基于知识图谱与时空图卷积的行人流量预测方法及系统技术方案

本发明专利技术提出了基于知识图谱与时空图卷积的行人流量预测方法及系统，涉及人群疏散计算机仿真领域，获取疏散场景所有传感器采集的同一历史时段的人流量数据，对历史时段进行子时段划分，得到各个子时段各个传感器监测到的人流量；根据各个子时段各个传感器的人流量，计算各个子时段中传感器之间的关联度，构建各个子时段的时序知识图谱；基于时序知识图谱，为各个子时段构建空间图，组成动态时空关系图；将动态时空关系图输入到时空图卷积模型中，对未来短期行人流量做出预测；本发明专利技术通过时序知识图谱表达疏散场景下的空间结构及特征数据，并将知识图谱转换为动态时空关系图，并将其输入时空图卷积模型，实现对未来时间段内行人流量的预测。量的预测。量的预测。

【技术实现步骤摘要】
基于知识图谱与时空图卷积的行人流量预测方法及系统


[0001]本专利技术属于人群疏散计算机仿真领域，尤其涉及基于知识图谱与时空图卷积的行人流量预测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]近年来，随着人们物质与精神生活水平的不断提高，人们对外出游玩的需求不断增加，尤其是在节假日期间，一些大型公共场所(公园、景区等)的人流量会不断攀升，当发生特殊情况(地震、洪水等)时，由于游客对疏散路线、出口等不熟悉，如果没有早期的行人流量预测引导工作，应急疏散过程中可能会导致疏散路线人流量分配不均，影响疏散效率，甚至导致出现拥挤踩踏等事故；因此，对疏散路线上的行人流量进行提前预测，以引导人群选择合理的疏散路线具有重要的意义。
[0004]目前主流的交通流预测方法中，在空间依赖获取模型选择中，多采用图卷积网络，通过固定的路网结构和历史数据获取邻接矩阵和特征矩阵，然后输入图卷积模型中获得空间依赖特征。与普通路网交通流预测不同，在紧急疏散场景下进行行人流量预测，人群疏散路径选择会受到从众心理、紧急疏散标识、人工引导等因素影响，因此固定的路网结构不能完全反映其空间依赖关系，且真实依赖关系可能由于不完整的邻接关系而丢失，导致行人流量预测不准确。

