【技术实现步骤摘要】
基于BP神经网络的地铁站楼扶梯选择预测方法及系统
本专利技术涉及轨道交通管理运营
，尤其涉及一种基于BP神经网络的地铁站楼扶梯选择预测方法及系统。
技术介绍
近年来，随着我国轨道交通建设的快速发展，地铁在缓解城市交通拥堵、满足人民群众多样的出行需求、优化城市布局建设等方面发挥了越来越重要的作用。然而随着地铁客流量的不断增长，地铁站内拥堵问题日益严重，由此可能导致人群事故的发生，给人身安全和社会经济造成不可挽回的严重后果。楼梯与自动扶梯作为地铁站内的连接站台层和站厅层的主要设施，是车站“咽喉”区域。客流高峰期，由于乘客对步行楼梯和自动扶梯的选择不平衡性，导致自动扶梯前排队过长形成客流瓶颈，成为地铁车站内的一处安全隐患。因此，亟需一种提高车站设施使用效率、减少人群拥堵的客流指引方法。
技术实现思路
本专利技术提供了一种基于BP神经网络的地铁站楼扶梯选择预测方法及系统，以解决以上问题。为了实现上述目的，本专利技术采取了如下技术方案。本专利技术的一方面提供了一种基于BP神经网络的地铁站楼扶梯选择预测方法，包括以下步骤：获取地铁站楼扶梯设施的基本参数和通过视频探头对地铁站...
【技术保护点】
1.一种基于BP神经网络的地铁站楼扶梯选择预测方法，其特征在于，包括以下步骤：获取地铁站楼扶梯设施的基本参数和通过视频探头对地铁站乘客进行实时图像采集，采用视频图像处理方法根据所述实时图像对地铁站乘客运动的基本参数进行提取，对所述的扶梯设施的基本参数和乘客运动的基本参数进行分析，建立原始数据集；对所述的原始数据集进行筛选和排序，构建筛选后的数据集；搭建BP神经网络，通过BP神经网络对筛选后的数据集进行训练和有效性验证；采用验证成功的BP神经网络对乘客楼扶梯选择行为进行预测。
【技术特征摘要】
1.一种基于BP神经网络的地铁站楼扶梯选择预测方法，其特征在于，包括以下步骤：获取地铁站楼扶梯设施的基本参数和通过视频探头对地铁站乘客进行实时图像采集，采用视频图像处理方法根据所述实时图像对地铁站乘客运动的基本参数进行提取，对所述的扶梯设施的基本参数和乘客运动的基本参数进行分析，建立原始数据集；对所述的原始数据集进行筛选和排序，构建筛选后的数据集；搭建BP神经网络，通过BP神经网络对筛选后的数据集进行训练和有效性验证；采用验证成功的BP神经网络对乘客楼扶梯选择行为进行预测。2.根据权利要求1所述的方法，其特征在于，所述的采用视频图像处理方法根据所述实时图像对地铁站乘客运动的基本参数进行提取，包括：采用视频图像处理的乘客检测与跟踪算法对地铁站乘客运动的基本参数进行提取。3.根据权利要求2所述的方法，其特征在于，所述的检测与跟踪算法包括背景差分法、动态检测法和光流法。4.根据权利要求1所述的方法，其特征在于，所述的对所述的原始数据集进行筛选和排序，构建筛选后的数据集包括，通过随机森林RF对所述的原始数据集进行筛选和排序，构建筛选后的数据集，具体包括：根据基尼Gini指数或袋外数据OBB错误率计算原始数据集中变量的重要度评分，根据所述的重要度得分统计量，对原始数据集进行筛选和排序。5.根据权利要求5所述的方法，其特征在于，所述的根据Gini指数或袋外数据OBB错误率计算原始数据集中变量的重要度评分，包括：根据下述Gini指数公式(1)计算原始数据集中变量的重要度评分：其中，变量sj在节点m的重要性根据下式(2)所述：当变量sj在第i棵树中出现M次，则变量sj在第i棵树的重要性根据下式(3)所述：变量sj在RF中的Gini重要性根据下式(4)所述K为原始数据集的类别数，为节点m样本属于K类的概率估计值，为样本在节点m属于任意一类的概率估计值，GIl和GIr分别表示由节点m分裂的两新节点的Gini指数，为变量sj的Gini得分统计量，n为RF中分类树的数量；根据下述袋外数据OBB错误率公式(5)计算原始数据集中变量的重要度评分：变量sj在RF中的置换重要性根据下述公式(6)计算：其中，为第i棵树OOB数据的观测列数，I(g)为指示函数，即两值相等时取1，不等时取0；YP∈{0，1}为第p个观测的真实结果，为随机置换前第i棵树对OOB数据第p个观测的预测结果，为随机置...
【专利技术属性】
技术研发人员：董海荣，刘佳丽，周敏，宋海锋，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京,11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。