CN117831254A - 基于数字孪生的踩踏事故预警方法、装置、设备及介质 - Google Patents
基于数字孪生的踩踏事故预警方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117831254A CN117831254A CN202410251174.9A CN202410251174A CN117831254A CN 117831254 A CN117831254 A CN 117831254A CN 202410251174 A CN202410251174 A CN 202410251174A CN 117831254 A CN117831254 A CN 117831254A
- Authority
- CN
- China
- Prior art keywords
- real
- data
- crowd density
- time
- crowd
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000002776 aggregation Effects 0.000 claims abstract description 45
- 238000004220 aggregation Methods 0.000 claims abstract description 45
- 238000011161 development Methods 0.000 claims abstract description 38
- 238000012876 topography Methods 0.000 claims abstract description 19
- 238000012937 correction Methods 0.000 claims description 36
- 230000008859 change Effects 0.000 claims description 16
- 238000012544 monitoring process Methods 0.000 claims description 13
- 230000000007 visual effect Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 230000002093 peripheral effect Effects 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 16
- 238000004422 calculation algorithm Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 9
- 230000008878 coupling Effects 0.000 abstract 1
- 238000010168 coupling process Methods 0.000 abstract 1
- 238000005859 coupling reaction Methods 0.000 abstract 1
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 238000011282 treatment Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Abstract
本发明在安全技术领域公开了一种基于数字孪生的踩踏事故预警方法、装置、设备及可读存储介质，该方法包括：获取目标区域的实时数据；基于实时数据建立人群密度的数字孪生模型，并利用数字孪生模型模拟出目标区域内的人员实时分布数据；对实时数据进行预测，得到人群密度发展曲线和预测聚集区域；根据人员实时分布数据、人群密度发展曲线和预测聚集区域，获取当前和/或未来的人群密度报告；通过比对人群密度报告和基于实时数据确定的当前告警阈值，进行踩踏事故预警。本发明的技术效果：耦合数字孪生技术和预测算法，获取人群密度报告并结合当前告警预警进行踩踏事故预警。可以根据当前实地的地形、天气和人群情况，有效避免踩踏事故。
Description
技术领域
本发明涉及安全技术领域，特别是涉及基于数字孪生的踩踏事故预警方法、装置、设备及可读存储介质。
背景技术
踩踏事故，是在整个队伍产生拥挤移动时，有人意外跌倒后，后面的人群依然在前行，踩踏者摔倒，引起恐慌后踩踏处往往会更加拥堵，摔倒次数增加。
目前，各类监控手段都比较成熟。但对于踩踏事故，往往是事后通过回调监控，或查看监控信息去查看事发时的情况，而不能起到预防/预警作用。
综上所述，如何有效地在监控过程对踩踏事故进行预警处理问题，是目前本领域技术人员急需解决的技术问题。
发明内容
本发明的目的是提供一种基于数字孪生的踩踏事故预警方法、装置、设备及可读存储介质，可以根据当前实地的地形、天气和人群情况进行预警，有效避免踩踏事故。
为解决上述技术问题，本发明提供如下技术方案：
一种基于数字孪生的踩踏事故预警方法，包括：
获取目标区域的实时数据；其中，所述实时数据包括地形地貌数据、天气数据和人流数据；
基于所述实时数据建立人群密度的数字孪生模型，并利用所述数字孪生模型模拟出所述目标区域内的人员实时分布数据；
对所述实时数据进行预测，得到人群密度发展曲线和预测聚集区域；
