因子和方差进行优化,将惩罚因子和方差作为一组食肉植物算法的一组候选解,计算每个个体的适应度值,找到最优个体并作为排名第一的食肉植物,确定最优解,通过迭代计算,得到食肉植物算法的目标函数中最优值对应的候选解,并作为所述初始预测模型中的惩罚因子和方差,得到所述疏散人数预测模型。
在一些实施例中,所述目标函数表示为:
其中,为目标函数返回的预测值,为权向量,为偏置向量,为非线性映
射函数;以及所述引入目标函数,利用训练数据对所述初始预测模型进行训练,包括:基于
高斯径向基函数作为所述初始预测模型的核函数,将原始变量映射到高维特征空间,目标
函数表示为:
其中,l表示训练样本数据集,和/>为拉格朗日乘子,/>为核函数,其对应的样本/>为支持向量。
在一些实施例中,所述初始化食肉植物和猎物种群,设置惩罚因子和方差的取值范围,利用食肉植物算法对所述初始预测模型的惩罚因子和方差进行优化,将惩罚因子和方差作为一组食肉植物算法的一组候选解,计算每个个体的适应度值,找到最优个体并作为排名第一的食肉植物,确定最优解,通过迭代计算,得到食肉植物算法的目标函数中最优值对应的候选解,并作为所述初始预测模型中的惩罚因子和方差,得到所述疏散人数预测模型,包括:
步骤1:随机初始化大小为n、维度为d的种群和参数,定义组内迭代次数group_iter、吸引率attraction_rate、生长率growth_rate、繁殖率reproduction_rate、食肉植物数量nCPlant和猎物数量nPrey (nPrey > nCPlant)。
步骤2:评估每个个体的适应度值,计算n个食肉植物的初始适应度值,找到最优个体并作为排名第一的食肉植物。
步骤3:将排名前nCPlant的个体分类为食肉植物,将剩余的nPrey个个体分类为猎物,并将食肉植物和猎物进行分组,即将适合度值最高的猎物分配给排名第一的食肉植物,类似地,第二名和第三名猎物分别属于第二和第三名食肉植物,重复该过程,直到排名第nCPlant的猎物分配给排名第nCPlant的食肉植物,然后第nCPlant+1名猎物分配给第一名食肉植物。
步骤4:新的食肉植物的生长模型定义为:
其中,是排名第X的食肉植物,/>表示新的排名第X的食肉植物,Y表示第Y个种群,/>为随机选择的猎物,成长率/>为预定义的值,/>为[0,1]之间的随机数。
步骤5:在繁殖方面,只有排名第一的食肉植物,即种群中最好的解才允许繁殖,繁殖过程定义为:
其中,为最优解,/>为随机选择的食肉植物,繁殖率是预定义的用于利用的值,繁殖过程重复nCPlant次,繁殖过程中,为每个维度j都随机选择一个食肉植物v,/>为食肉植物/>与食肉植物/>的位置差。
步骤6:将新生成的食肉植物和猎物与先前的种群进行合并,新种群按照适应度值升序排序,选择排名前n的个体作为新的候选解,保证种群大小不变,进行下一代繁殖。
步骤7:重复步骤4至步骤6,直到达到预先设置的迭代次数,返回最优个体的最优解。
第二方面,本申请的一些实施例提供了一种水灾场景下地下车站人容量的预测装置,该装置包括:获取单元,被配置成获取地下车站的列车信息、乘客信息以及水灾场景信息;预测单元,被配置成将所获取的列车信息、乘客信息以及水灾场景信息输入至预先训练的疏散人数预测模型,其中,所述疏散人数预测模型用于表征地下车站的列车信息、乘客信息以及水灾场景信息与预设时间段内水灾场景下地下车站的疏散人数之间的对应关系;确定单元,被配置成根据所述疏散人数预测模型的输出确定水灾场景下所述地下车站的人容量。
在一些实施例中,所述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疏散人数预测模型的训练样本数据和/或测试样本数据:构建所述地下车站的水动力学仿真系统和乘客疏散仿真系统;基于所述水动力学仿真系统和所述乘客疏散仿真系统进行模拟得到不同列车信息、乘客信息以及水灾场景信息对应的预设时间内地下车站的疏散人数。
在一些实施例中,所述列车信息包括列车停靠信息,所述乘客信息包括特定乘客类型的比例,所述水灾场景信息包括水深和水流速度;以及所述仿真单元,进一步被配置成:基于所述水动力学仿真系统,设置洪水入侵口和洪水入侵速度,仿真得到水灾场景下地下车站内的水流速度和水深更新速度;根据仿真得到的水流速度和水深更新速度确定乘客受水灾影响的行进速度;基于所述乘客疏散仿真系统,设置特定乘客类型的比例以及列车停靠信息,结合所述乘客受水灾影响的行进速度,得到预设时间段内水灾场景下地下车站的疏散人数。
在一些实施例中,所述水深更新速度通过以下公式计算:
其中,表示站厅层的水深更新速度,/>表示站厅层乘客使用空间的面积,/>表示站台层的水深更新速度,/>表示站台层乘客的使用空间面积,/>表示车站水深更新的平均速度,/>表示进水口的宽度,/>表示站台层至站厅层的疏散通道宽度,/>表示入侵单宽流量。
在一些实施例中,所述乘客受水灾影响的行进速度包括乘客在疏散开始时的速度与乘客在疏散过程中的速度,所述乘客在疏散开始时的速度通过以下公式计算:
其中,V0表示乘客在疏散开始时的速度,表示不考虑洪水影响时行人的行走速度,/>表示疏散开始时站台的积水深度;所述乘客在疏散过程中的速度通过以下公式计算:
其中,表示疏散行人在开始后t时的期望速度,/>表示行人走行速度随着积水深度上涨的线性折减系数。
在一些实施例中,所述方法还包括模型建立单元,所述模型建立单元被配置成通过以下步骤建立疏散人数预测模型:基于支持向量回归机模型建立初始预测模型;通过食肉植物算法对所述初始预测模型进行优化,得到所述疏散人数预测模型。
在一些实施例中,所述模型建立单元进一步被配置成:引入目标函数,利用训练数据对所述初始预测模型进行训练;初始化食肉植物和猎物种群,设置惩罚因子和方差的取值范围,利用食肉植物算法对所述初始预测模型的惩罚因子和方差进行优化,将惩罚因子和方差作为一组食肉植物算法的一组候选解,计算每个个体的适应度值,找到最优个体并作为排名第一的食肉植物,确定最优解,通过迭代计算,得到食肉植物算法的目标函数中最优值对应的候选解,并作为所述初始预测模型中的惩罚因子和方差,得到所述疏散人数预测模型。
在一些实施例中,所述目标函数表示为:
其中,为目标函数返回的预测值,为权向量,为偏置向量,为非线性映
射函数;以及所述引入目标函数,利用训练数据对所述初始预测模型进行训练,包括:基于
高斯径向基函数作为所述初始预测模型的核函数,将原始变量映射到高维特征空间,目标
函数表示为:
其中,l表示训练样本数据集,和/>为拉格朗日乘子,/>为核函数,其对应的样本/>为支持向量。
在一些实施例中,所述模型建立单元进一步被配置成:
