《基于时空图神经网络的人群拥堵预测方法及系统.pdf》由会员分享，可在线阅读，更多相关《基于时空图神经网络的人群拥堵预测方法及系统.pdf（12页珍藏版）》请在专利查询网上搜索。
1、(19)国家知识产权局(12)发明专利申请(10)申请公布号 (43)申请公布日 (21)申请号 202310548803.X(22)申请日 2023.05.12(71)申请人 山东师范大学地址 250014 山东省济南市历下区文化东路88号(72)发明人 王天宇刘弘陆佃杰吕蕾(74)专利代理机构 济南圣达知识产权代理有限公司 37221专利代理师 于凤洋(51)Int.Cl.G06Q 10/04(2023.01)G06Q 50/30(2012.01)G06F 16/36(2019.01)G06N 3/0442(2023.01)G06N 3/0464(2023.01)G06N 3/08(202。
2、3.01)(54)发明名称一种基于时空图神经网络的人群拥堵预测方法及系统(57)摘要本发明提出了一种基于时空图神经网络的人群拥堵预测方法及系统，涉及人群疏散计算机仿真领域，建立疏散场景模型，并对疏散场景进行区域划分；对疏散过程进行时段划分，获取各时段各区域的行人速度，判断各时段各区域的拥堵状态；基于疏散场景模型、各时段各区域的行人速度及拥堵状态，建立各时段的疏散场景知识图谱，并根据各时段的疏散场景知识图谱，构造时序时空图；以时序时空图为输入，通过由图卷积网络和门控循环单元构成的时空图神经网络，预测未来时段各区域的行人速度，根据行人速度判断区域拥堵状态；本发明通过获取行人速度判断各时段各区域的拥。
3、堵状态，基于构建的时序时空图，预测各个区域的行人速度，进而得到最终的拥堵状态。权利要求书2页 说明书7页 附图2页CN 116502763 A2023.07.28CN 116502763 A1.一种基于时空图神经网络的人群拥堵预测方法，其特征在于，包括：建立疏散场景模型，并对疏散场景进行区域划分；对疏散过程进行时段划分，获取各时段各区域的行人速度，判断各时段各区域的拥堵状态；基于疏散场景模型、各时段各区域的行人速度及拥堵状态，建立各时段的疏散场景知识图谱，并根据各时段的疏散场景知识图谱，构造时序时空图；以时序时空图为输入，通过由图卷积网络和门控循环单元构成的时空图神经网络，预测未来时段各区域的。
4、行人速度，根据行人速度判断区域拥堵状态。2.如权利要求1所述的一种基于时空图神经网络的人群拥堵预测方法，其特征在于，所述建立疏散场景模型，包括提取疏散场景特征、设置场景尺寸参数、设置出口位置和障碍物位置；所述区域划分，是将疏散场景划分为面积相等的正方形网格。3.如权利要求1所述的一种基于时空图神经网络的人群拥堵预测方法，其特征在于，所述对疏散过程进行时段划分，具体为：将疏散过程根据预设的时间间隔进行时段划分。4.如权利要求1所述的一种基于时空图神经网络的人群拥堵预测方法，其特征在于，所述获取各时段各区域的行人速度，具体方法为：借助设置在各区域的摄像头，获得各时段各区域每个行人的位移距离，计算每。
5、个行人的速度；对区域内所有行人的速度取均值，得到各时段各区域的行人速度。5.如权利要求1所述的一种基于时空图神经网络的人群拥堵预测方法，其特征在于，所述判断各时段各区域的拥堵状态，具体为：通过各时段各区域的行人速度与预设的行人速度阈值的大小比较，确定各时段各区域是否处于拥堵状态。6.如权利要求1所述的一种基于时空图神经网络的人群拥堵预测方法，其特征在于，所述各时段的疏散场景知识图谱的建立方法为：区域、出口和障碍物为静态数据，作为知识图谱的实体；各区域的行人速度、拥堵状态和对应的时段为动态数据，作为知识图谱的属性；建立以区域为中心实体、其他实体与中心实体相连接、中心实体拥有属性的知识图谱。7.如。
6、权利要求1所述的一种基于时空图神经网络的人群拥堵预测方法，其特征在于，所述时序时空图的构造方法为：基于各时段的疏散场景知识图谱，构建各时段的时空图；对所有时段的时空图进行时间排序，得到时序时空图；其中，时段i的时空图K表示为：K(J,N,A,Y,i)其中，J表示区域集合，N表示边集合，相邻的两个区域之间有边连接,i表示时段i，A表示邻接矩阵，Y表示特征矩阵。8.如权利要求7所述的一种基于时空图神经网络的人群拥堵预测方法，其特征在于，所述邻接矩阵，用于表示区域之间的相邻关系；权利要求书1/2 页2CN 116502763 A2所述特征矩阵，由时段i中所有区域的行人速度组成。9.如权利要求1所述的。
