CN108876124B - 基于数据驱动的疏散瓶颈处人群拥堵风险分析方法 - Google Patents

基于数据驱动的疏散瓶颈处人群拥堵风险分析方法 Download PDF

Info

Publication number
CN108876124B
CN108876124B CN201810559744.5A CN201810559744A CN108876124B CN 108876124 B CN108876124 B CN 108876124B CN 201810559744 A CN201810559744 A CN 201810559744A CN 108876124 B CN108876124 B CN 108876124B
Authority
CN
China
Prior art keywords
congestion
crowd
probability
data
bottleneck
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.)
Active
Application number
CN201810559744.5A
Other languages
English (en)
Other versions
CN108876124A (zh
Inventor
王静虹
陈漫漫
金博伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing Tech University
Original Assignee
Nanjing Tech University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing Tech University filed Critical Nanjing Tech University
Priority to CN201810559744.5A priority Critical patent/CN108876124B/zh
Publication of CN108876124A publication Critical patent/CN108876124A/zh
Application granted granted Critical
Publication of CN108876124B publication Critical patent/CN108876124B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G06Q50/265—Personal security, identity or safety

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Computer Security & Cryptography (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)
  • Alarm Systems (AREA)

Abstract

本发明涉及的是一种基于数据驱动的用于评估突发情况下大规模人群疏散时瓶颈处实时动态拥堵风险的非参数估计方法。包括1）数据预处理；2）计算最佳窗宽；3）拥堵概率的估计；4）基于拥堵概率估计的瓶颈处人群疏散风险预测。本发明基于拥堵概率估计的瓶颈处人群疏散风险预测方法完全是数据驱动的，不依赖于任何先验数据假设。基于这个方法，可以描绘疏散瓶颈处拥堵风险随时间的动态变化。进一步的，对于像地铁站或其他人群大量聚集的城市区域，也可以应用本发明提出的方法描绘不同位置疏散瓶颈处的动态拥堵风险，从而构建大规模场景下人群拥堵风险的动态热点地图，这将对人群疏散管控，尤其是突发情况下的人群疏散管控提供重要技术支持。