步骤1:随机初始化大小为n、维度为d的种群和参数,定义组内迭代次数group_iter、吸引率attraction_rate、生长率growth_rate、繁殖率reproduction_rate、食肉植物数量nCPlant和猎物数量nPrey (nPrey > nCPlant)。
步骤2:评估每个个体的适应度值,计算n个食肉植物的初始适应度值,找到最优个体并作为排名第一的食肉植物。
步骤3:将排名前nCPlant的个体分类为食肉植物,将剩余的nPrey个个体分类为猎物,并将食肉植物和猎物进行分组,即将适合度值最高的猎物分配给排名第一的食肉植物,类似地,第二名和第三名猎物分别属于第二和第三名食肉植物,重复该过程,直到排名第nCPlant的猎物分配给排名第nCPlant的食肉植物,然后第nCPlant+1名猎物分配给第一名食肉植物。
步骤4:新的食肉植物的生长模型定义为:
其中,是排名第X的食肉植物,/>表示新的排名第X的食肉植物,Y表示第Y个种群,/>为随机选择的猎物,成长率/>为预定义的值,/>为[0,1]之间的随机数。
步骤5:在繁殖方面,只有排名第一的食肉植物,即种群中最好的解才允许繁殖,繁殖过程定义为:
其中,为最优解,/>为随机选择的食肉植物,繁殖率是预定义的用于利用的值,繁殖过程重复nCPlant次,繁殖过程中,为每个维度j都随机选择一个食肉植物v,/>为食肉植物/>与食肉植物/>的位置差。
步骤6:将新生成的食肉植物和猎物与先前的种群进行合并,新种群按照适应度值升序排序,选择排名前n的个体作为新的候选解,保证种群大小不变,进行下一代繁殖。
步骤7:重复步骤4至步骤6,直到达到预先设置的迭代次数,返回最优个体的最优解。
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水灾场景下地下车站人容量的预测方法和装置,通过获取地下车站的列车信息、乘客信息以及水灾场景信息;将所获取的列车信息、乘客信息以及水灾场景信息输入至预先训练的疏散人数预测模型,其中,所述疏散人数预测模型用于表征地下车站的列车信息、乘客信息以及水灾场景信息与预设时间段内水灾场景下地下车站的疏散人数之间的对应关系;根据所述疏散人数预测模型的输出确定水灾场景下所述地下车站的人容量,提供了一种水灾场景下地下车站人容量的预测方法,为水灾场景下的乘客疏散提供了依据,从而保证了水灾场景下地下车站内乘客的安全。
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是根据本申请的水灾场景下地下车站人容量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无列车停靠时地下车站站台层局部示意图;
图3B是本申请实施例的一个应用场景中无列车停靠时地下车站站台层乘客疏散仿真系统的示意图;
图3C是本申请实施例的一个应用场景中列车停靠时地下车站站台层局部的示意图;
图3D是本申请实施例的一个应用场景中列车停靠时地下车站站台层乘客疏散仿真系统的示意图;
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食肉植物算法优化SVR模型的流程图;
图5是根据本申请的水灾场景下地下车站人容量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,对地下车站人容量的预测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”和“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水灾场景下地下车站人容量的预测方法或水灾场景下地下车站人容量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、终端设备102、终端设备103,网络104和服务器105。网络104用以在终端设备101、终端设备102、终端设备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等。
用户可以使用终端设备101、终端设备102、终端设备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、终端设备102、终端设备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、终端设备102、终端设备103可以是硬件,也可以是软件。当终端设备101、终端设备102、终端设备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、终端设备102、终端设备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、终端设备102、终端设备103上安装的应用提供支持的后台服务器,服务器105可以获取地下车站的列车信息、乘客信息以及水灾场景信息;将所获取的列车信息、乘客信息以及水灾场景信息输入至预先训练的疏散人数预测模型,其中,所述疏散人数预测模型用于表征地下车站的列车信息、乘客信息以及水灾场景信息与预设时间段内水灾场景下地下车站的疏散人数之间的对应关系;根据所述疏散人数预测模型的输出确定水灾场景下所述地下车站的人容量。
需要说明的是,本申请实施例所提供的水灾场景下地下车站人容量的预测方法可以由服务器105执行,也可以由终端设备101、终端设备102、终端设备103执行,相应地,水灾场景下地下车站人容量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、终端设备102、终端设备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水灾场景下地下车站人容量的预测方法的一个实施例的流程200。该水灾场景下地下车站人容量的预测方法,包括以下步骤:
步骤201,获取地下车站的列车信息、乘客信息以及水灾场景信息。
在本实施例中,水灾场景下地下车站人容量的预测方法执行主体(例如图1所示的服务器或终端)可以首先获取目标地下车站的列车信息、乘客信息以及水灾场景信息。地下车站可以是任何待预测其人容量的地下车站,例如,易发生水灾地区的地下车站,地下车站可以包括位于地下的地铁站。列车信息可以包括列车停靠信息、列车载客人数、列车时刻表等,其中,列车停靠信息可以指示地下车站内是否有列车停靠和/或停靠列车的数量。乘客信息可以包括乘客类型、乘客年龄、乘客健康程度等影响乘客移动速度的数据。水灾场景信息可以包括水深、水流速度、降水量、地下车站排水速度等可能影响乘客移动速度的数据。