7、一种基于时空图神经网络的人群拥堵预测方法，其特征在于，所述图卷积网络，用于提取各区域之间的空间相关性；所述门控循环单元，用于提取各个区域之间的时间相关性。10.一种基于时空图神经网络的人群拥堵预测系统，其特征在于，包括模型构建模块、数据获取模块、时空图构建模块和拥堵预测模块：模型构建模块，被配置为：建立疏散场景模型，并对疏散场景进行区域划分；数据获取模块，被配置为：对疏散过程进行时段划分，获取各时段各区域的行人速度，判断各时段各区域的拥堵状态；时空图构建模块，被配置为：基于疏散场景模型、各时段各区域的行人速度及拥堵状态，建立各时段的疏散场景知识图谱，并根据各时段的疏散场景知识图谱，构造时序时空。
8、图；拥堵预测模块，被配置为：以时序时空图为输入，通过由图卷积网络和门控循环单元构成的时空图神经网络，预测未来时段各区域的行人速度，根据行人速度判断区域拥堵状态。权利要求书2/2 页3CN 116502763 A3一种基于时空图神经网络的人群拥堵预测方法及系统技术领域0001本发明属于人群疏散计算机仿真领域，尤其涉及一种基于时空图神经网络的人群拥堵预测方法及系统。背景技术0002本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。0003在现代社会当中，随着人们生活水平的提高，会有更多的人出行。在很多行人密集的公共场所，比如购物商场、小吃街、商业街等，如果发生紧急的情况，在不。
9、进行合理引导的情况下，人们往往会有恐慌的情绪，有可能会造成严重的拥堵事故；这种拥堵事故不仅会造成人员伤亡和财产损失，还可能对公共治安和社会安全产生极大的影响。0004人群拥堵会对人群疏散过程产生负面影响，因为它会增加疏散的难度和风险，人群拥堵会增加疏散时间，当人群拥堵时，人员的移动速度会变慢，疏散的时间就会增加。0005传统的人群疏散演练的方法需要投入大量的财力和人力，并且存在一定的风险，例如可能会造成人员伤亡、物品损失等问题；通过计算机仿真技术可以大大降低行人疏散演练的成本和风险，提高疏散演练的效率和精度，制定更为科学合理的疏散预案和指导原则，是研究紧急事件下行人疏散的重要方法。0006现有。
10、的人群拥堵预测方案，存在两个问题：1)拥堵状态采用人群密度等判断方式，没有关注行人的流动性；2)人群拥堵或者疏散是一个过程，在前一个时刻的行人状况，会影响下一个时刻的行人的状况，没有关注时间上的相关性；以上两个问题，导致现有的技术方案预测准确度不高。发明内容0007为克服上述现有技术的不足，本发明提供了一种基于时空图神经网络的人群拥堵预测方法及系统，通过获取行人速度判断各时段各区域的拥堵状态，基于构建的时序时空图，预测各个区域的行人速度，进而得到最终的拥堵状态。0008为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：0009本发明第一方面提供了一种基于时空图神经网络的人群拥堵预测方。
11、法；0010一种基于时空图神经网络的人群拥堵预测方法，包括：0011建立疏散场景模型，并对疏散场景进行区域划分；0012对疏散过程进行时段划分，获取各时段各区域的行人速度，判断各时段各区域的拥堵状态；0013基于疏散场景模型、各时段各区域的行人速度及拥堵状态，建立各时段的疏散场景知识图谱，并根据各时段的疏散场景知识图谱，构造时序时空图；0014以时序时空图为输入，通过由图卷积网络和门控循环单元构成的时空图神经网络，预测未来时段各区域的行人速度，根据行人速度判断区域拥堵状态。说明书1/7 页4CN 116502763 A40015进一步的，所述建立疏散场景模型，包括提取疏散场景特征、设置场景尺寸。
12、参数、设置出口位置和障碍物位置；0016所述区域划分，是将疏散场景划分为面积相等的正方形网格。0017进一步的，所述对疏散过程进行时段划分，具体为：0018将疏散过程根据预设的时间间隔进行时段划分。0019进一步的，所述获取各时段各区域的行人速度，具体方法为：0020借助设置在各区域的摄像头，获得各时段各区域每个行人的位移距离，计算每个行人的速度；0021对区域内所有行人的速度取均值，得到各时段各区域的行人速度。0022进一步的，所述判断各时段各区域的拥堵状态，具体为：0023通过各时段各区域的行人速度与预设的行人速度阈值的大小比较，确定各时段各区域是否处于拥堵状态。0024进一步的，所述各时。