Description

基于数据驱动的疏散瓶颈处人群拥堵风险分析方法
技术领域
本发明涉及的是一种基于数据驱动的用于评估突发情况下大规模人群疏散时瓶颈处实时动态拥堵风险的非参数估计方法。
背景技术
随着城市的快速发展，公共场所内人群的聚集程度越来越高，极易形成大规模人群，由此带来的人群风险也在不断增加。大规模人群一旦在行走过程中遇到一些瓶颈，并遇到突发情况时，人群极易产生拥挤，更严重的还会引起挤压和践踏。已有技术多是根据实时行人流量或密度统计情况来估算人群拥挤状况，其判断的依据往往是某个孤立的行人运动参数的具体数值。如Kholshevnikov等人（Kholshevnikov, V. V., Shields, T. J.,Boyce, K. E., & Samoshin, D. A. (2008). Recent developments in pedestrianflow theory and research in russia. Fire Safety Journal, 43(2), 108-118.）提到当人群密度为4 人/ m2或更大时可认为是一种“停滞”情况，与人群密度较小时相比，此时步行速度明显下降。卢兆明等人（Lo, S. M., Fang, Z., Lin, P., & Zhi, G. S.(2004). An evacuation model: the sgem package. Fire Safety Journal, 39(3),169-190.）认为，人群速度接近0.1m/s，密度大于4.2人/m2时，表明人群处于拥挤状况。尽管这些数据为人群安全管理提供了重要的指导，但这些数据是静态的，并且无法对人群在运动路径中遇到瓶颈时从流畅通行转变为拥堵通行的过程进行量化。人群运动具有连续性、实时性和不确定性，因此，有必要提出一种基于数据驱动的大规模人群疏散时瓶颈处实时动态拥堵风险的评估方法。
发明内容
本发明的目的是针对上述不足之处提供一种基于数据驱动的疏散瓶颈处人群拥堵风险分析方法，为了全面评估人群在瓶颈处的拥堵风险，本方法建立了基于人群步行速度、人群密度和人群流量实时数据的疏散拥堵概率计算模型，并通过拥堵概率的变化来反映拥堵风险大小。
本发明应用KDE（核密度估计）来了解这些参数从通道到楼梯的变化。KDE是基于概率密度函数的一类非参数估计。KDE从数据样本本身研究数据分布的特征。基本思想是基于已知的历史数据估计未知人口的概率密度函数，以使估计密度函数和实密度函数之间的均方误差最小化。KDE不是用复杂的数学工具建立的，而是从直方图开发出来的。KDE的应用目前已在各种工程技术领域可见以下公开的文章（Chen, Q., Wynne, R. J., Goulding,P., & Sandoz, D. (2000). The application of principal component analysis andkernel density estimation to enhance process monitoring. Control EngineeringPractice, 8(5), 531-543； Danese, M., Lazzari, M., & Murgante, B. (2008).Kernel density estimation methods for a geostatistical approach in seismicrisk analysis: the case study of potenza hilltop town (southern italy).Lecture Notes in Computer Science, 5072, 415-429； Anderson, T. K. (2009).Kernel density estimation and k-means clustering to profile road accidenthotspots. Accident analysis and prevention, 41(3), 359-64.）。
KDE的表达式如下：
Figure 397384DEST_PATH_IMAGE001
公式（1）
其中，（X1，X2，...，Xn）是从具有未知密度的一些分布中抽取的独立和相同分布的样本；f（x）是核密度估计器；x是自变量；n是样本数量，n的取值为大于等于1的自然数；h是被称为窗宽的平滑参数；d是维度的数量；K(x)是内核函数。