根据所述人员实时分布数据、所述人群密度发展曲线和所述预测聚集区域，获取当前和/或未来的人群密度报告；
通过比对所述人群密度报告和基于所述实时数据确定的当前告警阈值，进行踩踏事故预警。
优选地，所述通过比对所述人群密度报告和基于所述实时数据确定的当前告警阈值，进行踩踏事故预警，包括：
根据所述地形地貌数据确定地形类别，并确定所述地形类别对应的地形修正系数；
根据所述天气数据确定天气类别，并确定所述天气类别对应的天气修正系数；
根据所述人流数据确定群体类别，并确定所述群体类别对应的群体修正系数；
结合所述地形修正系数、所述天气修正系数和所述群体修正系数对踩踏预警值进行修正，得到所述当前告警阈值；
将所述目标区域划分为若干个子区域；
从所述人群密度报告中读取所述子区域的人群密度值；
若所述人群密度值大于所述当前告警阈值，则对所述子区域进行踩踏事故预警。
优选地，所述根据所述人员实时分布数据、所述人群密度发展曲线和所述预测聚集区域，获取当前和/或未来的人群密度报告，包括：
根据所述人员实时分布数据、所述人群密度发展曲线和所述预测聚集区域，预测人群密度变化趋势和人员移动速度；
利用所述人群密度变化趋势和所述人员移动速度，计算单位时间内流入流出人员数量；
利用所述单位时间内流入流出人员数量，获得所述人群密度报告。
优选地，所述人群密度报告包括：
天气、可见度、性别比例、年龄比例、人群密度、人群流动速度、加速度、所述预测聚集区域和观察区域；其中，所述人群密度包括动态人群密度和/或未来人群密度。
优选地，还包括：
在可视化界面基于所述人员实时分布数据显示人员实时密度分布图。
优选地，所述获取目标区域的实时数据，包括：
通过实时视频监控和/或摄像头智能识别系统，采集所述目标区域的实时数据；
其中，所述地形地貌数据包括所述目标区域的面积、坡度和障碍物数量；
所述天气数据包括天气和可见度；
所述人流数据包括单位时间内流入流出所述目标区域的人数、性别比例和年龄比例。
优选地，还包括：
将所述目标区域的外围区域确定为观察区域；
在所述观察区域发生人群聚集和/或车辆事故，则发起所述目标区域的踩踏初始预警。
一种基于数字孪生的踩踏事故预警装置，包括：
信息感知模块，用于获取目标区域的实时数据；其中，所述实时数据包括地形地貌数据、天气数据和人流数据；
数字孪生模块，用于基于所述实时数据建立人群密度的数字孪生模型，并利用所述数字孪生模型模拟出所述目标区域内的人员实时分布数据；
人群密度确定模块，用于对所述实时数据进行预测，得到人群密度发展曲线和预测聚集区域；根据所述人员实时分布数据、所述人群密度发展曲线和所述预测聚集区域，获取当前和/或未来的人群密度报告；
预警处理模块，用于通过比对所述人群密度报告和基于所述实时数据确定的当前告警阈值，进行踩踏事故预警。
一种电子设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现上述基于数字孪生的踩踏事故预警方法的步骤。
一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述基于数字孪生的踩踏事故预警方法的步骤。
应用本发明实施例所提供的方法，获取目标区域的实时数据；其中，实时数据包括地形地貌数据、天气数据和人流数据；基于实时数据建立人群密度的数字孪生模型，并利用数字孪生模型模拟出目标区域内的人员实时分布数据；对实时数据进行预测，得到人群密度发展曲线和预测聚集区域；根据人员实时分布数据、人群密度发展曲线和预测聚集区域，获取当前和/或未来的人群密度报告；通过比对人群密度报告和基于实时数据确定的当前告警阈值，进行踩踏事故预警。
获取到目标区域的实时数据，一方面，基于该实时数据建立人群目的的数字孪生模型，并模拟出目标区域内的人员实施分布数据，另一方面，基于该实时数据进行预测，可以得到人群密度发展区域和预测聚集区域。然后，根据人员实时分布数据、人群密度发展曲线和预测聚集区域，可获取当前和/或未来的人群密度报告；最终，利用人群密度报告并结合基于该实时数据所确定的当前告警阈值，进行踩踏事故预警。
本发明的技术效果：数字孪生技术对所获实时数据进行处理，搭建基于现实情况的虚拟映射，直观呈现目标区域人群情况，直观反应当下人群密度，并可根据动态流入的实时数据及时更新人群密度变化情况；预测算法，则可生成目标区域人群密度发展区域和预测聚集区域。耦合数字孪生技术和预测算法，可以获取目标区域的人群密度报告，从而基于该人群密度报告并根据当前实际情况所确定的当前告警阈值进行踩踏事故预警。可以根据当前实地的地形、天气和人群情况，有效预防踩踏事故的发生。
相应地，本发明实施例还提供了与上述基于数字孪生的踩踏事故预警方法相对应的基于数字孪生的踩踏事故预警装置、设备和可读存储介质，具有上述技术效果，在此不再赘述。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例中一种基于数字孪生的踩踏事故预警方法的实施流程图；
图2为本发明实施例中一种基于数字孪生的踩踏事故预警装置的结构示意图；
图3为本发明实施例中一种电子设备的结构示意图；
图4为本发明实施例中一种电子设备的具体结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参考图1，图1为本发明实施例中一种基于数字孪生的踩踏事故预警方法的流程图，该方法包括以下步骤：
