预测人群疏散能力瓶颈的方法、装置、设备及存储介质制造方法及图纸

本发明专利技术提供了预测人群疏散能力瓶颈的方法、装置、设备及存储介质，涉及人员疏散技术领域。本申请中，根据每个时刻对应的行人分布图利用泰森多边形方法构建行人分布的密度图。将不同时刻的行人分布的密度图输入生成对抗网络进行训练，经过训练标定好的生成对抗网络输入当前阶段的行人密度分布图，能够快速输出下一时刻预测的行人密度分布图。基于预测的行人密度分布图，对预测结果进行分析与评估，判断疏散瓶颈口可能出现的位置，以及评价每个瓶颈的拥挤程度，以便在疏散过程对行人进行实时的指导，提高疏散效率。提高疏散效率。提高疏散效率。

【技术实现步骤摘要】
预测人群疏散能力瓶颈的方法、装置、设备及存储介质


[0001]本专利技术涉及人员疏散
，具体而言，涉及预测人群疏散能力瓶颈的方法、装置、设备及存储介质。

技术介绍

[0002]人员疏散过程是一个非常复杂的动态过程，在动态变化中，需要做到行人流量与设施通过能力相互适配，否则就会造成行人拥堵。疏散能力瓶颈是行人拥堵的主要位置，是影响行人疏散时间的重要因素。通常在较为复杂的建筑设置中，紧急情况发生时，疏散瓶颈位置往往无法直观预见。