步骤202,将所获取的列车信息、乘客信息以及水灾场景信息输入至预先训练的疏散人数预测模型。
在本实施例中,疏散人数预测模型用于表征地下车站的列车信息、乘客信息以及水灾场景信息与预设时间段内水灾场景下地下车站的疏散人数之间的对应关系。预设时间段可以用于表征水灾场景下地下车站内的安全时间,可以是工作人员根据经验进行设置的,例如可以设置为6分钟,也可以根据水深、水流速度、降水量等数据进行确定。
在本实施例中,可以通过训练样本训练初始模型得到疏散人数预测模型。训练样本可以是通过仿真软件进行仿真模拟得到的,可以是通过地下车站历史疏散数据得到的,还可以通过实验得到。初始预测模型可以是基于支持向量回归机模型、神经网络模型或其他深度学习模型建立的,可以通过食肉植物算法、蚁群算法、粒子群优化算法等算法进一步进行训练及调整初始预测模型得到最终的疏散人数预测模型。
在本实施例的一些可选实现方式中,疏散人数预测模型的训练样本数据和/或测试样本数据通过以下步骤得到:构建地下车站的水动力学仿真系统和乘客疏散仿真系统;基于水动力学仿真系统和乘客疏散仿真系统进行模拟得到不同列车信息、乘客信息以及水灾场景信息对应的预设时间内地下车站的疏散人数。
在本实施例的一些可选实现方式中,列车信息包括列车停靠信息,乘客信息包括特定乘客类型的比例,水灾场景信息包括水深和水流速度;以及基于水动力学仿真系统和乘客疏散仿真系统进行模拟得到不同列车信息、乘客信息以及水灾场景信息对应的预设时间内地下车站的疏散人数,包括:基于水动力学仿真系统,设置洪水入侵口和洪水入侵速度,仿真得到水灾场景下地下车站内的水流速度和水深更新速度;根据仿真得到的水流速度和水深更新速度确定乘客受水灾影响的行进速度;基于乘客疏散仿真系统,设置特定乘客类型的比例以及列车停靠信息,结合乘客受水灾影响的行进速度,得到预设时间段内水灾场景下地下车站的疏散人数。
在本实现方式中,特定乘客类型可以包括中青年乘客与非中青年乘客,还可以包括成年男性、成年女性、老人、儿童等。水流速度和水深更新速度可以根据公式计算也可以通过仿真软件进行确定。此外,若疏散时有列车停靠站台,还应考虑列车上的乘客数量,例如可以在疏散人数预测值的基础上需减去列车上的乘客数量作为地下车站的人容量。
在本实施例的一些可选实现方式中,不同时刻下水深及水的流速会影响乘客的行进速度,认为当积水深度达到预定深度,例如0.7米时乘客无法行走,速度为0,当积水深度小于0.7米时,积水深度匀速上升,乘客的行走速度线性折减,可以使用线性内插法进行计算。具体的,水深更新速度可以通过以下公式计算:
其中,表示站厅层的水深更新速度(m/s);表示站厅层乘客使用空间的面积();表示站台层的水深更新速度(m/s);表示站台层乘客的使用空间面积();表示车站
水深更新的平均速度(m/s);
表示进水口的宽度(m);表示站台层至站厅层的疏散通道宽度(m);表示入侵
单宽流量()。
在本实施例的一些可选实现方式中,乘客受水灾影响的行进速度包括乘客在疏散开始时的速度与乘客在疏散过程中的速度,乘客在疏散开始时的速度通过以下公式计算:
其中,V0表示乘客在疏散开始时的速度,表示不考虑洪水影响时行人的行走速度,/>表示疏散开始时站台的积水深度;乘客在疏散过程中的速度通过以下公式计算:
其中,表示疏散行人在开始后t时的期望速度,表示行人走行速度随着积水深
度上涨的线性折减系数()。
在本实施例的一些可选实现方式中,疏散人数预测模型通过以下步骤建立:基于支持向量回归机(Support Vector Regression,SVR)模型建立初始预测模型;通过食肉植物算法(Carnivorous Plant Algorithm,CPA)对初始预测模型进行优化,得到疏散人数预测模型。食肉植物算法(Carnivorous Plant Algorithm,CPA)是由马拉西亚的Ong KokMeng,于2020年受食肉植物如何适应恶劣环境(比如捕食昆虫和传粉繁殖)的启发而提出的,是一种用于模拟食肉植物吸引、诱捕、消化和繁殖策略的数学模型。CPA从随机初始化一组解开始,然后将解划分为食肉植物和猎物,再按生长和繁殖过程分组,进行适应度值的更新,最后将所有解合并。整个过程循环执行,直到满足终止条件。
在本实施例的一些可选实现方式中,通过食肉植物算法对初始预测模型进行优化,得到疏散人数预测模型,包括:引入目标函数,利用训练数据对初始预测模型进行训练;初始化食肉植物和猎物种群,设置惩罚因子和方差的取值范围,利用食肉植物算法对初始预测模型的惩罚因子和方差进行优化,将惩罚因子和方差作为一组食肉植物算法的一组候选解,计算每个个体的适应度值,找到最优个体并作为排名第一的食肉植物,确定最优解,通过迭代计算,得到食肉植物算法的目标函数中最优值对应的候选解,并作为初始预测模型中的惩罚因子和方差,得到疏散人数预测模型。
在本实施例的一些可选实现方式中,目标函数表示为:
其中,为目标函数返回的预测值,为权向量,为偏置向量,为非线性映
射函数;以及引入目标函数,利用训练数据对初始预测模型进行训练,包括:基于高斯径向
基函数(Radial Basis Function,RBF)作为初始预测模型的核函数,将原始变量映射到高
维特征空间,目标函数表示为:
其中,l表示训练样本数据集,和/>为拉格朗日乘子,/>为核函数,其对应的样本/>为支持向量。
在本实施例的一些可选实现方式中,初始化食肉植物和猎物种群,设置惩罚因子和方差的取值范围,利用食肉植物算法对初始预测模型的惩罚因子和方差进行优化,将惩罚因子和方差作为一组食肉植物算法的一组候选解,计算每个个体的适应度值,找到最优个体并作为排名第一的食肉植物,确定最优解,通过迭代计算,得到食肉植物算法的目标函数中最优值对应的候选解,并作为初始预测模型中的惩罚因子和方差,得到疏散人数预测模型,包括:
步骤1:随机初始化大小为n、维度为d的种群和参数,定义组内迭代次数group_iter、吸引率attraction_rate、生长率growth_rate、繁殖率reproduction_rate、食肉植物数量nCPlant和猎物数量nPrey (nPrey > nCPlant)。
步骤2:评估每个个体的适应度值,计算n个食肉植物的初始适应度值,找到最优个体并作为排名第一的食肉植物。
步骤3:将排名前nCPlant的个体分类为食肉植物,将剩余的nPrey个个体分类为猎物,并将食肉植物和猎物进行分组,即将适合度值最高的猎物分配给排名第一的食肉植物,类似地,第二名和第三名猎物分别属于第二和第三名食肉植物,重复该过程,直到排名第nCPlant的猎物分配给排名第nCPlant的食肉植物,然后第nCPlant+1名猎物分配给第一名食肉植物。