S101、获取目标区域的实时数据。
其中，实时数据包括地形地貌数据、天气数据和人流数据。
在本发明实施例中，目标区域可以为街道、楼道、路口等容易发生踩踏事故的区域。
其中，地形地貌数据可以具体为表明目标区域关于地形地貌的数据，如地面是否起伏、地形陡缓、目标区域的面积、坡度和障碍物数量及形状等信息；天气数据可以为当前的天气情况、能见度等信息；人流数据可以具体为流入流出人数、性别比例、速度、方向、滞留时长等关于人员在目标区域内的流动情况。
在本发明中实施例中，可以定期/定时采集实时数据。
在本发明的一种具体实施方式中，获取目标区域的实时数据，包括：
通过实时视频监控和/或摄像头智能识别系统，采集目标区域的实时数据；
其中，地形地貌数据包括目标区域的面积、坡度和障碍物数量；
天气数据包括天气和可见度；
人流数据包括单位时间内流入流出目标区域的人数、性别比例和年龄比例。
也就是说，在本发明实施例中，可以仅基于实时视频监控，采集得到目标区域的实时数据，也可以仅基于摄像头智能识别系统，采集目标区域的实时数据。当然，还可将二者结合起来进行使用，共同采集该实时数据。该实时数据包括但不限于：天气情况、可见度、目标区域面积、坡度和障碍物数量、单位时间内流入流出区域人群数量、性别、年龄比例等。
在本发明中的一种具体实施方式中，考虑到外界区域的情况可能会对目标区域产生干扰，因而还可对观察区域进行关注，从而尽可能早的实现踩踏预警。具体的，可执行以下步骤：
将目标区域的外围区域确定为观察区域；
在观察区域发生人群聚集和/或车辆事故，则发起目标区域的踩踏初始预警。
也就是说，可将目标区域的外围区域确定为观察区域，或称之为第二目标区域。在发现观察区域发生了人群聚集或车辆事故中的至少一种情况下，则可发送目标区域的踩踏初始预警。
例如，当发生交通事故及节假日庆典等情况，附近区域人流会大概率涌入目标区域，因此在目标区域外围设立观察区域。
具体的，若视频监控感知附近有人群聚集或车辆事故，即可发布初始预警。其中，视频监控感知人群聚集或车辆事故主要基于人工智能的视觉分析技术和人群、车流量监控技术实现。
基于人工智能的视觉分析技术（该技术日趋成熟，已经应用到部分城市，可实时感知通过路口的人员，并对违反交规进行摄像头拍照记录），实时统计视频区域内人员数量，进行数据采集，基于所采集的人员数量可以实现监控固定区域出现多人聚集的情况，以实现突发事件预警，现场安全把控等作用。
人群流量监控技术，通过前端摄像头+AI智能算法盒，随时能够掌握人员、车辆的位置、区域密集度、移动趋势。云端系统能够及时发现区域的滞留人员、车辆。同时可通过人员移动和区域密集度，及时预警可能发生的异常事件，如车辆事故。
S102、基于实时数据建立人群密度的数字孪生模型，并利用数字孪生模型模拟出目标区域内的人员实时分布数据。
基于实时数据，建立人群密度的数字孪生模型，模拟目标区域内人员分布情况，可直观反应目标区域人群情况。
对于具体如何基于实时数据建立数字孪生模型，可以参照相关数字孪生技术，在此不作赘述。
在本发明中的一种具体实施方式中，还可以在可视化界面基于人员实时分布数据显示人员实时密度分布图。如此，处于目标区域中的人员便可基于所显示的人员实时密度分布图合理选择去向以及流动状态。
S103、对实时数据进行预测，得到人群密度发展曲线和预测聚集区域。
具体的，可以根据多个时间点的实时数据预测得出人群密度发展曲线，预测后续人员密度变化。根据社会力模型计算/预测人员聚集概率高的区域，即预测聚集区域。在本实施例中，可以将聚集概率大于预设阈值的区域称之为预测聚集区域，也可以基于聚集概率进行筛选，选出最大的若干个区域称之为预测聚集区域。
其中，根据多个时间点的实时数据预测得出人群密度发展曲线的实现，主要利用统计学方法进行数据分析。可采用的统计学方法包括线性回归、指数平滑、时间序列分析等。线性回归可以用来研究人群密度与时间的关系，从而预测未来的人群密度。指数平滑则可以通过对历史数据的平滑处理，得到未来人群密度的估计。时间序列分析结合历史数据和时间的相关性，可以对未来的人群密度增长进行模型建立和预测。
为了得到更准确的结果，可以采用多种方法进行验证和比较。例如，可以将数据分为训练集和测试集，使用训练集建立模型，然后用测试集验证模型的预测效果。还可以使用多个不同的模型进行比较，选择最合适的模型。最后，通过对人群密度增长趋势进行数据分析，可以得到未来人群密度的预测结果。
需要注意的是，在实际应用中，上述步骤S102和S103可以按照图1所示的顺序进行执行，也可以先执行S103后执行S102，也可以并行执行，也就是说，步骤S102和S103的相互独立，无执行顺序的限制。
S104、根据人员实时分布数据、人群密度发展曲线和预测聚集区域，获取当前和/或未来的人群密度报告。
在执行完S102和S103之后，便可将这两个步骤执行后所得结果进行耦合。从而得到当前的人群密度报告和未来的人群密度报告中的至少一个。
其中，人群密度报告包括：天气、可见度、性别比例、年龄比例、人群密度、人群流动速度、加速度、预测聚集区域和观察区域；其中，人群密度包括动态人群密度和/或未来人群密度。
在本发明中的一种具体实施方式中，根据人员实时分布数据、人群密度发展曲线和预测聚集区域，获取当前和/或未来的人群密度报告，包括：
根据人员实时分布数据、人群密度发展曲线和预测聚集区域，预测人群密度变化趋势和人员移动速度；
利用人群密度变化趋势和人员移动速度，计算单位时间内流入流出人员数量；