最常用的内核函数之一是高斯核函数，表示为：
Figure 124556DEST_PATH_IMAGE003
公式（2）。
本发明基于这种KDE技术，在人群拥堵风险分析中耦合数据驱动的理念，提出一种基于核密度估计的人群拥堵风险预测方法。
本发明是采取以下技术方案实现的，基于数据驱动的疏散瓶颈处人群拥堵风险分析方法包括如下步骤：
1）数据预处理；
2）计算最佳窗宽；
3）拥堵概率的估计；
4）基于拥堵概率估计的瓶颈处人群疏散风险预测。
步骤1）的数据预处理中，将原始实时数据归一化，归一化的公式为：
Figure 732255DEST_PATH_IMAGE004
公式（3）
Figure 643579DEST_PATH_IMAGE005
和
Figure 627716DEST_PATH_IMAGE006
分别是原始数据的最小值和最大值；
Figure 206464DEST_PATH_IMAGE007
表示原始数据中的第i个样 本，i为不小于1的自然数；
Figure 250644DEST_PATH_IMAGE008
表示原始数据中第i个样本被归一化后的结果。
步骤2）所述的窗宽是KDE（核密度估计）中非常重要的参数，窗宽h的大小直接影响估计结果的准确性；目前，最有效的方法是基于最小二乘法差异的思想；当积分均方误差最小时，窗宽是最佳的。一维最佳窗宽计算表达式为：
Figure 524630DEST_PATH_IMAGE009
公式（4）
其中，
Figure 437092DEST_PATH_IMAGE010
公式（5）
h表示最佳窗宽，公式（4）和公式（5）中的n表示样本数量；
Figure 745713DEST_PATH_IMAGE011
表示归一化后的原始 数据样本均值；
Figure 819848DEST_PATH_IMAGE012
表示原始数据中第i个样本被归一化后的结果， i和n为不小于1的自然 数。
步骤3）中拥堵概率的估计方法，具体步骤包括：
3-1）将步行速度的实时数据表示为
Figure 112289DEST_PATH_IMAGE013
和
Figure 172649DEST_PATH_IMAGE014
；人群密度的实时数据表示为
Figure 725990DEST_PATH_IMAGE015
和
Figure 846393DEST_PATH_IMAGE016
；流量的实时数据表示为
Figure 219606DEST_PATH_IMAGE017
和
Figure 349236DEST_PATH_IMAGE018
，其中下标A和B分别表示在相连接的两个区域中，这 两个区域分别是区域A和区域B；
3-2）使用高斯型的核函数计算每个采样点的概率密度值作为纵坐标，采样点为横坐标，获得基于核密度法的过程参数的概率密度函数曲线；
3-3）在所述概率密度函数曲线中，用
Figure 757083DEST_PATH_IMAGE019
函数表示区域A中行人流量参数的概率 密度分布；
Figure 313967DEST_PATH_IMAGE020
表示区域B中行人流量参数的概率密度分布；为便于推导，这里假设行人从 区域A往区域B运动，且两个区域的连接处存在瓶颈（如通行截面突然变小）；
3-3-1）对于步行速度，
Figure 49841DEST_PATH_IMAGE021
大于
Figure 856865DEST_PATH_IMAGE022
的左侧积分区域是区域B拥挤的概率表 示，因此，由步行速度推导的拥挤概率可以表示为，
Figure 260165DEST_PATH_IMAGE023
公式（6）
其中，
Figure 847004DEST_PATH_IMAGE024
是当
Figure 70175DEST_PATH_IMAGE025
和
Figure 807187DEST_PATH_IMAGE026
相等时的横坐标值；如果
Figure 924047DEST_PATH_IMAGE027
和
Figure 822733DEST_PATH_IMAGE028
有更多的 交点，可以应用类似的思路来计算P1的值；
3-3-2）对于人群密度和流量，拥挤概率可以分别由
Figure 657834DEST_PATH_IMAGE029
大于