技术实现思路

[0003]本专利技术的目的在于提供预测人群疏散能力瓶颈的方法、装置、设备及存储介质，以改善上述问题。为了实现上述目的，本专利技术采取的技术方案如下：第一方面，本申请提供了预测人群疏散能力瓶颈的方法，包括：获取人群在疏散过程中的人群分布图；基于所述人群分布图利用泰森多边形法计算，得到人群密度图；基于不同时刻的所述人群密度图训练生成对抗网络模型，得到人群密度预测模型；将人群疏散过程的实时数据输入所述人群密度预测模型，并根据输出结果和预设规则对人群疏散能力瓶颈进行预测，所述预设规则为自定义的疏散能力瓶颈等级规则。
[0004]第二方面，本申请还提供了预测人群疏散能力瓶颈的装置，包括构建模块、模拟模块、计算模块、训练模块和识别模块，其中：构建模块：用于获取人群在疏散过程中的人群分布图；计算模块：用于基于所述人群分布图利用泰森多边形法计算，得到人群密度图；训练模块：用于基于不同时刻的所述人群密度图训练生成对抗网络模型，得到人群密度预测模型；识别模块：用于将人群疏散过程的实时数据输入所述人群密度预测模型，并根据输出结果和预设规则对人群疏散能力瓶颈进行预测，所述预设规则为自定义的疏散能力瓶颈等级规则。
[0005]第三方面，本申请还提供了预测人群疏散能力瓶颈的设备，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所述预测人群疏散能力瓶颈的方法的步骤。
[0006]第四方面，本申请还提供了存储介质，所述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预测人群疏散能力瓶颈的方法的步骤。
[0007]本专利技术的有益效果为：
本申请中，根据每个时刻对应的行人分布利用泰森多边形方法构建行人分布的密度图。建立密度图时序变化的数据库之后，设计基于Pix2pix的生成对抗网络并将不同时刻的行人分布的密度图输入生成对抗网络进行训练，经过训练标定好的生成对抗网络输入新场景在当前阶段的行人密度分布图，能够快速输出下一时刻预测的行人密度分布图。基于预测的行人密度分布图，对预测结果进行分析与评估，判断疏散瓶颈口可能出现的位置，以及评价每个瓶颈的拥挤程度，以便在疏散过程对行人进行实时的指导，提高疏散效率。
[0008]本专利技术的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术实施例了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
[0009]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
[0010]图1为本专利技术实施例中所述的预测人群疏散能力瓶颈的方法流程示意图；图2为本专利技术实施例中所述的预测人群疏散能力瓶颈的装置结构示意图；图3为本专利技术实施例中所述的预测人群疏散能力瓶颈的设备结构示意图。
[0011]图中：710
‑
构建模块；711
‑
建模单元；712
‑
模拟单元；721
‑
第二获取单元；722
‑
第二处理单元；723
‑
第三处理单元；724
‑
第四处理单元；725
‑
第一统计单元；726
‑
第二统计单元；730
‑
计算模块；740
‑
训练模块；741
‑
第三获取单元；742
‑
第一训练单元；743
‑
第二训练单元；750
‑
识别模块；800
‑
预测人群疏散能力瓶颈的设备；801
‑
处理器；802
‑
存储器；803
‑
多媒体组件；804
‑
I/O接口；805
‑
通信组件。
具体实施方式
[0012]为使本专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本专利技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本专利技术的实施例的详细描述并非旨在限制要求保护的本专利技术的范围，而是仅仅表示本专利技术的选定实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0013]应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本专利技术的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
[0014]首先，对本申请可适用的应用场景以及该应用场景下的系统架构进行介绍。本申请可以应用于由终端设备或服务器提供预测人群疏散能力瓶颈的服务场景下。这里所述的服务场景可以指广义上人类的活动场景，可以是楼层、街道等，本申请以楼层的人群疏散能力瓶颈预测服务进行详细的阐述。
[0015]实施例1：请参见图1，图1所示为本专利技术实施例中所述的预测人群疏散能力瓶颈的方法流程示意图，该方法包括步骤S1、步骤S2和步骤S3、步骤S4。
[0016]步骤S1、获取人群在疏散过程中的人群分布图；可以理解的是，在本步骤中，可以采用实际应急场景中传感器检测的人流分布数据作为人群分布图。本实施例中利用元胞自动机模型自行模拟人群疏散过程，并统计获得基于时间序列的人群分布图，以获得大量数据，为深度学习提供数据。在其他实施例中还可以使用速度模型和社会力模型等人群疏散模型对疏散过程进行模拟。其中速度模型最早由德国的专家陌森提出，在模型中行人的运动过程由速度和方向两个参数决定。速度仅由行人与前方行人的间隔决定，方向则由三个因素决定，分别是行人的期望方向、行人与行人的相对位置、行人与墙壁之间的相对位置。期望方向代表行人运动具有目的性，期望方向可以由场域值确定，由于场域值距离出口越近场域值越小，所以期望方向可以定义为场域值下降最快的方向。在模拟过程中，方向还受到其他行人以及场景中墙壁的影响，以模拟行人的绕行本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.预测人群疏散能力瓶颈的方法，其特征在于，包括：获取人群在疏散过程中的人群分布图；基于所述人群分布图利用泰森多边形法计算，得到人群密度图；基于不同时刻的所述人群密度图训练生成对抗网络模型，得到人群密度预测模型；将人群疏散过程的实时数据输入所述人群密度预测模型，并根据输出结果和预设规则对人群疏散能力瓶颈进行预测，所述预设规则为自定义的疏散能力瓶颈等级规则。2.根据权利要求1所述的预测人群疏散能力瓶颈的方法，其特征在于，所述人群分布图的获取方法包括：基于元胞自动机模型和场景数据进行建模，得到元胞空间集合，所述元胞空间集合包括障碍空间集合和行走空间集合，所述障碍空间集合是基于所述场景数据构建的因障碍物存在而致使行人不可通过的所有的障碍空间；所述行走空间集合是基于所述场景数据构建的所述行人可通过的所有的行走空间，且每个所述元胞空间均具有对应的场域值标签；所述场域值标签是基于所述元胞空间不同的位置参数而设置的不同数值；基于所述行走空间集合，随机模拟人群的疏散过程得到人群分布图。3.根据权利要求2所述的预测人群疏散能力瓶颈的方法，其特征在于，基于所述行走空间集合，随机模拟人群的疏散过程得到人群分布图，包括：获取第一信息和第二信息，所述第一信息包括所述行人在当前所述元胞空间中的阻碍参数和所述场域值标签，所述阻碍参数包括障碍物参数和人群阻碍参数；所述第二信息为自定义随机产生的概率值；基于所述第一信息计算，得到转移概率，所述转移概率为所述行人由当前的所述元胞空间移动至下一个所述元胞空间的概率；基于所述转移概率计算，得到转移累计概率；基于所述第二信息和所述转移累计概率，确定运动方向；基于同一个所述行人的所有所述运动方向的累计统计，形成行走路线；基于所有所述行人的所述行走路线进行统计，得到所述人群分布图。4.根据权利要求1所述的预测人群疏散能力瓶颈的方法，其特征在于，所述基于不同时刻的所述人群密度图训练生成对抗网络模型，得到人群密度预测模型，包括：基于所有的所述人群密度图，获取至少十组对应的第一图像和第二图像，每组对应的所述第一图像和所述第二图像分别为前一时刻和后一时刻所对应的二维矩阵灰度图，所述二维矩阵灰度图是基于所述人群密度图进行归一化预处理得到的矩阵；训练所述生成对抗网络模型时，将所述第一图像作为所述生成对抗网络模型中生成器网络的输入值，输出生成图像和第一分数值，并根据第一预设损失函数进行梯度反传更新各项参数；将与所述第一图像对应的所述第二图像和所述生成图像作为所述生成对抗网络模型中判别器网络的输入值，输出第二分数值，并根据第二预设损失函数进行反向传播梯度更新各项参数；基于每组对应的所述第一图像和所述第二图像分别训练所述生成对抗网络模型，且对所述生成器网络和所述判别器网络进行交替训练，得到所述人群密度预测模型。5.预测人群疏散能力瓶颈的装置，其特征在于，包括：构建模块：用于获取人群在疏散过程中的人群分布图；
计算模块：用于基于所述人群分布图利用泰森多边形法计算，得到人群密度图；训练模块：用于基于不同时刻的所述人群密度图训练生成对抗网络模型...

【专利技术属性】
技术研发人员：陈娟，马剑，夏钤强，赵思琪，宋丹丹，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：