步骤4:新的食肉植物的生长模型定义为:
其中,是排名第X的食肉植物,/>表示新的排名第X的食肉植物,Y表示第Y个种群,/>为随机选择的猎物,成长率/>为预定义的值,/>为[0,1]之间的随机数。
步骤5:在繁殖方面,只有排名第一的食肉植物,即种群中最好的解才允许繁殖,繁殖过程定义为:
其中,为最优解,/>为随机选择的食肉植物,繁殖率是预定义的用于利用的值,繁殖过程重复nCPlant次,繁殖过程中,为每个维度j都随机选择一个食肉植物v,/>为食肉植物/>与食肉植物/>的位置差。
步骤6:将新生成的食肉植物和猎物与先前的种群进行合并,新种群按照适应度值升序排序,选择排名前n的个体作为新的候选解,保证种群大小不变,进行下一代繁殖。
步骤7:重复步骤4至步骤6,直到达到预先设置的迭代次数,返回最优个体的最优解。
步骤203,根据疏散人数预测模型的输出确定水灾场景下地下车站的人容量。
在本实施例中,可以直接将预设时间段内水灾场景下地下车站的疏散人数确定为水灾场景下地下车站的人容量,也可以通过设置比例实现一定的冗余,例如,可以将预设时间段内水灾场景下地下车站的疏散人数的百分之九十确定为水灾场景下地下车站的人容量。
本申请的上述实施例提供的方法通过获取地下车站的列车信息、乘客信息以及水灾场景信息;将所获取的列车信息、乘客信息以及水灾场景信息输入至预先训练的疏散人数预测模型,其中,所述疏散人数预测模型用于表征地下车站的列车信息、乘客信息以及水灾场景信息与预设时间段内水灾场景下地下车站的疏散人数之间的对应关系;根据所述疏散人数预测模型的输出确定水灾场景下所述地下车站的人容量,提供了一种水灾场景下地下车站人容量的预测方法,为水灾场景下的乘客疏散提供了依据,从而保证了水灾场景下地下车站内乘客的安全。
继续参见图4A,图4A示出了是本申请实施例的一个应用场景中预测方法的流程图,包括:
S101:构建地下车站水动力学仿真系统和乘客疏散仿真系统;
对应地下车站实地场景,可以构建地下车站水动力学仿真系统和乘客疏散仿真系统。作为示例,可以根据地下车站的CAD图纸或其他构造信息,基于fluent等仿真软件软件搭建地下车站水动力学仿真系统,获取地下车站内不同时刻洪水演进的速度和深度参数,并利用pathfinder等仿真软件软件构建乘客疏散仿真系统,pathfinder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,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pathfinder,对应实地场景,通过FloorCreation/Sorting模块进行模型搭建,对站台站厅层进行建模,通过Occupants模块进行行人活动事件设置,对个体人物属性进行设置,通过Simulatoion模块进行行人运动仿真模拟得到疏散开始后最大时间阈值可疏散的最大乘客数量。作为示例,图3A-图3D所示为基于pathfinder搭建的乘客疏散仿真系统。
S102:模拟不同水灾场景、不同客流数据、列车停靠情况下乘客的疏散运动,得到基础数据集,并将其随机分为训练集和测试集两部分;
如图3A-图3D所示,在仿真系统中,将模拟个体放入仿真场景中,多次改变中青年乘客比例、改变水深及流速、改变有无列车停靠的情况,可以得到多组不同客流特征、水深、流速、有无列车停靠情况下可在最大时间阈值内安全疏散的乘客数量,即训练集和测试集。
S103:构建预测模型,使用食肉植物算法对预测模型进行优化,利用步骤S102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。
所述食肉植物算法,支持向量回归机模型是支持向量机(support vectormachine,SVM)对回归问题的一种应用,引入的核函数选择能够实现非线性映射的高斯径向基函数,其中,支持向量回归机模型受惩罚因子c与方差g的影响较大,惩罚参数c用于权衡损失的权重,核函数中的方差g影响核函数的径向作用范围,决定训练样本数据的范围和分布特性。因此,如果参数选取不当,将会导致SVR模型的过学习或欠学习现象。为此,引入食肉植物算法对支持向量回归模型参数进行优化,以保证水灾场景下地下车站乘客安全疏散人数的准确性,从而得到准确的最大人容量的预测模型。
进一步的,图4B中,y=wx+b为SVR模型中超平面的数学表达,ε表示样本到超平面的垂直距离,ξ和ξ*表示误差,x表示样本,y表示样本的标签。参考图4B食肉植物算法优化SVR模型的流程图,对食肉植物算法优化的该支持向量回归机模型进行训练,具体可以包括:
(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预测模型输入输出数量,输入特征可以包括中青年乘客比例、水深、流速、有无列车停靠,输出特征是可在最大时间阈值内安全疏散的人数,即最大人容量。
(3)引入目标函数,利用训练集对预测模型进行训练,引入惩罚因子c、方差g、核函
数,预测模型的学习目标函数可以表示为:
其中,为回归函数返回的预测值,为权向量,为偏置向量,为非线性映
射函数。
对预测模型进行训练可以包括:利用非线性变化将原始变量映射到高维特征空
间,核函数的引入,核函数类型的选取会直接影响预测结果,且核函数系数的选取具有较
高的灵活性,故选择能够实现非线性映射的高斯径向基函数作为SVR的核函数:
根据核函数的选取及核函数系数的确定,线性回归函数可以表示为:
其中,l表示训练样本数据集,和为Language乘子,为核函数,其
对应的样本为支持向量。
(4)初始化食肉植物和猎物种群,设置惩罚因子c和方差g的取值范围。
(5)利用食肉植物算法对预测模型的惩罚因子c、方差g进行优化,重构预测算法,将惩罚因子c和方差g作为一组食肉植物算法的一组候选解,计算每个个体的适应度值,找到最优个体并作为排名第一的食肉植物,确定最优解。
CPA从随机初始化一组解开始,然后将解划分为食肉植物和猎物,再按生长和繁殖过程分组,进行适应度值的更新,最后将所有解合并,整个过程循环执行,直到满足终止条件。
首先需要初始化待求解问题的可能解,即在湿地中随机初始化nCplant食肉植物和nPrey个猎物个体,每个个体的位置由以下矩阵表示:
(1)
其中,pop代表每个个体的位置,d为维度,即变量个数,n为nCPlant和nPrey的总和,每个个体使用下式进行随机初始化:
(2)
其中,Lb和Ub分别为搜索域的下界和上界,即自变量的最小值和最大值,i∈[1,2,...,n], j∈[1,2,...,d], rand为 [0,1]之间的随机数。
