水灾场景下地下车站疏散高风险区预测方法和装置

本技术实施例涉及计算机，尤其涉及水灾场景下地下车站疏散高风险区预测方法和装置。

背景技术：

1、地铁交通系统是城市交通非常重要的组成部分，能够在城市交通拥堵时提供高效且快速的通行服务。然而，由于地下车站空间狭小，人员密度和流量大，当水灾来临时，人员不易疏散，对乘客生命安全构成威胁。因此预测出地下车站内高风险区，疏散站内人员到安全的地方是一项关键问题。

技术实现思路

1、本技术实施例提出了水灾场景下地下车站疏散高风险区预测方法和装置。

2、第一方面，本技术的一些实施例提供了一种地下车站高风险区的预测，该方法包括：获取地下车站的乘客信息以及水灾场景信息；将所获取的乘客信息以及水灾场景信息输入至预先训练的疏散预测模型，其中，所述疏散预测模型用于表征地下车站的乘客信息以及水灾场景信息与水灾场景下地下车站的子区域内的乘客密度和/或流量之间的对应关系；根据所述疏散预测模型的输出确定水灾场景下所述地下车站乘客疏散的高风险区。

3、在一些实施例中，所述疏散预测模型的训练数据和/或测试数据通过以下步骤得到：基于流体仿真软件构建所述地下车站的水动力学仿真系统；基于社会力模型的个体运动仿真软件，构建乘客疏散仿真系统，所述地下车站预先划分有至少两个子区域；基于所述水动力学仿真系统和所述乘客疏散仿真系统进行模拟得到不同乘客信息以及水灾场景信息对应的地下车站的子区域内的乘客密度和/或流量。

4、在一些实施例中，所述子区域包括闸机区域、楼梯区域和出口区域，所述乘客疏散仿真系统中的个体包括进出闸机、进出出入口、上下楼梯的乘客以及在站台层的候车乘客，所述乘客信息包括乘客的人物属性、乘客数量和乘客位置，所述乘客的人物属性包括中青年、老年，中青年携带孩童，所述乘客位置包括站台层和站厅层，所述水灾场景信息包括水深和水流速度；以及所述基于所述水动力学仿真系统和所述乘客疏散仿真系统进行模拟得到不同乘客信息以及水灾场景信息对应地下车站的子区域的乘客密度和/或流量，包括：基于所述水动力学仿真系统，设置洪水入侵口和洪水入侵速度，仿真得到水灾场景下地下车站内的水深；根据仿真得到的水深确定乘客在水灾影响下的行进速度；基于所述乘客疏散仿真系统，设置乘客的人物属性、乘客数量和乘客位置，结合所述乘客在水灾影响下的行进速度，得到地下车站的子区域的乘客密度和/或流量。

5、在一些实施例中，所述乘客在水灾影响下的行进速度通过以下公式计算：

6、

7、

8、

9、其中，是正常情况下乘客运动速度， 是由于疲劳而导致的速度下降的比率，是乘客行走的时间，是由于水深而导致的速度下降的比率，是预先设置的乘客无法行走的临界水深， 为预先设置的洪水对乘客行走影响较小或无影响的洪水水深。

10、在一些实施例中，所述疏散预测模型通过以下步骤建立：基于随机森林预测模型建立初始预测模型，其中，所述初始预测模型中决策树数目基于基尼系数选择特征的分类回归决策树cart确定；通过减法平均优化器算法对所述初始预测模型进行优化，得到所述疏散预测模型。

11、在一些实施例中，所述通过减法平均优化器算法对所述初始预测模型进行优化，得到所述疏散预测模型，包括：设置目标函数，利用训练数据对所述初始预测模型进行训练；初始化减法平均优化器种群，设置决策树的取值范围；利用减法平均优化器算法对所述初始预测模型中的决策树的数目进行优化，将决策树的数目和叶子数作为减法平均优化器算法的一组候选解，更新最佳搜索代理位置；通过迭代计算，得到减法平均优化器算法的目标函数中最优值对应的候选解，作为所述疏散预测模型中的决策树的数目和叶子数，完成模型的训练。