Figure 667378DEST_PATH_IMAGE030
的右侧 积分区域以及
Figure 638745DEST_PATH_IMAGE031
大于
Figure 973912DEST_PATH_IMAGE032
的右侧积分区域推导出；因此，得出：
Figure 906096DEST_PATH_IMAGE033
公式（7）
Figure 843965DEST_PATH_IMAGE034
公式（8）
Figure 545205DEST_PATH_IMAGE035
是当
Figure 910327DEST_PATH_IMAGE036
和
Figure 595386DEST_PATH_IMAGE037
相等时的横坐标值；
Figure 71367DEST_PATH_IMAGE038
是当
Figure 892692DEST_PATH_IMAGE039
和
Figure 569661DEST_PATH_IMAGE040
相等时 的横坐标值；
3-4）得到从区域A至区域B时行人出现拥堵的综合概率为：
Figure 604001DEST_PATH_IMAGE041
公式（9）
该式全面考虑了行人流的关键参数，且完全是数据驱动的结果。
步骤4）中基于拥堵概率估计的瓶颈处人群疏散风险预测方法，包括如下步骤：
4-1）针对某个连接两个区域的疏散瓶颈，构建基于步骤3）中拥堵概率的估计方法的疏散拥堵风险预测模型；两个区域分别设为区域I和区域II；
4-2）当人群平均密度ρn高于4人/ m²时，认为此时人群已经达到拥堵状态，风险较高；
4-3）当人群平均密度较低；
4-3-1）则对区域I和区域II同时采集一定时间间隔内的行人流监控数据并执行 KDE分析，即执行所述步骤1）~步骤3），计算得到拥堵概率
Figure 759039DEST_PATH_IMAGE042
；
4-3-2）随着人群的持续流动，继续执行基于实时监控数据的KDE分析，计算得到下 一时间间隔内的拥堵概率
Figure 559504DEST_PATH_IMAGE043
；
4-3-3）如果
Figure 407375DEST_PATH_IMAGE044
大于
Figure 926081DEST_PATH_IMAGE042
，就意味着人群正在经历一个随着时间延长越来越拥堵的 状态；无论计算得到的概率数值
Figure 619230DEST_PATH_IMAGE042
和
Figure 680727DEST_PATH_IMAGE045
具体是多少，瓶颈处都具有相对较高的拥堵风 险，因此，这种情况下建议应该采取一些干预措施以控制人群的流动；
4-3-4）如果计算得到的拥堵概率
Figure 292974DEST_PATH_IMAGE045
不大于
Figure 174342DEST_PATH_IMAGE042
，就意味着人群目前情况下能够相 对比较流畅地行走，瓶颈处的拥堵风险被较好地控制住，因此，这种情况下建议继续监测人 群流动的实时数据并在下一个时间间隔执行KDE分析，从而动态更新瓶颈处的拥堵风险;
步骤4-3-4）所述的实时数据包括人群流动的速度、密度和流量;
步骤4-2）的判断依据沿用前述Kholshevnikov等人的文献数据，以及Hughes所提出的“当人群密度大于4人/m²时，人群中会产生压力波”[Hughes R L. The flow of largecrowds of pedestrians [J]. Mathematics and Computers in Simulation, 2000, 53:367-370.]。
本发明的优点：本发明基于拥堵概率估计的瓶颈处人群疏散风险预测方法完全是数据驱动的，不依赖于任何先验数据假设。基于这个方法，可以描绘疏散瓶颈处拥堵风险随时间的动态变化。进一步的，对于像地铁站或其他人群大量聚集的城市区域，也可以应用本发明提出的方法描绘不同位置疏散瓶颈处的动态拥堵风险，从而构建大规模场景下人群拥堵风险的动态热点地图，这将对人群疏散管控，尤其是突发情况下的人群疏散管控提供重要的技术支持。
附图说明
以下将结合附图对本发明作进一步说明：
图1是本发明实施例中不同行人流量参数的PDF曲线示意图；
图2是本发明瓶颈处人群拥堵风险动态预测方法的执行流程图；
图3是本发明实施例中疏散瓶颈示意图；
图4是本发明实施例中新街口地铁站2号线换乘1号线站台通道以及楼梯平面示意图；