利用单位时间内流入流出人员数量，获得人群密度报告。
为便于描述，下面将上述步骤结合起来进行说明。
可以借助人工智能视觉分析技术经由天气情况（如晴天、雨天、雾、雪）、可见度（如白天、雾、夜晚）、性别比例、年龄比例等实时数据，经过模型计算可以获得人群密度变化趋势、过度聚集概率、速度、加速度等数据。
其中，人工智能视觉分析技术日趋成熟，且已经投入使用。基于人工智能视觉分析技术和后台大数据已经完全能够识别画面中的各种物体、人员、以及人员的大致年龄、性别。目前已经应运而生一种叫标注员的工作，其职能为：标注视频截图中的相关元素（男人、女人、小孩、动物等），以丰富数据库数据，训练人工智能便于其更加精确的判断视频中的物体为何物。即，天气情况、明暗、人员信息等特征是可以通过人工智能加以识别，且随着时代的进步识别的精确度会越来越高。这些实时数据可以通过进行人群密度变化趋势、过度聚集概率、速度、加速度等数据的标签标注，然后训练能够实现对实时数据进行人群密度变化趋势、过度聚集概率、速度、加速度等数据识别的模型，然后在获取到新的实时数据的之后，经过训练好的模型计算，便可人群密度变化趋势、过度聚集概率、速度、加速度等数据。
通过单位时间内流入流出人员数量可获得动态人群密度和未来人群密度。
S105、通过比对人群密度报告和基于实时数据确定的当前告警阈值，进行踩踏事故预警。
其中，当前告警阈值为基于实时数据而确定的，也就是说，本实施例用于进行踩踏事故预警的告警阈值不是一成不变的，而是根据当前的地形、天气和人群情况而实时变化的。具体的，可以为不同的地形，不同的天气，不同的人群设置告警判断标准，然后在获取到实时数据之后，通过与告警判断标准进行比对，即可确定出实时告警阈值。在实际应用中，还可设置不同等级的实时告警阈值，以便进行不同等级的预警。
具体的，通过实时确定的当前告警阈值，基于人群密度报告的数据信息，确定是否进行踩踏事故预警。预警方式可以具体为语音播报、可视化界面显示、消息通知等。还可以对目标区域进行有组织、引导的人员疏散。不同预警级别，可以对应进行不同程度的预警。例如，可分紧急预警、严重预警、通告预警。
在本发明中的一种具体实施方式中，通过比对人群密度报告和基于实时数据确定的当前告警阈值，进行踩踏事故预警，包括：
根据地形地貌数据确定地形类别，并确定地形类别对应的地形修正系数；
根据天气数据确定天气类别，并确定天气类别对应的天气修正系数；
根据人流数据确定群体类别，并确定群体类别对应的群体修正系数；
结合地形修正系数、天气修正系数和群体修正系数对踩踏预警值进行修正，得到当前告警阈值；
将目标区域划分为若干个子区域；
从人群密度报告中读取子区域的人群密度值；
若人群密度值大于当前告警阈值，则对子区域进行踩踏事故预警。
为便于描述，下面将上述若干个步骤结合起来进行说明。
首先，可设置不同的踩踏预警值，具体的可根据不同的风险阶段/等级设置不同的阈值。
举例说明，衡量踩踏事故发生概率的指标为特定时间每平方米内聚集人数。当每平方米内人数为3人以下时，不会发生碰撞；当每平方米内人数为4~5人时，会无意中碰到一两人；当每平方米内人数为10人时，会无法抬起手。可参照相关报道：当人群密度达到每平方米5人时，转身空间不足会导致无法自行通行；当人群密度达到每平方米6人以上时，步幅会减少，摔倒的风险急剧升高；当人群密度达到每平方米8人以上时，会出现受伤和死亡危险。
据此，可设置如下踩踏预警值：
设每平方米内聚集人数为M；
一级风险：M大于等于8；
二级风险：M小于8大于等于5；
三级风险：M小于5大于等于3；
无风险：M小于3。
即，三级风险的踩踏预警值分别为：一级风险X1=8、二级风险X2=5、三级风险X3=3。
考虑到不同的受到地形、天气、群体性别比例等因素影响，固定的踩踏预警值X不一定满足实际环境下的预警需求，因此，在本实施例中需要根据实时数据进行一定程度的修正，从而得到当前告警阈值。
具体的，不同的目标地地形影响：
一类目标地（视野宽度、无明显障碍物如体育场、广场），无修正。
二类目标地（视野狭窄、无明显障碍物如走廊），修正系数为90%。例如，对应风险阈值分别为X1=90%*8，X2=90%*5，X3=90%*3。
三类目标地（视野狭窄、有障碍物如步行街、集市），修正系数为70%。
目标地天气影响：
一类天气（能见度高，无出行影响，例白天、晴天、微风、多云），无修正。
二类天气（能见度尚可，轻微出行影响，例傍晚、雾、小雨、小雪），修正系数为80%。
三类天气（能见度低，出行明显影响，例夜晚、大雾、中雨、大雪），修正系数为60%。
人流群体影响:
一类群体（男女比例相等、老年幼年占比小于31.45%），不做修正。
二类群体（女性比例超过60%或老年幼年占比大于31.45%），修正系数为80%。
三类群体（女性比例超过60%且老年幼年占比大于31.45%），修正系数为60%。
即，当前告警阈值=地形修正系数*天气修正系数*群体修正系数*踩踏预警值；其中，*为乘法运算。需要注意的是，当计算出的当前告警阈值小于3时，可将当前告警阈值二次修正为3，以避免阈值过低，无法达到有效预警。
为了更加准确的对目标区域进行描述，可将该目标划分为N个不同的区域，分别读取N个区域的密度数据并加以汇总，使预警行为更加精准，预警环节更加流畅，预警定位更加清晰。其中，N值随目标区域适当进行放大与缩小。
读取到人群密度值后，与当前告警阈值进行比较，若超过当前告警阈值则说明有踩踏风险。此时可进行预警。