12、在一些实施例中，所述目标函数包括：

13、

14、其中，为组合分类模型，为单个决策树分类模型，为输入变量，为输出变量，为指示函数，leaves表示叶子节点个数。

15、在一些实施例中，所述设置目标函数，利用训练数据对所述初始预测模型进行训练，包括：通过训练数据，构造出决策树进行训练，从根开始，按照决策树的分类属性逐层往下划分，直到叶节点，获得概念分类结果；引入决策树的评价函数：

16、

17、其中，为当前叶子节点内所有样本的熵值，为该叶子节点在所有叶子中的权重数（叶子节点的样本数），为所有叶子累加的熵值；通过创建决策树数目和叶子数，构造随机森林。

18、在一些实施例中，所述通过减法平均优化器算法对所述初始预测模型进行优化，得到所述疏散预测模型，包括：在上限值和下限值的范围内采用rand函数随机生成粒子，初始化搜索代理的位置，其中，所述搜索代理用于确定决策变量的值，所述搜索代理的集合构成了算法的总体，所述算法的总体通过以下方程表示：

19、

20、

21、其中，是减法平均优化器算法sabo群体矩阵，是第个搜索代理，xi,d是其在搜索空间中的第维决策变量，是搜索代理的数量，是决策变量的数量，是区间[0,1]内的随机数，和分别是第个决策变量的下界和上界；基于每个搜索代理评估目标函数，所述目标函数的评估值通过以下公式表示；

22、

23、其中，是目标函数值的向量，是基于第个搜索代理的目标函数的评估值；

24、通过以下公式更新搜索代理的位置：

25、

26、

27、其中，是新运算出的第个搜索代理；是基于新运算出的第个搜索代理的目标函数的评估值，是粒子的总数，是一个服从正态分布的随机值，“”为搜索代理b与搜索代理a的减法，公式如下：

28、

29、其中，是一个维度为m的向量，是一个[1,2]生成的随机数，f(a)和f(b)分别是搜索代理a和b的目标函数的值，sign是signum函数。

30、第二方面，本技术的一些实施例提供了一种水灾场景下地下车站疏散高风险区预测装置，该装置包括：获取单元，被配置成获取地下车站的乘客信息以及水灾场景信息；预测单元，被配置成将所获取的乘客信息以及水灾场景信息输入至预先训练的疏散预测模型，其中，所述疏散预测模型用于表征地下车站的乘客信息以及水灾场景信息与水灾场景下地下车站的子区域内的乘客密度和/或流量之间的对应关系；确定单元，被配置成根据所述疏散预测模型的输出确定水灾场景下所述地下车站乘客疏散的高风险区。

31、在一些实施例中，所述装置还包括仿真单元，仿真单元被配置为通过以下步骤得到疏散预测模型的训练样本数据和/或测试样本数据：基于流体仿真软件构建所述地下车站的水动力学仿真系统；基于社会力模型的个体运动仿真软件，构建乘客疏散仿真系统，所述地下车站预先划分有至少两个子区域；基于所述水动力学仿真系统和所述乘客疏散仿真系统进行模拟得到不同乘客信息以及水灾场景信息对应的地下车站的子区域内的乘客密度和/或流量。

32、在一些实施例中，所述子区域包括闸机区域、楼梯区域和出口区域，所述乘客疏散仿真系统中的个体包括进出闸机、进出出入口、上下楼梯的乘客以及在站台层的候车乘客，所述乘客信息包括乘客的人物属性、乘客数量和乘客位置，所述乘客的人物属性包括中青年、老年，中青年携带孩童，所述乘客位置包括站台层和站厅层，所述水灾场景信息包括水深和水流速度；以及所述仿真单元，进一步被配置成：基于所述水动力学仿真系统，设置洪水入侵口和洪水入侵速度，仿真得到水灾场景下地下车站内的水深；根据仿真得到的水深确定乘客在水灾影响下的行进速度；基于所述乘客疏散仿真系统，设置乘客的人物属性、乘客数量和乘客位置，结合所述乘客在水灾影响下的行进速度，得到地下车站的子区域的乘客密度和/或流量。