图5是本发明实施例中换乘通道和换乘楼梯的速度-时间分布图；
图6是本发明实施例中换乘通道和换乘楼梯的密度-时间分布图；
图7是本发明实施例中换乘通道和换乘楼梯的流量-时间分布图；
图8是本发明实施例中在同一监测时段内的通道和楼梯口人群流动的步行速度KDE曲线；
图9是本发明实施例中在同一监测时段内的通道和楼梯口人群流动的人群密度KDE曲线；
图10是本发明实施例中在同一监测时段内的通道和楼梯口人群流动的人群流量KDE曲线。
具体实施方式
瓶颈是指人群疏散路径上出现的令人群无法维持平稳流动的相关干扰，例如，楼梯与通道相连的区域可视为瓶颈区域。由于人们可以在通道中自由行走，但在通道至楼梯交界处由于通行截面发生改变，从而导致人群可能在这一区域发生拥堵。为了容易理解，本发明具体实施例基于通道和楼梯相连区域进行说明，以此可以类推到其他具有同样的人群流动特性的疏散瓶颈，而不能看作局限于通道和楼梯相连区域。
基于数据驱动的疏散瓶颈处人群拥堵风险分析方法包括如下步骤：
1）数据预处理；
2）计算最佳窗宽h；
3）拥堵概率的估计；
4）基于拥堵概率估计的瓶颈处人群疏散风险预测。
步骤3）中拥堵概率的估计方法，将步行速度的实时数据表示为
Figure 61396DEST_PATH_IMAGE046
和
Figure 711820DEST_PATH_IMAGE047
；人群密度 的实时数据表示为
Figure 760548DEST_PATH_IMAGE048
和
Figure 863633DEST_PATH_IMAGE049
；流量的实时数据表示为
Figure 164164DEST_PATH_IMAGE050
和
Figure 59308DEST_PATH_IMAGE051
，其中下标c和s分别表示在通道和 楼梯中；使用高斯型的核函数计算每个采样点的概率密度值作为纵坐标，采样点为横坐标， 获得基于核密度法的过程参数的概率密度函数曲线（如图1所示，示意图中实线是楼梯中数 据的分布，虚线是通道中数据的分布）。
用
Figure 419882DEST_PATH_IMAGE019
函数表示通道中行人流量参数的概率密度分布；
Figure 134897DEST_PATH_IMAGE052
表示楼梯中行人 流量参数的概率密度分布。对于步行速度，
Figure 973540DEST_PATH_IMAGE053
大于
Figure 864136DEST_PATH_IMAGE054
的左侧积分区域是楼梯拥 挤的概率表示，因此，由步行速度推导的拥挤概率可以表示为，
Figure 992016DEST_PATH_IMAGE055
公式（6’）
其中，
Figure 335273DEST_PATH_IMAGE056
是当
Figure 836661DEST_PATH_IMAGE057
和
Figure 316184DEST_PATH_IMAGE058
相等时的横坐标值；如果
Figure 143195DEST_PATH_IMAGE027
和
Figure 708168DEST_PATH_IMAGE028
有更多的 交点，可以应用类似的思路来计算P1的值。
对于人群密度
Figure 13248DEST_PATH_IMAGE059
和
Figure 347277DEST_PATH_IMAGE060
流量，拥挤概率可以分别由大于的右侧积分区域 以及
Figure 79610DEST_PATH_IMAGE061
大于
Figure 397459DEST_PATH_IMAGE062
的右侧积分区域推导出；因此，得出：
Figure 381595DEST_PATH_IMAGE063
公式（7’）
公式（8’）
Figure 694765DEST_PATH_IMAGE064
是当
Figure 473365DEST_PATH_IMAGE065
和
Figure 137564DEST_PATH_IMAGE066
相等时的横坐标值；
Figure 925392DEST_PATH_IMAGE067
是当
Figure 358647DEST_PATH_IMAGE068
和
Figure 573728DEST_PATH_IMAGE062
相等时 的横坐标值。因此，从通道至楼梯时行人出现拥堵的综合概率为：
Figure 600590DEST_PATH_IMAGE069