此外，还可以根据超出的范围进行风险评级，发布踩踏预警。
发布预警和风险评级之后，可根据风险评级做出相应处置。例如，关闭出入口，组织缓行，语音预警报知等。
与此同时，还可以继续动态获取人群密度信息，及时观察区域内人员变化并进行下一步预警，即可返回执行步骤S101的操作。
应用本发明实施例所提供的方法，获取目标区域的实时数据；其中，实时数据包括地形地貌数据、天气数据和人流数据；基于实时数据建立人群密度的数字孪生模型，并利用数字孪生模型模拟出目标区域内的人员实时分布数据；对实时数据进行预测，得到人群密度发展曲线和预测聚集区域；根据人员实时分布数据、人群密度发展曲线和预测聚集区域，获取当前和/或未来的人群密度报告；通过比对人群密度报告和基于实时数据确定的当前告警阈值，进行踩踏事故预警。
获取到目标区域的实时数据，一方面，基于该实时数据建立人群目的的数字孪生模型，并模拟出目标区域内的人员实施分布数据，另一方面，基于该实时数据进行预测，可以得到人群密度发展区域和预测聚集区域。然后，根据人员实时分布数据、人群密度发展曲线和预测聚集区域，可获取当前和/或未来的人群密度报告；最终，利用人群密度报告并结合基于该实时数据所确定的当前告警阈值，进行踩踏事故预警。
本发明的技术效果：数字孪生技术对所获实时数据进行处理，搭建基于现实情况的虚拟映射，直观呈现目标区域人群情况，直观反应当下人群密度，并可根据动态流入的实时数据及时更新人群密度变化情况；预测算法，则可生成目标区域人群密度发展区域和预测聚集区域。耦合数字孪生技术和预测算法，可以获取目标区域的人群密度报告，从而基于该人群密度报告并根据当前实际情况所确定的当前告警阈值进行踩踏事故预警。可以根据当前实地的地形、天气和人群情况，有效预防踩踏事故的发生。
相应于上面的方法实施例，本发明实施例还提供了一种基于数字孪生的踩踏事故预警装置，下文描述的基于数字孪生的踩踏事故预警装置与上文描述的基于数字孪生的踩踏事故预警方法可相互对应参照。
参见图2所示，该装置包括以下模块：
信息感知模块101，用于获取目标区域的实时数据；其中，实时数据包括地形地貌数据、天气数据和人流数据；
数字孪生模块102，用于基于实时数据建立人群密度的数字孪生模型，并利用数字孪生模型模拟出目标区域内的人员实时分布数据；
人群密度确定模块103，用于对实时数据进行预测，得到人群密度发展曲线和预测聚集区域；根据人员实时分布数据、人群密度发展曲线和预测聚集区域，获取当前和/或未来的人群密度报告；
预警处理模块104，用于通过比对人群密度报告和基于实时数据确定的当前告警阈值，进行踩踏事故预警。
应用本发明实施例所提供的装置，获取目标区域的实时数据；其中，实时数据包括地形地貌数据、天气数据和人流数据；基于实时数据建立人群密度的数字孪生模型，并利用数字孪生模型模拟出目标区域内的人员实时分布数据；对实时数据进行预测，得到人群密度发展曲线和预测聚集区域；根据人员实时分布数据、人群密度发展曲线和预测聚集区域，获取当前和/或未来的人群密度报告；通过比对人群密度报告和基于实时数据确定的当前告警阈值，进行踩踏事故预警。
获取到目标区域的实时数据，一方面，基于该实时数据建立人群目的的数字孪生模型，并模拟出目标区域内的人员实施分布数据，另一方面，基于该实时数据进行预测，可以得到人群密度发展区域和预测聚集区域。然后，根据人员实时分布数据、人群密度发展曲线和预测聚集区域，可获取当前和/或未来的人群密度报告；最终，利用人群密度报告并结合基于该实时数据所确定的当前告警阈值，进行踩踏事故预警。
本发明的技术效果：数字孪生技术对所获实时数据进行处理，搭建基于现实情况的虚拟映射，直观呈现目标区域人群情况，直观反应当下人群密度，并可根据动态流入的实时数据及时更新人群密度变化情况；预测算法，则可生成目标区域人群密度发展区域和预测聚集区域。耦合数字孪生技术和预测算法，可以获取目标区域的人群密度报告，从而基于该人群密度报告并根据当前实际情况所确定的当前告警阈值进行踩踏事故预警。可以根据当前实地的地形、天气和人群情况，有效预防踩踏事故的发生。
在本发明的一种具体实施方式中，预警处理模块，具体用于根据地形地貌数据确定地形类别，并确定地形类别对应的地形修正系数；
根据天气数据确定天气类别，并确定天气类别对应的天气修正系数；
根据人流数据确定群体类别，并确定群体类别对应的群体修正系数；
结合地形修正系数、天气修正系数和群体修正系数对踩踏预警值进行修正，得到当前告警阈值；
将目标区域划分为若干个子区域；
从人群密度报告中读取子区域的人群密度值；
若人群密度值大于当前告警阈值，则对子区域进行踩踏事故预警。
在本发明的一种具体实施方式中，人群密度确定模块，具体用于根据人员实时分布数据、人群密度发展曲线和预测聚集区域，预测人群密度变化趋势和人员移动速度；
利用人群密度变化趋势和人员移动速度，计算单位时间内流入流出人员数量；
利用单位时间内流入流出人员数量，获得人群密度报告。
在本发明的一种具体实施方式中，人群密度报告包括：
天气、可见度、性别比例、年龄比例、人群密度、人群流动速度、加速度、预测聚集区域和观察区域；其中，人群密度包括动态人群密度和/或未来人群密度。
在本发明的一种具体实施方式中，还包括：
显示模块，用于在可视化界面基于人员实时分布数据显示人员实时密度分布图。
在本发明的一种具体实施方式中，信息感知模块，具体用于通过实时视频监控和/或摄像头智能识别系统，采集目标区域的实时数据；