33、在一些实施例中，所述乘客在水灾影响下的行进速度通过以下公式计算：

34、

35、

36、

37、其中，是正常情况下乘客运动速度， 是由于疲劳而导致的速度下降的比率，是乘客行走的时间，是由于水深而导致的速度下降的比率，是预先设置的乘客无法行走的临界水深， 为预先设置的洪水对乘客行走影响较小或无影响的洪水水深。

38、在一些实施例中，所述方法还包括模型建立单元，所述模型建立单元被配置成通过以下步骤建立所述疏散预测模型：基于随机森林预测模型建立初始预测模型，其中，所述初始预测模型中决策树数目基于基尼系数选择特征的分类回归决策树cart确定；通过减法平均优化器算法对所述初始预测模型进行优化，得到所述疏散预测模型。

39、在一些实施例中，所述模型建立单元进一步被配置成：设置目标函数，利用训练数据对所述初始预测模型进行训练；初始化减法平均优化器种群，设置决策树的取值范围；利用减法平均优化器算法对所述初始预测模型中的决策树的数目进行优化，将决策树的数目和叶子数作为减法平均优化器算法的一组候选解，更新最佳搜索代理位置；通过迭代计算，得到减法平均优化器算法的目标函数中最优值对应的候选解，作为所述疏散预测模型中的决策树的数目和叶子数，完成模型的训练。

40、在一些实施例中，所述目标函数包括：

41、

42、其中，为组合分类模型，为单个决策树分类模型，为输入变量，为输出变量，为指示函数。

43、在一些实施例中，所述模型建立单元进一步被配置成：

44、通过训练数据，构造出决策树进行训练，从根开始，按照决策树的分类属性逐层往下划分，直到叶节点，获得概念分类结果；引入决策树的评价函数：

45、

46、其中，为当前叶子节点内所有样本的熵值，为该叶子节点在所有叶子中的权重数（叶子节点的样本数），为所有叶子累加的熵值；通过创建决策树数目和叶子数，构造随机森林。

47、在一些实施例中，所述模型建立单元进一步被配置成：

48、在上限值和下限值的范围内采用rand函数随机生成粒子，初始化搜索代理的位置，其中，所述搜索代理用于确定决策变量的值，所述搜索代理的集合构成了算法的总体，所述算法的总体通过以下方程表示：

49、

50、

51、其中，是减法平均优化器算法sabo群体矩阵，是第个搜索代理，xi,d是其在搜索空间中的第维决策变量，是搜索代理的数量，是决策变量的数量，是区间[0,1]内的随机数，和分别是第个决策变量的下界和上界；基于每个搜索代理评估目标函数，所述目标函数的评估值通过以下公式表示；

52、

53、其中，是目标函数值的向量，是基于第个搜索代理的目标函数的评估值；

54、通过以下公式更新搜索代理的位置：

55、

56、

57、其中，是新运算出的第个搜索代理；是基于新运算出的第个搜索代理的目标函数的评估值，是粒子的总数，是一个服从正态分布的随机值，“”为搜索代理b与搜索代理a的减法，公式如下：

58、

59、其中，是一个维度为m的向量，是一个[1,2]生成的随机数，f(a)和f(b)分别是搜索代理a和b的目标函数的值，sign是signum函数。

60、第三方面，本技术的一些实施例提供了一种设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当上述一个或多个程序被上述一个或多个处理器执行，使得上述一个或多个处理器实现如第一方面上述的方法。

61、第四方面，本技术的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面上述的方法。

62、面对如何确定水灾场景下地下车站疏散高风险区的技术问题，本技术实施例提供的水灾场景下地下车站疏散高风险区预测方法和装置，通过获取地下车站的乘客信息以及水灾场景信息；将所获取的乘客信息以及水灾场景信息输入至预先训练的疏散预测模型，其中，疏散预测模型用于表征地下车站的乘客信息以及水灾场景信息与水灾场景下地下车站的子区域内的乘客密度和/或流量之间的对应关系；根据疏散预测模型的输出确定水灾场景下地下车站乘客疏散的高风险区，可用于水灾发生时，合理的引导乘客进行疏散，避免乘客聚集在高风险区，从而提高整个地下车站的安全性。