公式（9）
该式全面考虑了行人流的关键参数，且完全是数据驱动的结果。
步骤4）针对某个连接两个区域的疏散瓶颈，如图3所示，构建基于上述提出的拥堵 概率综合计算方法的疏散拥堵风险预测模型，如图2所示。当人群平均密度ρn高于4人/m² 时，沿用文献数据，认为此时人群已经达到拥堵状态，风险较高。但是，在多数情况下，拥堵 的信号并非如此明显。当人群平均密度较低，则对区域I和区域II同时采集一定时间间隔内 的行人流监控数据并执行KDE分析（执行步骤1~3），计算得到拥堵概率
Figure 54092DEST_PATH_IMAGE042
。随着人群的持续 流动，继续执行基于实时监控数据的KDE分析，计算得到下一时间间隔内的拥堵概率
Figure 217220DEST_PATH_IMAGE045
。 如果
Figure 727836DEST_PATH_IMAGE045
大于
Figure 241994DEST_PATH_IMAGE042
，就意味着人群正在经历一个随着时间延长越来越拥堵的状态。无论计算 得到的概率数值
Figure 106045DEST_PATH_IMAGE042
和
Figure 513893DEST_PATH_IMAGE070
具体是多少，瓶颈处都具有相对较高的拥堵风险，因此，这种情 况下建议应该采取一些干预措施以控制人群的流动。反之，如果计算得到的拥堵概率
Figure 70776DEST_PATH_IMAGE045
不大于
Figure 931284DEST_PATH_IMAGE042
，就意味着人群目前情况下能够相对比较流畅地行走，瓶颈处的拥堵风险被较好 地控制住，因此，这种情况下建议继续监测人群流动的实时数据（速度、密度和流量）并在下 一个时间间隔执行KDE分析，从而动态更新瓶颈处的拥堵风险。
下面以晚高峰（17:30-18:30）对南京市新街口地铁站的换乘通道和换乘楼梯口人群实时流动参数为例，说明本发明的实施方式。选取的位置为2号线换乘1号线的换乘通道及换乘楼梯，如图4所示。实线部分为地下二层2号线的列车运行轨道以及向下换乘楼梯和通道，虚线部分为地下3层1号线列车运行轨道。列车到站间隔为3分钟，因此观测周期内有20趟列车到达。
新街口为地下三层岛式车站，采用岛岛T型换乘，2号线换乘1号线：二号线换乘一号线直接从站台中间的“T字型”楼梯下降至一号线站台即可。对新街口高峰时段行人流的换乘情况和通道内行人流进行了拍摄，通过图像识别技术提取该时间段内行人通行的速度、密度和流量。经过数据处理，得到换乘通道和换乘楼梯的速度-时间分布图（图5）、密度-时间分布图（图6）和流量-时间分布图（图7）。
基于上述分析流程，如图8~图10所示为通道和楼梯中行人流参数实时数据的核密 度估计。根据前面介绍的方法，首先通过步行速度、人群密度和人群流量的KDE曲线分别计 算拥堵的概率，即
Figure 599026DEST_PATH_IMAGE071
，
Figure 861380DEST_PATH_IMAGE072
，
Figure 589165DEST_PATH_IMAGE073
，那么该区域行人流拥堵的综合概率为：
Figure 812336DEST_PATH_IMAGE074
。
结果可以解释如下。较小的P2值意味着从目前人群密度数值的角度考虑，人们从通道走向楼梯时不太可能发生拥堵，这也符合人群密度在楼梯上没有增加的实际情况。但与此同时，步行速度的下降是值得注意的，同时也可以观察到楼梯上的流量也是下降的，这意味着目前的行动状态下，从通道向楼梯移动的人流可能会拥挤。而P1和P3，特别是P1的值越大，越能定量验证了这一解释。大多数时候，人群密度被用作拥堵的表征，则拥挤概率容易被低估，这对于人群风险评估和安全管理是负面的。因此，本发明所提出的人群拥堵综合概率的计算方法，可以有效弥补这一不足。
若继续对人群进行监测，例如获取18:30~19:30这一时间段内的行人流基本参数， 则可以继续计算得到该换乘通道-楼梯的瓶颈区域内相应的行人流拥堵综合概率，与前一 时间段内计算得到的
Figure 142823DEST_PATH_IMAGE075
做比较，则可判断该瓶颈区域的拥堵风险变化趋势，从而指 导地铁站高峰时期的行人管控。这里关于时间区间的选择仅是作为示例。在实际应用本发 明所述技术对具体区域进行拥堵风险预测时，可根据实际情况进行时间区间的设置。