其中，地形地貌数据包括目标区域的面积、坡度和障碍物数量；
天气数据包括天气和可见度；
人流数据包括单位时间内流入流出目标区域的人数、性别比例和年龄比例。
在本发明的一种具体实施方式中，预警处理模块，具体用于将目标区域的外围区域确定为观察区域；
在观察区域发生人群聚集和/或车辆事故，则发起目标区域的踩踏初始预警。
相应于上面的方法实施例，本发明实施例还提供了一种电子设备，下文描述的一种电子设备与上文描述的一种基于数字孪生的踩踏事故预警方法可相互对应参照。
参见图3所示，该电子设备包括：
存储器332，用于存储计算机程序；
处理器322，用于执行计算机程序时实现上述方法实施例的基于数字孪生的踩踏事故预警方法的步骤。
具体的，请参考图4，图4为本实施例提供的一种电子设备的具体结构示意图，该电子设备可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）322（例如，一个或一个以上处理器）和存储器332，存储器332存储有一个或一个以上的计算机程序342或数据344。其中，存储器332可以是短暂存储或持久存储。存储在存储器332的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对数据处理设备中的一系列指令操作。更进一步地，处理器322可以设置为与存储器332通信，在电子设备301上执行存储器332中的一系列指令操作。
电子设备301还可以包括一个或一个以上电源326，一个或一个以上有线或无线网络接口350，一个或一个以上输入输出接口358，和/或，一个或一个以上操作系统341。
上文所描述的基于数字孪生的踩踏事故预警方法中的步骤可以由电子设备的结构实现。
相应于上面的方法实施例，本发明实施例还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种基于数字孪生的踩踏事故预警方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的基于数字孪生的踩踏事故预警方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、磁碟或者光盘等各种可存储程序代码的可读存储介质。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本领域技术人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件的方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应该认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器（RAM）、内存、只读存储器（ROM）、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系属于仅仅用来将一个实体或者操作与另一个实体或者操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语包括、包含或者其他任何变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于数字孪生的踩踏事故预警方法，其特征在于，包括：
获取目标区域的实时数据；其中，所述实时数据包括地形地貌数据、天气数据和人流数据；
基于所述实时数据建立人群密度的数字孪生模型，并利用所述数字孪生模型模拟出所述目标区域内的人员实时分布数据；
对所述实时数据进行预测，得到人群密度发展曲线和预测聚集区域；
根据所述人员实时分布数据、所述人群密度发展曲线和所述预测聚集区域，获取当前和/或未来的人群密度报告；
通过比对所述人群密度报告和基于所述实时数据确定的当前告警阈值，进行踩踏事故预警。
2.根据权利要求1所述的方法，其特征在于，所述通过比对所述人群密度报告和基于所述实时数据确定的当前告警阈值，进行踩踏事故预警，包括：
根据所述地形地貌数据确定地形类别，并确定所述地形类别对应的地形修正系数；
根据所述天气数据确定天气类别，并确定所述天气类别对应的天气修正系数；
根据所述人流数据确定群体类别，并确定所述群体类别对应的群体修正系数；
结合所述地形修正系数、所述天气修正系数和所述群体修正系数对踩踏预警值进行修正，得到所述当前告警阈值；
将所述目标区域划分为若干个子区域；
从所述人群密度报告中读取所述子区域的人群密度值；
若所述人群密度值大于所述当前告警阈值，则对所述子区域进行踩踏事故预警。
3.根据权利要求1所述的方法，其特征在于，所述根据所述人员实时分布数据、所述人群密度发展曲线和所述预测聚集区域，获取当前和/或未来的人群密度报告，包括：
根据所述人员实时分布数据、所述人群密度发展曲线和所述预测聚集区域，预测人群密度变化趋势和人员移动速度；
利用所述人群密度变化趋势和所述人员移动速度，计算单位时间内流入流出人员数量；
利用所述单位时间内流入流出人员数量，获得所述人群密度报告。
4.根据权利要求1所述的方法，其特征在于，所述人群密度报告包括：
天气、可见度、性别比例、年龄比例、人群密度、人群流动速度、加速度、所述预测聚集区域和观察区域；其中，所述人群密度包括动态人群密度和/或未来人群密度。
5.根据权利要求1所述的方法，其特征在于，还包括：
在可视化界面基于所述人员实时分布数据显示人员实时密度分布图。