13、段的疏散场景知识图谱的建立方法为：0025区域、出口和障碍物为静态数据，作为知识图谱的实体；各区域的行人速度、拥堵状态和对应的时段为动态数据，作为知识图谱的属性；0026建立以区域为中心实体、其他实体与中心实体相连接、中心实体拥有属性的知识图谱。0027进一步的，所述时序时空图的构造方法为：0028基于各时段的疏散场景知识图谱，构建各时段的时空图；0029对所有时段的时空图进行时间排序，得到时序时空图；0030其中，时段i的时空图K表示为：0031K(J,N,A,Y,Ti)0032其中，J表示区域集合，N表示边集合，相邻的两个区域之间有边连接,Ti表示时段i，A表示邻接矩阵，Y表示特征矩阵。0。
14、033进一步的，所述邻接矩阵，用于表示区域之间的相邻关系；0034所述特征矩阵，由时段i中所有区域的行人速度组成。0035进一步的，所述图卷积网络，用于提取各区域之间的空间相关性；0036所述门控循环单元，用于提取各个区域之间的时间相关性。0037本发明第二方面提供了一种基于时空图神经网络的人群拥堵预测系统。0038一种基于时空图神经网络的人群拥堵预测系统，包括模型构建模块、数据获取模块、时空图构建模块和拥堵预测模块：0039模型构建模块，被配置为：建立疏散场景模型，并对疏散场景进行区域划分；0040数据获取模块，被配置为：对疏散过程进行时段划分，获取各时段各区域的行人速度，判断各时段各区域的。
15、拥堵状态；0041时空图构建模块，被配置为：基于疏散场景模型、各时段各区域的行人速度及拥堵状态，建立各时段的疏散场景知识图谱，并根据各时段的疏散场景知识图谱，构造时序时空图；0042拥堵预测模块，被配置为：以时序时空图为输入，通过由图卷积网络和门控循环单元构成的时空图神经网络，预测未来时段各区域的行人速度，根据行人速度判断区域拥堵说明书2/7 页5CN 116502763 A5状态。0043以上一个或多个技术方案存在以下有益效果：0044本发明的一种基于时空图神经网络的人群拥堵预测方法，通过图卷积网络和门控循环单元对行人在疏散的过程中各个区域进行实时的速度预测，根据预测的速度，判断未来各区域的。
16、拥堵状态，提高行人疏散的效率，减少在各个区域中发生拥堵的情况。0045本发明把知识图谱应用到人群疏散领域当中，构建了疏散场景知识图谱，疏散场景知识图谱可以表示疏散场景、各个区域的行人速度和各个区域的拥堵状态，各个区域的拥堵状态会实时地进行更新，并且可以根据疏散场景知识图谱构造动态变化的时序时空图。0046本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。附图说明0047构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。0048图1为第一个实施例的方法流程图。00。
17、49图2为第一个实施例的疏散场景模型示意图。0050图3为第一个实施例疏散场景知识图谱的示意图。0051图4为第一个实施例疏散场景知识图谱的门控循环单元的结构图。具体实施方式0052应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。0053需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其。
18、指明存在特征、步骤、操作、器件、组件和/或它们的组合。0054实施例一0055在一个或多个实施方式中，公开了一种基于时空图神经网络的人群拥堵预测方法，如图1所示，包括如下步骤：0056步骤S1：建立疏散场景模型，并对疏散场景进行区域划分。0057建立疏散场景模型，包括提取疏散场景特征、设置场景尺寸参数、设置场景中障碍物的位置和场景出口的位置；所述人群模型包括人群中的个体数、个体在场景中的位置；把疏散场景划分为很多个大小相同的区域，每个区域面积相等，每个区域形状是正方形的网格；障碍物所在的区域可以做一个特殊标记，因为人群不能通过这个区域；最终的疏散场景模型，如图2所示。0058步骤S2：对疏散过。