Claims (3)

1.一种基于数据驱动的疏散瓶颈处人群拥堵风险分析方法，其特征在于，包括如下步骤：
1）数据预处理；
2）计算最佳窗宽；
3）拥堵概率的估计；
4）基于拥堵概率估计的瓶颈处人群疏散风险预测；
步骤1）的数据预处理中，将原始实时数据归一化，归一化的公式为：
Figure DEST_PATH_IMAGE002
公式（3）
Figure DEST_PATH_IMAGE004
和
Figure DEST_PATH_IMAGE006
分别是原始数据的最小值和最大值；
Figure DEST_PATH_IMAGE008
表示原始数据中的第i个样本，i为不小于1的自然数；
Figure DEST_PATH_IMAGE010
表示原始数据中第i个样本被归一化后的结果；
步骤2）所述的最佳窗宽的最佳窗宽计算表达式为：
Figure DEST_PATH_IMAGE012
公式（4）
其中，
Figure DEST_PATH_IMAGE014
公式（5）
h表示最佳窗宽，公式（4）和公式（5）中的n表示样本数量；
Figure DEST_PATH_IMAGE016
表示归一化后的原始数据样本均值；
Figure DEST_PATH_IMAGE010A
表示原始数据中第i个样本被归一化后的结果， i和n为不小于1的自然数；
步骤3）中拥堵概率的估计方法，具体步骤包括：
3-1）将步行速度的实时数据表示为
Figure DEST_PATH_IMAGE018
和
Figure DEST_PATH_IMAGE020
；人群密度的实时数据表示为
Figure DEST_PATH_IMAGE022
和
Figure DEST_PATH_IMAGE024
；流量的实时数据表示为
Figure DEST_PATH_IMAGE026
和
Figure DEST_PATH_IMAGE028
，其中下标A和B分别表示在相连接的两个区域中，这两个区域分别是区域A和区域B；
3-2）使用高斯型的核函数计算每个采样点的概率密度值作为纵坐标，采样点为横坐标，获得基于核密度法的过程参数的概率密度函数曲线；
3-3）在所述概率密度函数曲线中，用
Figure DEST_PATH_IMAGE030
函数表示区域A中行人流量参数的概率密度分布；
Figure DEST_PATH_IMAGE032
表示区域B中行人流量参数的概率密度分布；为便于推导，这里假设行人从区域A往区域B运动，且两个区域的连接处存在瓶颈；
3-3-1）对于步行速度，
Figure DEST_PATH_IMAGE034
大于
Figure DEST_PATH_IMAGE036
的左侧积分区域是区域B拥挤的概率表示，因此，由步行速度推导的拥挤概率可以表示为，
Figure DEST_PATH_IMAGE038
公式（6）
其中，
Figure DEST_PATH_IMAGE040
是当
Figure DEST_PATH_IMAGE036A
和
Figure DEST_PATH_IMAGE034A
相等时的横坐标值；如果
Figure DEST_PATH_IMAGE030A
和
Figure DEST_PATH_IMAGE042
有更多的交点，可以应用步骤3-3-1）的思路来计算P1的值；
3-3-2）对于人群密度和流量，拥挤概率可以分别由
Figure DEST_PATH_IMAGE044
大于
Figure DEST_PATH_IMAGE046
的右侧积分区域以及
Figure DEST_PATH_IMAGE048
大于
Figure DEST_PATH_IMAGE050
的右侧积分区域推导出；因此，得出：
Figure DEST_PATH_IMAGE052
公式（7）
Figure DEST_PATH_IMAGE054
公式（8）
Figure DEST_PATH_IMAGE056
是当
Figure DEST_PATH_IMAGE058
和
Figure DEST_PATH_IMAGE044A
相等时的横坐标值；
Figure DEST_PATH_IMAGE060
是当
Figure DEST_PATH_IMAGE062
和
Figure DEST_PATH_IMAGE064
相等时的横坐标值；
3-4）得到从区域A至区域B时行人出现拥堵的综合概率为：
Figure DEST_PATH_IMAGE066
公式（9）。
2.根据权利要求1所述的基于数据驱动的疏散瓶颈处人群拥堵风险分析方法，其特征在于，步骤4）中基于拥堵概率估计的瓶颈处人群疏散风险预测方法，包括如下步骤：
4-1）针对某个连接两个区域的疏散瓶颈，构建基于步骤3）中拥堵概率的估计方法的疏散拥堵风险预测模型；两个区域分别设为区域I和区域II；
4-2）当人群平均密度ρn高于4人/ m²时，认为此时人群已经达到拥堵状态，风险较高；
4-3）当人群平均密度较低；
4-3-1）则对区域I和区域II同时采集一定时间间隔内的行人流监控数据并执行KDE分析，即执行所述步骤1）~步骤3），计算得到拥堵概率
Figure DEST_PATH_IMAGE068
；
4-3-2）随着人群的持续流动，继续执行基于实时监控数据的KDE分析，计算得到下一时间间隔内的拥堵概率
Figure DEST_PATH_IMAGE070
；
4-3-3）如果
Figure DEST_PATH_IMAGE072
大于
Figure DEST_PATH_IMAGE068A
，就意味着人群正在经历一个随着时间延长越来越拥堵的状态；无论计算得到的概率数值
Figure DEST_PATH_IMAGE068AA
和
Figure DEST_PATH_IMAGE074
具体是多少，瓶颈处都具有相对较高的拥堵风险，因此，这种情况下建议应该采取一些干预措施以控制人群的流动；
4-3-4）如果计算得到的拥堵概率
Figure DEST_PATH_IMAGE074A
不大于
Figure DEST_PATH_IMAGE068AAA
，就意味着人群目前情况下能够相对比较流畅地行走，瓶颈处的拥堵风险被较好地控制住，因此，这种情况下建议继续监测人群流动的实时数据并在下一个时间间隔执行KDE分析，从而动态更新瓶颈处的拥堵风险。
3.根据权利要求2所述的基于数据驱动的疏散瓶颈处人群拥堵风险分析方法，其特征在于，步骤4-3-4）所述的实时数据包括人群流动的速度、密度和流量。
CN201810559744.5A 2018-06-02 2018-06-02 基于数据驱动的疏散瓶颈处人群拥堵风险分析方法 Active CN108876124B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810559744.5A CN108876124B (zh) 2018-06-02 2018-06-02 基于数据驱动的疏散瓶颈处人群拥堵风险分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810559744.5A CN108876124B (zh) 2018-06-02 2018-06-02 基于数据驱动的疏散瓶颈处人群拥堵风险分析方法