对于第i个个体,通过将每一行(即所有维度)作为适应度函数的输入来评估适应度值,计算得到的适应度值存储在以下矩阵中:
(3)
分类和分组,接下来,式(1)中的每个个体按照其适应度值升序排序(考虑最小化问题),那么排在最前面的nCPlant个解就作为食肉植物CP,而剩余的nPrey个解就是猎物Prey,排序后的适应度值和种群可通过式(4)和式(5)表达:
(4)
(5)
分组的过程主要是用于模拟每个食肉植物及其猎物的环境,在分组过程中,将适合度值最高的猎物分配给排名第一的食肉植物,类似地,第二名和第三名猎物分别属于第二和第三名食肉植物。重复该过程,直到排名第nCPlant的猎物分配给排名第nCPlant的食肉植物,然后第nCPlant+1名猎物分配给第1名食肉植物(默认猎物多于食肉植物的)。
成长(探索),由于土壤营养不良,食肉植物会吸引、诱捕和消化猎物来生长。这种植物的香味能引诱猎物,但猎物也能偶尔成功地从食肉植物的魔爪中逃脱,所以可以引入吸引率。
每一种群都随机选择一个猎物,如果吸引率高于随机生成的数字,食肉植物就会捕获猎物并消化来生长。新的食肉植物的生长模型为:
(6)
(7)
其中,是排名第i的食肉植物,为随机选择的猎物,成长率growth_rate为
预定义的值,rand为[0,1]之间的随机数。在CPA中,每一个种群内部只有一个食肉植物,而
猎物的数量必须多于两个。大多数情况下,CPA的吸引率设置为0.8。
另一方面,如果吸引率低于产生的随机值,则猎物设法逃脱陷阱并继续生长,数学上表示为:
(8)
(9)
其中,是第Y个种群中随机选择的另一个猎物。食肉植物和猎物的生产过程都
将持续group_iter代。
式(6)和(8)可以用于将新的解向高质量解空间方向指引,同时为了保证在猎物生
长过程中起到类似的作用,引入了式(9),因为随机选择的可能劣于。算法的探索
过程受生长率的影响,生长率越高,探索范围越大,错失全局最优解的可能性也越大。因此,
需要选择一个合适的生长率。
食肉植物吸收猎物的营养,并利用这些营养生长和繁殖。在繁殖方面,只有排名第一的食肉植物,即种群中最好的解才允许繁殖,繁殖过程定义为式(10)和(11)。这是为了确保CPA的利用只关注最优解,从而避免对其他解进行不必要的利用,节省计算成本。
(10)
(11)
其中,为最优解,为随机选择的食肉植物,繁殖率是预定义的用于利用的
值。繁殖过程重复nCPlant次。繁殖过程中,为每个维度j都随机选择一个食肉植物v,
为食肉植物与食肉植物的位置差。
将新生成的食肉植物和猎物于先前的种群进行合并,新种群按照适应度值升序排序,选择排名前n的个体作为新的候选解,保证种群大小不变。这种选择策略保证了选择更优的解用于下一代的繁殖,重复整个分类、分组、生长和繁殖的过程,直到达到终止停止准则。
(6)通过迭代计算,得到食肉植物算法的目标函数中最优值对应的候选解,并作为该支持向量回归机预测模型中的惩罚因子c和方差g,完成模型的训练。
S104:向步骤103得到的训练完成的模型中输入测试集中中青年乘客比例 、水深、流速、有无列车停靠,得到水灾发生时可在最大时间阈值内安全疏散人数的预测值,即最大人容量,得到可用于预测水灾场景下地下车站人容量的预测模型。
进一步参考图5,作为对上述各图所示方法的实现,本申请提供了一种水灾场景下地下车站人容量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,本实施例的水灾场景下地下车站人容量的预测装置500包括:获取单元501、预测单元502、确定单元503。其中,获取单元,被配置成获取地下车站的列车信息、乘客信息以及水灾场景信息;预测单元,被配置成将所获取的列车信息、乘客信息以及水灾场景信息输入至预先训练的疏散人数预测模型,其中,疏散人数预测模型用于表征地下车站的列车信息、乘客信息以及水灾场景信息与预设时间段内水灾场景下地下车站的疏散人数之间的对应关系;确定单元,被配置成根据疏散人数预测模型的输出确定水灾场景下地下车站的人容量。
在本实施例中,水灾场景下地下车站人容量的预测装置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疏散人数预测模型的训练样本数据和/或测试样本数据:构建地下车站的水动力学仿真系统和乘客疏散仿真系统;基于水动力学仿真系统和乘客疏散仿真系统进行模拟得到不同列车信息、乘客信息以及水灾场景信息对应的预设时间内地下车站的疏散人数。
在本实施例的一些可选实现方式中,列车信息包括列车停靠信息,乘客信息包括特定乘客类型的比例,水灾场景信息包括水深和水流速度;以及仿真单元,进一步被配置成:基于水动力学仿真系统,设置洪水入侵口和洪水入侵速度,仿真得到水灾场景下地下车站内的水流速度和水深更新速度;根据仿真得到的水流速度和水深更新速度确定乘客受水灾影响的行进速度;基于乘客疏散仿真系统,设置特定乘客类型的比例以及列车停靠信息,结合乘客受水灾影响的行进速度,得到预设时间段内水灾场景下地下车站的疏散人数。
在本实施例的一些可选实现方式中,水深更新速度通过以下公式计算:
其中,表示站厅层的水深更新速度,/>表示站厅层乘客使用空间的面积,/>表示站台层的水深更新速度,/>表示站台层乘客的使用空间面积,/>表示车站水深更新的平均速度,/>表示进水口的宽度,/>表示站台层至站厅层的疏散通道宽度,/>表示入侵单宽流量。
在本实施例的一些可选实现方式中,乘客受水灾影响的行进速度包括乘客在疏散开始时的速度与乘客在疏散过程中的速度,乘客在疏散开始时的速度通过以下公式计算:
其中,V0表示乘客在疏散开始时的速度,表示不考虑洪水影响时行人的行走速度,/>表示疏散开始时站台的积水深度;乘客在疏散过程中的速度通过以下公式计算:/>
其中,表示疏散行人在开始后t时的期望速度,/>表示行人走行速度随着积水深度上涨的线性折减系数。
在本实施例的一些可选实现方式中,方法还包括模型建立单元,模型建立单元被配置成通过以下步骤建立疏散人数预测模型:基于支持向量回归机模型建立初始预测模型;通过食肉植物算法对初始预测模型进行优化,得到疏散人数预测模型。
在本实施例的一些可选实现方式中,模型建立单元进一步被配置成:引入目标函数,利用训练数据对初始预测模型进行训练;初始化食肉植物和猎物种群,设置惩罚因子和方差的取值范围,利用食肉植物算法对初始预测模型的惩罚因子和方差进行优化,将惩罚因子和方差作为一组食肉植物算法的一组候选解,计算每个个体的适应度值,找到最优个体并作为排名第一的食肉植物,确定最优解,通过迭代计算,得到食肉植物算法的目标函数中最优值对应的候选解,并作为初始预测模型中的惩罚因子和方差,得到疏散人数预测模型。
在本实施例的一些可选实现方式中,目标函数表示为:
其中,为目标函数返回的预测值,为权向量,为偏置向量,为非线性映
射函数;以及引入目标函数,利用训练数据对初始预测模型进行训练,包括:基于高斯径向
基函数作为初始预测模型的核函数,将原始变量映射到高维特征空间,目标函数表示为:
其中,l表示训练样本数据集,和/>为拉格朗日乘子,/>为核函数,其对应的样本/>为支持向量。
在本实施例的一些可选实现方式中,模型建立单元进一步被配置成:
步骤1:随机初始化大小为n、维度为d的种群和参数,定义组内迭代次数group_iter、吸引率attraction_rate、生长率growth_rate、繁殖率reproduction_rate、食肉植物数量nCPlant和猎物数量nPrey (nPrey > nCPlant)。
步骤2:评估每个个体的适应度值,计算n个食肉植物的初始适应度值,找到最优个体并作为排名第一的食肉植物。
步骤3:将排名前nCPlant的个体分类为食肉植物,将剩余的nPrey个个体分类为猎物,并将食肉植物和猎物进行分组,即将适合度值最高的猎物分配给排名第一的食肉植物,类似地,第二名和第三名猎物分别属于第二和第三名食肉植物,重复该过程,直到排名第nCPlant的猎物分配给排名第nCPlant的食肉植物,然后第nCPlant+1名猎物分配给第一名食肉植物。
步骤4:新的食肉植物的生长模型定义为:
/>
其中,是排名第X的食肉植物,/>表示新的排名第X的食肉植物,Y表示第Y个种群,/>为随机选择的猎物,成长率/>为预定义的值,/>为[0,1]之间的随机数。
步骤5:在繁殖方面,只有排名第一的食肉植物,即种群中最好的解才允许繁殖,繁殖过程定义为:
其中,为最优解,/>为随机选择的食肉植物,繁殖率是预定义的用于利用的值,繁殖过程重复nCPlant次,繁殖过程中,为每个维度j都随机选择一个食肉植物v,/>为食肉植物/>与食肉植物/>的位置差。
步骤6:将新生成的食肉植物和猎物与先前的种群进行合并,新种群按照适应度值升序排序,选择排名前n的个体作为新的候选解,保证种群大小不变,进行下一代繁殖。
步骤7:重复步骤4至步骤6,直到达到预先设置的迭代次数,返回最优个体的最优解。
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“被配置成获取地下车站的列车信息、乘客信息以及水灾场景信息的单元”。
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:获取地下车站的列车信息、乘客信息以及水灾场景信息;将所获取的列车信息、乘客信息以及水灾场景信息输入至预先训练的疏散人数预测模型,其中,所述疏散人数预测模型用于表征地下车站的列车信息、乘客信息以及水灾场景信息与预设时间段内水灾场景下地下车站的疏散人数之间的对应关系;根据所述疏散人数预测模型的输出确定水灾场景下所述地下车站的人容量。
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)
1.一种水灾场景下地下车站人容量的预测方法,其特征在于,包括:
获取地下车站的列车信息、乘客信息以及水灾场景信息;
将所获取的列车信息、乘客信息以及水灾场景信息输入至预先训练的疏散人数预测模型,其中,所述疏散人数预测模型用于表征地下车站的列车信息、乘客信息以及水灾场景信息与预设时间段内水灾场景下地下车站的疏散人数之间的对应关系;
根据所述疏散人数预测模型的输出确定水灾场景下所述地下车站的人容量。
2.根据权利要求1所述的方法,其特征在于,所述疏散人数预测模型的训练样本数据和/或测试样本数据通过以下步骤得到:
构建所述地下车站的水动力学仿真系统和乘客疏散仿真系统;
基于所述水动力学仿真系统和所述乘客疏散仿真系统进行模拟得到不同列车信息、乘客信息以及水灾场景信息对应的预设时间内地下车站的疏散人数。
3.根据权利要求2所述的方法,其特征在于,所述列车信息包括列车停靠信息,所述乘客信息包括预设乘客类型的比例,所述水灾场景信息包括水深和水流速度;以及所述基于所述水动力学仿真系统和所述乘客疏散仿真系统进行模拟得到不同列车信息、乘客信息以及水灾场景信息对应的预设时间内地下车站的疏散人数,包括:
基于所述水动力学仿真系统,设置洪水入侵口和洪水入侵速度,仿真得到水灾场景下地下车站内的水流速度和水深更新速度;
根据仿真得到的水流速度和水深更新速度确定乘客受水灾影响的行进速度;
基于所述乘客疏散仿真系统,设置预设乘客类型的比例以及列车停靠信息,结合所述乘客受水灾影响的行进速度,得到预设时间段内水灾场景下地下车站的疏散人数。
4.根据权利要求3所述的方法,其特征在于,所述水深更新速度通过以下公式计算:
;
;
;
其中,表示站厅层的水深更新速度,/>表示站厅层乘客使用空间的面积,/>表示站台层的水深更新速度,/>表示站台层乘客的使用空间面积,/>表示车站水深更新的平均速度,/>表示进水口的宽度,/>表示站台层至站厅层的疏散通道宽度,/>表示入侵单宽流量。
5.根据权利要求4所述的方法,其特征在于,所述乘客受水灾影响的行进速度包括乘客在疏散开始时的速度与乘客在疏散过程中的速度,所述乘客在疏散开始时的速度通过以下公式计算:
;
其中,V0表示乘客在疏散开始时的速度,表示不考虑洪水影响时行人的行走速度,/>表示疏散开始时站台的积水深度;
所述乘客在疏散过程中的速度通过以下公式计算:
;
;
其中,表示疏散行人在开始后t时的期望速度,/>表示行人走行速度随着积水深度上涨的线性折减系数。
6.根据权利要求1-5中任一项所述的方法,其特征在于,所述疏散人数预测模型通过以下步骤建立:
基于支持向量回归机模型建立初始预测模型;
通过食肉植物算法对所述初始预测模型进行优化,得到所述疏散人数预测模型。
7.根据权利要求6所述的方法,其特征在于,所述通过食肉植物算法对所述初始预测模型进行优化,得到所述疏散人数预测模型,包括:
引入目标函数,利用训练数据对所述初始预测模型进行训练;
初始化食肉植物和猎物种群,设置惩罚因子和方差的取值范围,利用食肉植物算法对所述初始预测模型的惩罚因子和方差进行优化,将惩罚因子和方差作为一组食肉植物算法的一组候选解,计算每个个体的适应度值,找到最优个体并作为排名第一的食肉植物,确定最优解,通过迭代计算,得到食肉植物算法的目标函数中最优值对应的候选解,并作为所述初始预测模型中的惩罚因子和方差,得到所述疏散人数预测模型。
8.根据权利要求7所述的方法,其特征在于,所述目标函数表示为:
;
其中,为目标函数返回的预测值,/>为权向量,/>为偏置向量,/>为非线性映射函数;以及所述引入目标函数,利用训练数据对所述初始预测模型进行训练,包括:
基于高斯径向基函数作为所述初始预测模型的核函数,将原始变量映射到高维特征空间,目标函数表示为:
;
其中,l表示训练样本数据集,和/>为拉格朗日乘子,/>为核函数,其对应的样本/>为支持向量。
9.根据权利要求7所述的方法,其特征在于,所述初始化食肉植物和猎物种群,设置惩罚因子和方差的取值范围,利用食肉植物算法对所述初始预测模型的惩罚因子和方差进行优化,将惩罚因子和方差作为一组食肉植物算法的一组候选解,计算每个个体的适应度值,找到最优个体并作为排名第一的食肉植物,确定最优解,通过迭代计算,得到食肉植物算法的目标函数中最优值对应的候选解,并作为所述初始预测模型中的惩罚因子和方差,得到所述疏散人数预测模型,包括:
步骤1:随机初始化大小为n、维度为d的种群和参数,定义组内迭代次数group_iter、吸引率attraction_rate、生长率growth_rate、繁殖率reproduction_rate、食肉植物数量nCPlant和猎物数量nPrey (nPrey > nCPlant);
步骤2:评估每个个体的适应度值,计算n个食肉植物的初始适应度值,找到最优个体并作为排名第一的食肉植物;
步骤3:将排名前nCPlant的个体分类为食肉植物,将剩余的nPrey个个体分类为猎物,并将食肉植物和猎物进行分组,即将适合度值最高的猎物分配给排名第一的食肉植物,第二名和第三名猎物分别属于第二和第三名食肉植物,重复该过程,直到排名第nCPlant的猎物分配给排名第nCPlant的食肉植物,然后第nCPlant+1名猎物分配给第一名食肉植物;
步骤4:新的食肉植物的生长模型定义为:
;
;
其中,是排名第X的食肉植物,/>表示新的排名第X的食肉植物,Y表示第Y个种群,/>为随机选择的猎物,成长率/>为预定义的值,/>为[0,1]之间的随机数;
步骤5:在繁殖方面,只有排名第一的食肉植物,即种群中最优解才允许繁殖,繁殖过程定义为:
;
;
其中,为最优解,/>为随机选择的食肉植物,繁殖率是预定义的用于利用的值,繁殖过程重复nCPlant次,繁殖过程中,为每个维度j都随机选择一个食肉植物v,/>为食肉植物/>与食肉植物/>的位置差;
步骤6:将新生成的食肉植物和猎物与先前的种群进行合并,新种群按照适应度值升序排序,选择排名前n的个体作为新的候选解,保证种群大小不变,进行下一代繁殖;
步骤7:重复步骤4至步骤6,直到达到预先设置的迭代次数,返回最优个体的最优解。
10.一种水灾场景下地下车站人容量的预测装置,包括:
获取单元,被配置成获取地下车站的列车信息、乘客信息以及水灾场景信息;
预测单元,被配置成将所获取的列车信息、乘客信息以及水灾场景信息输入至预先训练的疏散人数预测模型,其中,所述疏散人数预测模型用于表征地下车站的列车信息、乘客信息以及水灾场景信息与预设时间段内水灾场景下地下车站的疏散人数之间的对应关系;
确定单元,被配置成根据所述疏散人数预测模型的输出确定水灾场景下所述地下车站的人容量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410057268.2A CN117575109B (zh) | 2024-01-16 | 2024-01-16 | 水灾场景下地下车站人容量的预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410057268.2A CN117575109B (zh) | 2024-01-16 | 2024-01-16 | 水灾场景下地下车站人容量的预测方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117575109A true CN117575109A (zh) | 2024-02-20 |
CN117575109B CN117575109B (zh) | 2024-05-28 |
Family
ID=89862746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410057268.2A Active CN117575109B (zh) | 2024-01-16 | 2024-01-16 | 水灾场景下地下车站人容量的预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117575109B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2755173A1 (en) * | 2013-01-10 | 2014-07-16 | Fujitsu Limited | Computer-implemented method, program and apparatus for coupling flooding simulation and evacuation simulation in a populated area |
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 |
CN109598076A (zh) * | 2018-12-10 | 2019-04-09 | 北京交通大学 | 一种城市轨道交通应急疏散仿真系统及方法 |
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 |
CN113988408A (zh) * | 2021-10-27 | 2022-01-28 | 青岛理工大学 | 基于多目标规划的地铁站内客流疏散人工诱导方法 |
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 |
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 |
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 |
CN116542408A (zh) * | 2023-03-27 | 2023-08-04 | 青岛理工大学 | 毒气泄漏情况下地下交通设施内乘客疏散路径规划方法 |
-
2024
- 2024-01-16 CN CN202410057268.2A patent/CN117575109B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2755173A1 (en) * | 2013-01-10 | 2014-07-16 | Fujitsu Limited | Computer-implemented method, program and apparatus for coupling flooding simulation and evacuation simulation in a populated area |