19、程进行时段划分，获取各时段各区域的行人速度，判断各时段各区域的拥堵状态，具体步骤为：说明书3/7 页6CN 116502763 A60059步骤S201：对疏散过程进行时段划分0060后面要用到的时序时空图，是根据预设的时间间隔构建的，所以把仿真的疏散过程根据预设的时间间隔分成很多的时段，表示为TT1,Ti,Tn,每个时段都有一个时空图。0061步骤S202：获取各时段各区域的行人速度0062在各个区域中都设置有一个摄像头，摄像头可以获得实时的行人速度，进而计算各时段各区域的行人速度，具体为：获得各时段各区域每个行人的位移距离，计算每个行人的速度；对区域内所有行人的速度取均值，得到各时段各区域。
20、的行人速度；用公式表示为：00630064其中，Sj是区域内第j个行人的位移距离，S是区域内所有行人的位移距离，t是预设的时间间隔，n是区域内行人总数。0065步骤S203：判断各时段各区域的拥堵状态0066在得到各区域的行人速度以后，可以根据各区域的行人速度，判断区域的拥堵情况。0067定义一个行人速度的标准，拥堵时行人速度会减慢，当行人速度低于这个标准，该区域发生了拥堵，否则，该区域没有发生拥堵。0068具体的，通过测算，可以得到行人在疏散的过程中的正常行进速度，通过预设的行人速度阈值，判断是否发生拥堵，本实施例中，行人速度阈值设置为0.2/m。0069对于区域的拥堵状态的判断的规则如下所。
21、示：0070表1区域拥堵状态判定表00710072如表1所示的对应关系，包括区域的拥堵状态、行人速度和对于区域拥堵状态的说明；区域的拥堵状态分为两级：M1和M2，分别对应拥堵和不拥堵。0073步骤S3：基于疏散场景模型、各时段各区域的行人速度及拥堵状态，建立各时段的疏散场景知识图谱，并根据各时段的疏散场景知识图谱，构造时序时空图，具体步骤为：0074步骤S301：建立各时段的疏散场景知识图谱0075首先收集与疏散场景相关的数据，包括出口位置、障碍物位置、行人速度、拥堵状态等信息，其次确定疏散场景知识图谱中的结构，包括知识图谱中实体、属性和关系的类型和定义，再次实体识别和属性抽取，最后构建知识图。
22、谱，将实体、属性和关系加入到知识图谱中。0076具体的，疏散场景知识图谱采用自上向下的方式进行构建，在构建疏散场景知识图谱中最主要的任务是确定疏散场景知识图谱中的结构；本实施例的场景中，有静态数据和动态数据，静态数据是指障碍物、出口、各个区域以及它们之间的连接关系，动态数据是随时间动态变化(时段)的行人速度和拥堵状态；基于上述静态数据和动态数据，以静态数说明书4/7 页7CN 116502763 A7据作为知识图谱的实体，以动态数据作为知识图谱的属性，建立以区域为中心实体、其他实体与中心实体相连接、中心实体拥有属性的知识图谱，图3是疏散场景知识图谱的示意图。0077步骤S302：构造时序时空图。
23、0078所述时序时空图，是对所有时段的时空图进行时间排序，而时段Ti的时空图的构建方法为：0079从时段Ti的疏散场景知识图谱中，可以获得各个区域之间的连接关系，以及各个区域在时段Ti的行人速度，在以上数据的基础上，构建的时空图表示为：0080K(J，N，A，Y，Ti)(2)0081其中，J表示区域集合，N表示边集合，相邻的两个区域之间有边连接，Ti表示时段i，A表示邻接矩阵，Y表示特征矩阵。0082在时空图的邻接矩阵A中，如果两个区域之间相邻，即节点之间有边连接，那么邻接矩阵中的对应位置为1，否则为0。时空图中每个区域的特征，即区域的行人速度，组成一个特征矩阵Y。0083步骤S4：以时序时空。
24、图为输入，通过由图卷积网络和门控循环单元构成的时空图神经网络，预测未来时段各区域的行人速度，根据行人速度判断区域拥堵状态。0084时空图神经网络包括依次相连的图卷积网络、门控循环单元和全连接层，图卷积网络从时空图中提取各区域之间的空间相关性，门控循环单元提取各个区域之间的时间相关性，最后利用全连接层输出预测结果，所述预测结果为未来时段各区域的行人速度，最终按照拥堵的标准来判定各个区域未来的拥堵状态。0085图卷积网络0086在构造完时序时空图以后，把每个时段的时空图作为图卷积网络的输入，从时空图中得到空间特征，图卷积网络的处理过程如下列公式所示：00870088其中，是根据邻接矩阵A计算的度矩。
