一种地铁站闸机疏散能力的预测方法技术

本发明专利技术涉及狭窄路段通行时间预测领域，具体的涉及一种地铁站闸机疏散能力的预测方法，包括以下步骤：构建闸机场景的三维仿真模型；构建预测模型、预测模型的训练集和测试集；使用沙猫群算法对预测模型进行优化，利用步骤二中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；向步骤三中得到的训练完成的模型中输入测试集中闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量，得到对应人群通过闸机的疏散时间的预测值，得到可用于预测闸机疏散能力的时间预测模型，通过采用基于社会力模型的仿真软件得到模型的训练集和测试集，可模拟多种闸机布置场景，在短时间内得到各场景下大量的训练集和测试集数据，提高效率。提高效率。提高效率。

【技术实现步骤摘要】
一种地铁站闸机疏散能力的预测方法


[0001]本专利技术涉及狭窄路段通行时间预测领域，具体的涉及一种地铁站闸机疏散能力的预测方法。

技术介绍

[0002]地铁站闸机疏散能力的预测对于地铁站客流的管控具有重要意义；尤其是地铁站具有客流量大、设备集中的特点，早晚高峰期，地铁站内常有较大客流；当地铁站内发生突发事故需要紧急疏散时，地铁站这种高度密集的场所人群往往会产生恐慌心理，而地铁站内的闸机的入口宽度普遍较小，是疏散过程中的瓶颈通道，个体在闸机间的通行能力可能会成为影响整体疏散效率的重要一环，这为选择地铁出行的个体带来了安全隐患。
[0003]针对地铁站闸机疏散能力的现有研究，普遍存在着以下几点问题：
[0004](1)仅通过人群密度判断个体在闸机间的通行时间，准确度不高；
[0005](2)未考虑闸机数量、闸机间可通行宽度、个体异质性对个体通行时间的影响；
[0006](3)相关研究成果较少，可靠性不高；
[0007](4)同类型预测方法通常是通过数据拟合得到预测公式，精度不高。
[0008]因此，本领域技术人员亟需一种能够预测闸机在紧急情况下疏散能力的方法，为地铁车站合理布置闸机提供依据。