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 |
CN109598076A (zh) * | 2018-12-10 | 2019-04-09 | 北京交通大学 | 一种城市轨道交通应急疏散仿真系统及方法 |
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 |
CN113988408A (zh) * | 2021-10-27 | 2022-01-28 | 青岛理工大学 | 基于多目标规划的地铁站内客流疏散人工诱导方法 |
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 |
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 |
CN116542408A (zh) * | 2023-03-27 | 2023-08-04 | 青岛理工大学 | 毒气泄漏情况下地下交通设施内乘客疏散路径规划方法 |
Non-Patent Citations (1)
Title |
---|
吴建松;许声弟;张辉;: "城市地下空间水灾试验与数值模拟研究综述", 中国安全科学学报, no. 09, 15 September 2016 (2016-09-15), pages 5 - 10 * |
Also Published As
Publication number | Publication date |
---|---|
CN117575109B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11714937B2 (en) | Estimating physical parameters of a physical system based on a spatial-temporal emulator | |
US11966670B2 (en) | Method and system for predicting wildfire hazard and spread at multiple time scales | |
CN109583501B (zh) | 图片分类、分类识别模型的生成方法、装置、设备及介质 | |
US20210319363A1 (en) | Method and system for generating annotated training data | |
US11720727B2 (en) | Method and system for increasing the resolution of physical gridded data | |
Cao et al. | A bat-inspired approach to define transition rules for a cellular automaton model used to simulate urban expansion | |
ter Braak et al. | Improved Bayesian analysis of metapopulation data with an application to a tree frog metapopulation | |
EP2788924A2 (en) | Particle methods for nonlinear control | |
Cholissodin et al. | Prediction of rainfall using improved deep learning with particle swarm optimization | |
CN116306902A (zh) | 时序数据环境分析及决策方法、装置、设备及存储介质 | |
Anitha et al. | Convolution Neural Network and Auto-encoder Hybrid Scheme for Automatic Colorization of Grayscale Images | |
CN117575109B (zh) | 水灾场景下地下车站人容量的预测方法和装置 | |
CN116595356B (zh) | 时序信号预测方法、装置、电子设备及存储介质 | |
CN110489435B (zh) | 基于人工智能的数据处理方法、装置、及电子设备 | |
CN116168267A (zh) | 一种多任务神经网络模型的训练方法、装置、设备及介质 | |
CN116106909A (zh) | 一种雷达回波外推方法、系统及存储介质 | |
CN114723989A (zh) | 多任务学习方法、装置及电子设备 | |
CN115587217A (zh) | 一种多终端视频检测模型在线重训练方法 | |
CN114548382A (zh) | 迁移训练方法、装置、设备、存储介质及程序产品 | |
Paine et al. | Short‐range dispersal maintains a volatile marine metapopulation: the brown alga Postelsia palmaeformis | |
Morales et al. | A general approach to model movement in (highly) fragmented patch networks | |
Anuradha et al. | Hybrid Model for Rainfall Prediction with Statistical and Technical Indicator Feature Set | |
CN117541083B (zh) | 疏散平台疏散能力的预测方法和装置 | |
CN118070982A (zh) | 一种水灾场景下车站乘客楼扶梯选择的预测方法和装置 | |
Topa et al. | eVolutus: a new platform for evolutionary experiments |
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 |