Publications (2)

Publication Number Publication Date
CN108876124A CN108876124A (zh) 2018-11-23
CN108876124B true CN108876124B (zh) 2021-07-20

Family

ID=64335155

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810559744.5A Active CN108876124B (zh) 2018-06-02 2018-06-02 基于数据驱动的疏散瓶颈处人群拥堵风险分析方法

Country Status (1)

Country Link
CN (1) CN108876124B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111126713B (zh) * 2019-12-31 2023-05-09 方正国际软件(北京)有限公司 基于卡口数据的时空热点预测方法、装置及控制器
CN112185108B (zh) * 2020-08-27 2021-11-16 银江技术股份有限公司 基于时空特征的城市路网拥堵模式识别方法、设备及介质
CN112182723B (zh) * 2020-10-20 2024-04-16 上海应用技术大学 人群疏散瓶颈拥堵状况分析方法和***
CN112347626B (zh) * 2020-10-28 2022-10-11 山东师范大学 一种人群疏散中恐慌情绪的最优化干预仿真方法及***
CN114782898B (zh) * 2022-05-09 2023-04-07 山东师范大学 基于知识图谱与区域人群密度的人群拥堵预测方法及***
CN114862070B (zh) * 2022-07-07 2022-09-23 西南交通大学 预测人群疏散能力瓶颈的方法、装置、设备及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104157139A (zh) * 2014-08-05 2014-11-19 中山大学 一种交通拥堵预测方法及可视化方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104157139A (zh) * 2014-08-05 2014-11-19 中山大学 一种交通拥堵预测方法及可视化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
王静虹.非常规突发情况下大规模人群疏散的不确定性研究.《中国博士学位论文全文数据库工程科技Ⅰ辑》.2013,第1-143页. *
非常规突发情况下大规模人群疏散的不确定性研究;王静虹;《中国博士学位论文全文数据库工程科技Ⅰ辑》;20130915;第1-143页 *
高速公路合流区上下游交通流量特性分析及预测研究;汪正勇;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20150115;第1-91页 *

Also Published As

Publication number Publication date
CN108876124A (zh) 2018-11-23

Similar Documents

Publication Publication Date Title
CN108876124B (zh) 基于数据驱动的疏散瓶颈处人群拥堵风险分析方法
WO2022126669A1 (zh) 一种基于视频行人识别的地铁人流网络融合方法及人流预测方法
Pawar et al. Critical gap estimation for pedestrians at uncontrolled mid-block crossings on high-speed arterials
Hoogendoorn et al. Pedestrian behavior at bottlenecks
Zheng et al. Intelligent detection of building cracks based on deep learning
CN103914688B (zh) 一种城市道路障碍物识别***
Hartanti et al. Optimization of smart traffic lights to prevent traffic congestion using fuzzy logic
Lu et al. Effects of winter weather on traffic operations and optimization of signalized intersections
CN111368650B (zh) 一种基于轨迹数据的人群拥挤行为识别方法
CN104504897A (zh) 一种基于轨迹数据的交叉***通流特性分析及车辆运动预测方法
Zhou et al. Automatic sewer defect detection and severity quantification based on pixel-level semantic segmentation
Zhu et al. Deep learning for autonomous vehicle and pedestrian interaction safety
US20200202710A1 (en) Video-based crossroad signal machine control method
CN105117683B (zh) 一种公共场所密集人群检测及预警方法
CN111241994B (zh) 一种深度学习的遥感影像农村公路砂化路段的提取方法
WO2022062432A1 (zh) 乘客分布预测模型训练方法与***、乘客诱导方法与***
Liu et al. Simulation of passenger motion in metro stations during rush hours based on video analysis
CN108831162B (zh) 移动通信终端的交通信号控制方法及交通信号控制***
CN112542049A (zh) 智慧交通综合管控平台
CN102663491B (zh) 一种基于surf特征的高密度人群计数方法
JP2019012494A (ja) 人流推定装置及び人流推定システム並びに人流測定方法
Dias et al. Elevated desired speed and change in desired direction: effects on collective pedestrian flow characteristics
Niaki et al. Is that move safe? Case study of cyclist movements at intersections with cycling discontinuities
Ye et al. Pedestrian single-file movement on stairs under different motivations
Shi et al. The effect of obstacle layouts on regulating luggage-laden pedestrian flow through bottlenecks

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
GR01 Patent grant
GR01 Patent grant