技术实现思路

[0009]针对现有技术中存在的问题，本专利技术的目的在于：充分考虑闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量对人群通过闸机的疏散时间的影响，利用沙猫群算法优化的核极限学习机(KELM)模型进行地铁站闸机疏散能力的预测，提供一种闸机通行时间的预测方法，有助于辅助工作人员合理安排站内闸机，提高闸机的疏散能力，为紧急情况下地铁站内个体的安全疏散提供支持，提高地铁车站的整体服务水平。
[0010]为实现上述目的，本专利技术采取的技术方案是：一种地铁站闸机疏散能力的预测方法，包括以下步骤：
[0011]步骤一：采用基于社会力模型的个体运动仿真软件，对应实地场景，构建闸机场景的三维仿真模型；
[0012]步骤二：构建预测模型、预测模型的训练集和测试集，将模拟个体放入步骤一构建的三维仿真模型中，模拟多种场景，得到预测模型的训练集和测试集；
[0013]步骤三：使用沙猫群算法对预测模型进行优化，利用步骤二中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；
[0014]步骤四：向步骤三中得到的训练完成的模型中输入测试集中闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量，得到对应人群通过闸机的疏散时间的预测值，计算均方误差用以评价模型的有效性，得到可用于预测闸机疏散能力的时间预测模型。
[0015]上述的地铁站闸机疏散能力的预测方法，所述预测模型为核极限学习机预测模
型，在步骤三中所述的使用沙猫群算法对预测模型进行优化的步骤包括：
[0016]步骤3
‑
1：数据预处理，划分训练样本和测试样本；
[0017]步骤3
‑
2：根据输入特征的数量与预测特征的数量确定预测模型神经网络的输入层神经元数量与输出层神经元数量，输入特征是闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量，预测特征是人群通过闸机的疏散时间；
[0018]步骤3
‑
3：设置神经网络的初始权值与阈值；
[0019]步骤3
‑
4：引入目标函数，利用训练集对预测模型进行训练，引入正则化系数、单位矩阵、核函数，用于增强神经网络的稳定性；
[0020]步骤3
‑
5：初始化沙猫种群，设置正则化系数和核函数参数的取值范围；
[0021]步骤3
‑
6：利用沙猫群算法对预测模型中的正则化系数和核函数参数进行优化，重构预测算法，将正则化系数和核函数参数作为沙猫群优化算法的一组候选解，计算沙猫适应度值，更新最佳沙猫位置；
[0022]步骤3
‑
7：通过迭代计算，得到沙猫群算法的目标函数中最优值对应的候选解，并作为核极限学习机预测模型中的正则化系数和核函数参数，完成模型的训练。
[0023]上述的地铁站闸机疏散能力的预测方法，所述步骤3
‑
2中还包括：根据柯尔莫哥洛夫定理定义隐藏层层数，确定隐藏层中神经元数量。
[0024]上述的地铁站闸机疏散能力的预测方法，所述步骤3
‑
4中，预测模型的学习目标函数F(x)用矩阵表示为：F(x)＝h(x)
×
β＝H
×
β＝L，其中，x为输入向量，h(x)、H为隐层节点输出，β为输出权值，L为期望输出。
[0025]上述的地铁站闸机疏散能力的预测方法，所述步骤3
‑
4中，对预测模型进行训练包括：将网络训练变为线性系统求解，所述β根据β＝H
*
·
L确定，其中，H
*
为H的广义逆矩阵；
[0026]引入正则化系数C和单位矩阵I，则输出权值的最小二乘解为：
[0027]引入核函数到极限学习机中，核矩阵为：Ω
ELM
＝HH
T
＝h(x
i
)h(x
j
)＝K(x
i
，x
j
)，其中，x
i
、x
j
为试验输入向量，h(x
i
)、h(x
j
)为隐层节点输出矩阵，K为核函数中的径向基函数，定义为：
[0028]K(x，y)＝exp(
‑
α||x
‑
y||2)，其中，α是内核函数参数，x，y表示输入空间的向量。
[0029]上述的地铁站闸机疏散能力的预测方法，根据正则化系数、单位矩阵、核函数的定义，所述预测模型的学习目标函数F(x)的矩阵可表达为：其中，(x1，x2，...，x
n
)为给定训练样本，n为样本数量。
[0030]上述的地铁站闸机疏散能力的预测方法，所述沙猫群算法是一种基于种群的方法，所述种群被称为沙猫群，每一个猫显示问题变量的值，将相关结构定义为向量，在d维优化问题中，沙猫表示问题解的1
×
d数组，定义如下：
[0031]Sand Cat
i
＝[x1，x2，...，x
d
]；i∈pop(1，n)，每个变量值(x1，x2，...，x
d
)都是浮点数，pop表示种群。
[0032]上述的地铁站闸机疏散能力的预测方法，在运行所述沙猫群算法时，包括以下步骤：
[0033]步骤3
‑6‑
1：根据问题的大小(N
pop
×
N
d
)，(pop＝1，2，...，n)，用沙猫种群创建一个候选矩阵，
[0034][0035]其中：N
pop
代表种群个数，N
d
是维度数，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种地铁站闸机疏散能力的预测方法，其特征在于，包括以下步骤：步骤一：采用基于社会力模型的个体运动仿真软件，对应实地场景，构建闸机场景的三维仿真模型；步骤二：构建预测模型、预测模型的训练集和测试集，将模拟个体放入步骤一构建的三维仿真模型中，模拟多种场景，得到预测模型的训练集和测试集；步骤三：使用沙猫群算法对预测模型进行优化，利用步骤二中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；步骤四：向步骤三中得到的训练完成的模型中输入测试集中闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量，得到对应人群通过闸机的疏散时间的预测值，计算均方误差用以评价模型的有效性，得到可用于预测闸机疏散能力的时间预测模型。2.根据权利要求1所述的地铁站闸机疏散能力的预测方法，其特征是，所述预测模型为核极限学习机预测模型，在步骤三中所述的使用沙猫群算法对预测模型进行优化的步骤包括：步骤3
‑
1：数据预处理，划分训练样本和测试样本；步骤3
‑
2：根据输入特征的数量与预测特征的数量确定预测模型神经网络的输入层神经元数量与输出层神经元数量，输入特征是闸机数量、闸机间可通行宽度、个体期望速度与半径和人群数量，预测特征是人群通过闸机的疏散时间；步骤3
‑
3：设置神经网络的初始权值与阈值；步骤3
‑
4：引入目标函数，利用训练集对预测模型进行训练，引入正则化系数、单位矩阵、核函数，用于增强神经网络的稳定性；步骤3
‑
5：初始化沙猫种群，设置正则化系数和核函数参数的取值范围；步骤3
‑
6：利用沙猫群算法对预测模型中的正则化系数和核函数参数进行优化，重构预测算法，将正则化系数和核函数参数作为沙猫群优化算法的一组候选解，计算沙猫适应度值，更新最佳沙猫位置；步骤3
‑
7：通过迭代计算，得到沙猫群算法的目标函数中最优值对应的候选解，并作为核极限学习机预测模型中的正则化系数和核函数参数，完成模型的训练。3.根据权利要求2所述的地铁站闸机疏散能力的预测方法，其特征是，所述步骤3
‑
2中还包括：根据柯尔莫哥洛夫定理定义隐藏层层数，确定隐藏层中神经元数量。4.根据权利要求3所述的地铁站闸机疏散能力的预测方法，其特征是，所述步骤3
‑
4中，预测模型的学习目标函数F(x)用矩阵表示为:F(x)＝h(x)
×
β＝H
×
β＝L，其中，x为输入向量，h(x)、H为隐层节点输出，β为输出权值，L为期望输出。5.根据权利要求4所述的地铁站闸机疏散能力的预测方法，其特征是，所述步骤3
‑
4中，对预测模型进行训练包括：将网络训练变为线性系统求解，所述β根据β＝H
*
·
L确定，其中，H
*
为H的广义逆矩阵；引入正则化系数C和单位矩阵I，则输出权值的最小二乘解为:引入核函数到极限学习机中，核矩阵为：Ω
ELM
＝HH
T
＝h(x
i
)h(x
j
)＝K(x
i
,x
j
)，其中，x
i
、x
j
为试验输入向量，h(x
i
)、h(x
j
)为隐层节点输出矩阵，K为核函数中的径向基函数，定义为：K(x,y)＝exp(
‑
α||x
‑
y||2)，其中，α是内核函数参数，x,y表示输入空间的向量。
6.根据权利要求5所述的地铁站闸机疏散能力的预测方法，其特征是，根据正则化系数、单位矩阵、核函数的定义，所述预测模型的学习目标函数F(x)的矩阵可表达为：其中，(x1,x2,...,x

【专利技术属性】
技术研发人员：杨晓霞，曲磊，董海荣，吕成兴，陈秀锋，曲大义，魏金丽，左兆迎，陈健，康元磊，
申请(专利权)人：青岛理工大学，
类型：发明
国别省市：