25、阵，H(l)是第l层输出的空间特征，计算第一层的空间特征时，H(l)的初始值为特征矩阵Y，W(l)是包含该层的参数，表示sigmoid函数，H(l+1)是第l+1层输出的空间特征；是添加了自连接的矩阵，的计算公式如下：00890090其中，B是单位矩阵，A是疏散区域之间的邻接矩阵，是添加了自连接的矩阵。0091使用上述两层的图卷积网络获得最终的空间特征，即各区域之间的空间相关性，计算公式如下：00920093其中，W1是从隐藏到输出层的权重矩阵，W0是从输入到隐藏层的权重矩阵，ReLU是激活层，Y是特征矩阵，Xt是输出的各区域之间的空间相关性，是添加了自连接的矩阵。0094门控循环单元0095。
26、通过图卷积网络获得各个区域之间的空间相关性以后，将图卷积的输出组成时间说明书5/7 页8CN 116502763 A8序列，输入到门控循环单元中；门控循环单元可以获得各个区域之间的时间相关性，因为某个区域在前一个时刻的行人状况，会影响下一个时刻的行人的状况；所以，在时间维度上，各个区域会受到自身历史时刻的行人状况的影响；在通过图卷积网络获取空间相关性以后，使用门控循环单元获取时间相关性，门控循环单元的结构如图4所示。0096门控循环单元，包括重置门和更新门，具体为：0097首先，通过重置门，控制想记住的过去状态的数量，可表示为：0098Rt (XtWr+Ht1Wr+br)(6)0099其中，W。
27、r和br是重置门在训练过程中的不同权重参数，Ht1表示时段t1的输出，Xt表示图卷积网络的输出，Rt表示重置门输出。0100然后，通过更新门，决定过去的隐藏状态和当前的候选状态之间的相对重要性，以及如何将它们结合起来生成当前时刻的隐藏状态，可表示为：0101Zt (XtWz+Ht1Wz+bz)(7)0102其中，Wz和bz是更新门在训练过程中的不同权重参数，Ht1是时段t1的输出，Xt表示图卷积网络的输出，Zt是更新门输出。0103接下来，门控循环单元计算人群在疏散过程中的候选隐藏状态，计算公式可表示为：0104Cttanh(XtWc+(Rt Ht1)Wc+bc)(8)0105其中，Ct表示门。
28、控循环单元的候选隐藏状态，是哈达玛乘积，是对应元素相乘；Wc、bc是训练的参数，Ht1是时段t1的输出，tanh是计算人群疏散过程候选隐藏状态时使用的激活函数，通过计算人群疏散的候选隐藏状态来得到隐藏状态，计算隐藏状态的公式为：0106HtZt Ht1+(1Zt)Ct(9)0107其中，Ht表示新的隐藏状态，作为时段t的预测模型的输出。Zt是本发明预测模型中更新门的输出，Ht1是t1时刻时空图神经网络的输出，Ct表示时空图神经网络中门控循环单元的候选隐藏状态。0108最后通过一个全连接层输出下一时段各个区域的行人速度，利用预测的各个区域的行人速度来判定各个区域的拥堵状态。0109实施例二011。
29、0在一个或多个实施例中，公开了一种基于时空图神经网络的人群拥堵预测系统，包括模型构建模块、数据获取模块、时空图构建模块和拥堵预测模块：0111模型构建模块，被配置为：建立疏散场景模型，并对疏散场景进行区域划分；0112数据获取模块，被配置为：对疏散过程进行时段划分，获取各时段各区域的行人速度，判断各时段各区域的拥堵状态；0113时空图构建模块，被配置为：基于疏散场景模型、各时段各区域的行人速度及拥堵状态，建立各时段的疏散场景知识图谱，并根据各时段的疏散场景知识图谱，构造时序时空图；0114拥堵预测模块，被配置为：以时序时空图为输入，通过由图卷积网络和门控循环单元构成的时空图神经网络，预测未来时段各区域的行人速度，根据行人速度判断区域拥堵状态。0115以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技说明书6/7 页9CN 116502763 A9术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。说明书7/7 页10CN 116502763 A10图1图2说明书附图1/2 页11CN 116502763 A11图3图4说明书附图2/2 页12CN 116502763 A12。