技术实现思路

[0005]为克服上述现有技术的不足，本专利技术提供了基于知识图谱与时空图卷积的行人流量预测方法及系统，通过时序知识图谱表达疏散场景下的空间结构及特征数据，并将知识图谱转换为动态时空关系图，并将其输入时空图卷积模型GCN
‑
TCN，实现对未来时间段内行人流量的预测。
[0006]为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：
[0007]本专利技术第一方面提供了基于知识图谱与时空图卷积的行人流量预测方法；
[0008]基于知识图谱与时空图卷积的行人流量预测方法，包括：
[0009]获取疏散场景所有传感器采集的同一历史时段的人流量数据，对历史时段进行子时段划分，得到各个子时段各个传感器监测到的人流量；
[0010]根据各个子时段各个传感器的人流量，计算各个子时段中传感器之间的关联度，构建各个子时段的时序知识图谱；
[0011]基于时序知识图谱，为各个子时段构建以传感器为节点、传感器之间的关联度为边权重的空间图，各个子时段的空间图按时间排序后，组成动态时空关系图；
[0012]将动态时空关系图输入到时空图卷积模型中，对未来短期行人流量做出预测；
[0013]其中，所述传感器之间的关联度，基于两个传感器监测到的人流量，构建拥堵样本
集和正常样本集，利用两个样本集的分布，计算两个传感器的关联度。
[0014]进一步的，所述传感器采集的人流量数据，采用监控视频的形式，基于子时段的监控视频，通过图像识别，得到各个子时段各个传感器监测到的人流量。
[0015]进一步的，计算传感器i和j之间的关联度，具体方法为：
[0016]区分传感器i的拥堵状态和正常状态；
[0017]根据状态，划分传感器i的拥堵时间集和正常时间集；
[0018]基于传感器i的拥堵时间集和正常时间集，确定传感器j的拥堵样本集和正常样本集；
[0019]根据两个样本集的均值和标准差，计算关联度。
[0020]进一步的，所述时序知识图谱，表示为四元组(Sen
i
,Rv,Sen
j
,t)；
[0021]其中，Sen
i
、Sen
j
表示传感器i和j，t为子时段，Rv表示子时段t中传感器之间的关联度。
[0022]进一步的，所述子时段的空间图，定义为G
t
＝(V,E
t
,A
t
,X
t
)；
[0023]其中，t为子时段，节点集V表示传感器集合，边集E
t
表示节点之间的连接关系，由两节点之间的关联度动态调整，邻接矩阵A
t
用来存储节点间的连接关系及关联度，特征矩阵X
t
表示传感器的人流量。
[0024]进一步的，所述时空图卷积模型，由双层图卷积模型和时序卷积模型构成；
[0025]所述双层图卷积模型，以各子时段的特征矩阵和邻接矩阵为输入，得到各子时段的空间特征向量，组成带有空间特征的时序信号；
[0026]所述时序卷积模型，以带有空间特征的时序信号为输入，预测并输出下一时段各个传感器的人流量。
[0027]进一步的，所述时序卷积模型包含7层残差连接，每层残差块由两层TCN卷积块、Weight Norm层、非线性映射和Dropout层组成，所述TCN卷积块包含因果卷积和空洞卷积。
[0028]本专利技术第二方面提供了基于知识图谱与时空图卷积的行人流量预测系统。
[0029]基于知识图谱与时空图卷积的行人流量预测系统，包括数据处理模块、图谱构建模块、关系图构建模块和预测模块：
[0030]数据处理模块，被配置为：获取疏散场景所有传感器采集的同一历史时段的人流量数据，对历史时段进行子时段划分，得到各个子时段各个传感器监测到的人流量；
[0031]图谱构建模块，被配置为：根据各个子时段各个传感器的人流量，计算各个子时段中传感器之间的关联度，构建各个子时段的时序知识图谱；
[0032]关系图构建模块，被配置为：基于时序知识图谱，为各个子时段构建以传感器为节点、传感器之间的关联度为边权重的空间图，各个子时段的空间图按时间排序后，组成动态时空关系图；
[0033]预测模块，被配置为：将动态时空关系图输入到时空图卷积模型中，对未来短期行人流量做出预测；
[0034]其中，所述传感器之间的关联度，基于两个传感器监测到的人流量，构建拥堵样本集和正常样本集，利用两个样本集的分布，计算两个传感器的关联度。
[0035]本专利技术第三方面提供了计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本专利技术第一方面所述的基于知识图谱与时空图卷积的行人流量预测方法中
的步骤。
[0036]本专利技术第四方面提供了电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本专利技术第一方面所述的基于知识图谱与时空图卷积的行人流量预测方法中的步骤。
[0037]以上一个或多个技术方案存在以下有益效果：
[0038]本专利技术首先通过疏散场景下的传感器提取监控到的人流量数据，建立疏散场景下的时序知识图谱，通过时序知识图谱生成动态时空关系图，通过由双层图卷积模型GCN和时序卷积模型TCN构成的时空图卷积模型GCN
‑
TCN实现对未来时刻人流量得预测。
[0039]本专利技术在构建动态时空关系图中的邻接矩阵时，引入了关联度思想，通过根据历史数据计算各个子时段传感器之间本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于知识图谱与时空图卷积的行人流量预测方法，其特征在于，包括：获取疏散场景所有传感器采集的同一历史时段的人流量数据，对历史时段进行子时段划分，得到各个子时段各个传感器监测到的人流量；根据各个子时段各个传感器的人流量，计算各个子时段中传感器之间的关联度，构建各个子时段的时序知识图谱；基于时序知识图谱，为各个子时段构建以传感器为节点、传感器之间的关联度为边权重的空间图，各个子时段的空间图按时间排序后，组成动态时空关系图；将动态时空关系图输入到时空图卷积模型中，对未来短期行人流量做出预测；其中，所述传感器之间的关联度，基于两个传感器监测到的人流量，构建拥堵样本集和正常样本集，利用两个样本集的分布，计算两个传感器的关联度。2.如权利要求1所述的基于知识图谱与时空图卷积的行人流量预测方法，其特征在于，所述传感器采集的人流量数据，采用监控视频的形式，基于子时段的监控视频，通过图像识别，得到各个子时段各个传感器监测到的人流量。3.如权利要求1所述的基于知识图谱与时空图卷积的行人流量预测方法，其特征在于，计算传感器i和j之间的关联度，具体方法为：区分传感器i的拥堵状态和正常状态；根据状态，划分传感器i的拥堵时间集和正常时间集；基于传感器i的拥堵时间集和正常时间集，确定传感器j的拥堵样本集和正常样本集；根据两个样本集的均值和标准差，计算关联度。4.如权利要求1所述的基于知识图谱与时空图卷积的行人流量预测方法，其特征在于，所述时序知识图谱，表示为四元组(Sen
i
,Rv,Sen
j
,t)；其中，Sen
i
、Sen
j
表示传感器i和j，t为子时段，Rv表示子时段t中传感器之间的关联度。5.如权利要求1所述的基于知识图谱与时空图卷积的行人流量预测方法，其特征在于，所述子时段的空间图，定义为G
t
＝(V,E
t
,A
t
,X
t
)；其中，t为子时段，节点集V表示传感器集合，边集E
t
表示节点之间的连接关系，由两节点之间的关联度动态调整，邻接矩阵A
...

【专利技术属性】
技术研发人员：王洪月，刘弘，段佶昊，张玉玲，曹喜玲，王天宇，吕蕾，
申请(专利权)人：山东师范大学，
类型：发明
国别省市：