6.根据权利要求1所述的方法，其特征在于，所述获取目标区域的实时数据，包括：
通过实时视频监控和/或摄像头智能识别系统，采集所述目标区域的实时数据；
其中，所述地形地貌数据包括所述目标区域的面积、坡度和障碍物数量；
所述天气数据包括天气和可见度；
所述人流数据包括单位时间内流入流出所述目标区域的人数、性别比例和年龄比例。
7.根据权利要求6所述的方法，其特征在于，还包括：
将所述目标区域的外围区域确定为观察区域；
在所述观察区域发生人群聚集和/或车辆事故，则发起所述目标区域的踩踏初始预警。
8.一种基于数字孪生的踩踏事故预警装置，其特征在于，包括：
信息感知模块，用于获取目标区域的实时数据；其中，所述实时数据包括地形地貌数据、天气数据和人流数据；
数字孪生模块，用于基于所述实时数据建立人群密度的数字孪生模型，并利用所述数字孪生模型模拟出所述目标区域内的人员实时分布数据；
人群密度确定模块，用于对所述实时数据进行预测，得到人群密度发展曲线和预测聚集区域；根据所述人员实时分布数据、所述人群密度发展曲线和所述预测聚集区域，获取当前和/或未来的人群密度报告；
预警处理模块，用于通过比对所述人群密度报告和基于所述实时数据确定的当前告警阈值，进行踩踏事故预警。
9.一种电子设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述基于数字孪生的踩踏事故预警方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述基于数字孪生的踩踏事故预警方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410251174.9A CN117831254A (zh) | 2024-03-06 | 2024-03-06 | 基于数字孪生的踩踏事故预警方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410251174.9A CN117831254A (zh) | 2024-03-06 | 2024-03-06 | 基于数字孪生的踩踏事故预警方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117831254A true CN117831254A (zh) | 2024-04-05 |
Family
ID=90524204
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410251174.9A Pending CN117831254A (zh) | 2024-03-06 | 2024-03-06 | 基于数字孪生的踩踏事故预警方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117831254A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111710008A (zh) * | 2020-05-29 | 2020-09-25 | 北京百度网讯科技有限公司 | 人流密度的生成方法、装置、电子设备以及存储介质 |
| CN113361825A (zh) * | 2021-07-19 | 2021-09-07 | 青岛理工大学 | 一种踩踏事故早期预警方法及系统 |
| CN115062926A (zh) * | 2022-05-30 | 2022-09-16 | 北京邮电大学 | 基于强化学习和数字孪生的拥挤缓解策略确定方法及装置 |
| CN115083112A (zh) * | 2022-08-22 | 2022-09-20 | 枫树谷(成都)科技有限责任公司 | 一种智能预警应急管理系统及其部署方法 |
| CN115439809A (zh) * | 2022-11-07 | 2022-12-06 | 浙江非线数联科技股份有限公司 | 基于数字孪生的地铁人流密度实时监测系统及其方法 |
| CN115510652A (zh) * | 2022-09-28 | 2022-12-23 | 河北汉光重工有限责任公司 | 基于数字孪生技术的人群集结疏散仿真系统及方法 |
| CN116167625A (zh) * | 2023-04-25 | 2023-05-26 | 湖南工商大学 | 一种基于深度学习的踩踏风险评估方法 |
-
2024
- 2024-03-06 CN CN202410251174.9A patent/CN117831254A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111710008A (zh) * | 2020-05-29 | 2020-09-25 | 北京百度网讯科技有限公司 | 人流密度的生成方法、装置、电子设备以及存储介质 |
| CN113361825A (zh) * | 2021-07-19 | 2021-09-07 | 青岛理工大学 | 一种踩踏事故早期预警方法及系统 |
| CN115062926A (zh) * | 2022-05-30 | 2022-09-16 | 北京邮电大学 | 基于强化学习和数字孪生的拥挤缓解策略确定方法及装置 |
| CN115083112A (zh) * | 2022-08-22 | 2022-09-20 | 枫树谷(成都)科技有限责任公司 | 一种智能预警应急管理系统及其部署方法 |
| CN115510652A (zh) * | 2022-09-28 | 2022-12-23 | 河北汉光重工有限责任公司 | 基于数字孪生技术的人群集结疏散仿真系统及方法 |
| CN115439809A (zh) * | 2022-11-07 | 2022-12-06 | 浙江非线数联科技股份有限公司 | 基于数字孪生的地铁人流密度实时监测系统及其方法 |
| CN116167625A (zh) * | 2023-04-25 | 2023-05-26 | 湖南工商大学 | 一种基于深度学习的踩踏风险评估方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109923575A (zh) | 自动交通和驾驶模式识别和位置相关测量车辆事故的绝对和/或相对风险可能性的装置和方法 | |
| Fang et al. | FTPG: A fine-grained traffic prediction method with graph attention network using big trace data | |
| CN109523786A (zh) | 一种高速公路交通事故成因分析方法 | |
| CN113538898A (zh) | 一种基于多源数据的高速公路拥堵管控系统 | |
| CN110782120B (zh) | 一种交通流模型的评测方法、系统、设备及介质 | |
| CN103247177A (zh) | 大规模路网交通流实时动态预测系统 | |
| CN107437339A (zh) | 一种信息引导下的可变信息情报板协调控制方法及系统 | |
| CN108648445A (zh) | 基于交通大数据的动态交通态势预测方法 | |
| CN112767695A (zh) | 一种信号交叉口交通事故风险实时预测方法及系统 | |
| Chen et al. | Multi-step prediction of experienced travel times using agent-based modeling | |
| Lakshmi et al. | Identification of traffic accident hotspots using geographical information system (GIS) | |
| KR20210067861A (ko) | 보행 안전 위험 평가 장치 및 방법, 그리고 이를 구현하기 위한 프로그램이 기록된 기록매체 | |
| CN114360239A (zh) | 一种多层时空交通知识图谱重建的交通预测方法及系统 | |
| Prontri et al. | Traffic signal control using fuzzy logic | |
| CN111127880A (zh) | 一种基于mfd的网格路网交通性能分析方法 | |
| CN114492544B (zh) | 模型训练方法及装置、交通事件发生概率评估方法及装置 | |
| CN117831254A (zh) | 基于数字孪生的踩踏事故预警方法、装置、设备及介质 | |
| Lian et al. | Advances in estimating pedestrian measures through artificial intelligence: From data sources, computer vision, video analytics to the prediction of crash frequency | |
| CN114925994A (zh) | 一种基于深度学习的城中村风险评估和风险因素定位方法 | |
| Yang et al. | Rapid analysis and detection algorithm and prevention countermeasures of urban traffic accidents under artificial intelligence | |
| Autey | Before and after traffic safety evaluations using computer vision techniques | |
| Džeroskil et al. | ILP experiments in detecting traffic problems | |
| Lin et al. | Near-crash risk identification and evaluation for takeout delivery motorcycles using roadside LiDAR | |
| CN117456482B (zh) | 一种面向交通监控场景的异常事件识别方法及系统 | |
| Yu et al. | Simulation-based safety analysis of diversion and confluence area in urban underground loop |
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 |