基于知识图谱与区域人群密度的人群拥堵预测方法及系统

摘要

本发明提出了基于知识图谱与区域人群密度的人群拥堵预测方法及系统，通过对疏散场景进行区域划分，计算各个区域的人群密度来判定区域状态和获取区域人群聚集速度，同时构造一个基于概率的区域选择模型预测人群的移动方向，最终构建疏散场景的区域状态知识图谱，利用知识图谱预测人群拥堵；将知识图谱引入到人群疏散拥堵预测的领域，通过对疏散场景中各区域的拥挤状态的计算和整理，构建了区域状态知识图谱，完善了模型对于区域拥挤状态预测的过程，深度提高了模型的表征能力和预测效果，对于提高人群拥堵预测效果和人群疏散效率具有深远的意义。

说明书

技术领域

本发明属于人群疏散计算机仿真领域，尤其涉及基于知识图谱与区域人群密度的人群拥堵预测方法及系统。

背景技术

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。

在现代社会，随着人们物质生活水平的提高和对精神活动的追求，室内公共场所开始出现大量挨肩并足的现象，当紧急情况(火灾、地震等)发生时，无序的疏散不仅疏散效率低下，而且很容易发生拥挤、踩踏等恶性事故，对人们的生命和财产安全构成严重威胁。研究表明，人们在恐慌的情绪下，往往很难准确判断出高效率的疏散路线和疏散出口，极大的降低了疏散效率。

从以往的人群疏散视频中发现，人们由于恐慌情绪的产生，往往会慌不择路，从而出现从众心理以及大量人群拥挤的情况,导致有的出口和疏散区域拥挤的非常严重，而有的疏散路线却人群稀疏，极大降低了疏散的效率。因此，为了能够引导人群合理的选择疏散路线并提高疏散效率，需要对人群疏散方法进行进一步的研究。

传统的人群疏散演练方法，需要耗费大量的人力和财力，并且存在潜在的风险，并不是解决人群疏散问题的最优方法。而相比之下，计算机仿真技术能有较为有效的模拟人群疏散过程的场景，解决了真人疏散演练的弊端，是研究人群疏散问题的重要手段。

因此，在室内公共场所发生突发状况时，如何使用计算机仿真技术对人群进行有效的疏散并为每位群众提供高效的疏散路线和出口，从而减少人员伤亡，是一个值得研究和解决的问题。

发明内容

为克服上述现有技术的不足，本发明提供了基于知识图谱与区域人群密度的人群拥堵预测方法及系统，通过对疏散场景进行区域划分，计算各个区域的人群密度来判定区域状态和获取区域人群聚集速度，同时构造一个基于概率的区域选择模型预测人群的移动方向，最终构建疏散场景的区域状态知识图谱，利用知识图谱预测人群拥堵，从而为人群疏散过程提供科学指导。

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：

本发明第一方面提供了基于知识图谱与区域人群密度的人群拥堵预测方法；

基于知识图谱与区域人群密度的人群拥堵预测方法，包括：

初始化二维的疏散场景模型和人群模型，将疏散场景进行区域划分；

实时计算各区域人群密度，判断各区域的拥挤状态；

根据各区域与出口的距离以及人群密度来计算各区域引力值，利用引力值计算各区域的人群疏散到邻域区域的概率，构建基于概率的区域选择模型；

根据各区域人群密度计算人群聚集速度；

以各出口和区域的相对位置、区域拥挤状态为基础，构建区域拥挤状态知识图谱，实时预测各区域的区域拥挤状态。

进一步的，所述初始化二维的疏散场景模型，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、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。

进一步的，区域划分的具体步骤为：

定义疏散场景模型的二维坐标系x-o-y，原点o在疏散场景模型的左下角区域的中心点；

设置边长为指定长度的正方形为一个单位区域，将疏散场景模型划分为多个单位区域。

进一步的，所述区域人群密度为单位面积上的个体数；

根据各区域的人群密度，判定各区域的不同等级的区域拥挤状态，区域拥挤状态分为四个等级：不拥挤、一般拥挤、严重拥挤和障碍物。

进一步的，所述人群聚集速度，是在单位时间内，人群从邻域区域转移过来的个体数，由人群密度所决定，当人群之间越拥挤时，个体对于人群的排斥力就越大，移动的速度就越低。

进一步的，所述区域拥挤状态知识图谱，是将每个区域、疏散出口以及区域拥挤状态作为知识图谱的实体，建立区域、疏散出口和区域拥挤状态之间的实体关系。

进一步的，实时预测各区域的区域拥挤状态的具体方法为：

根据基于概率的区域选择模型中人群向各邻域区域移动的概率进行疏散，当人群从一个区域转移到邻域区域时，拥堵在区域之间传播，当前区域拥堵逐渐消退，邻域区域拥堵增加，从而使知识图谱中的区域状态实体发生转换,拥堵传播的速度由人群聚集速度决定；

不断迭代上述过程，区域状态知识图谱实时更新各区域拥挤状态，预测各区域状态。

本发明第二方面提供了基于知识图谱与区域人群密度的人群拥堵预测系统。

基于知识图谱与区域人群密度的人群拥堵预测系统，包括初始化模块、拥挤判断模块、区域选择模块、速度计算模块和拥挤预测模块；

初始化模块，被配置为：初始化二维的疏散场景模型和人群模型，将疏散场景进行区域划分；

拥挤判断模块，被配置为：实时计算各区域人群密度，判断各区域的拥挤状态；

区域选择模块，被配置为：根据各区域与出口的距离以及人群密度来计算各区域引力值，利用引力值计算各区域的人群疏散到邻域区域的概率，构建基于概率的区域选择模型；

速度计算模块，被配置为：根据各区域人群密度计算人群聚集速度；

拥挤预测模块，被配置为：以各出口和区域的相对位置、区域拥挤状态为基础，构建区域拥挤状态知识图谱，实时预测各区域的区域拥挤状态。

本发明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发明第一方面所述的基于知识图谱与区域人群密度的人群拥堵预测方法中的步骤。

本发明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发明第一方面所述的基于知识图谱与区域人群密度的人群拥堵预测方法中的步骤。

以上一个或多个技术方案存在以下有益效果：

(1)本发明基于知识图谱与区域人群密度的人群拥堵预测方法，对疏散场景进行了区域划分，考虑真实情况中区域的各种状态下人群的疏散过程，对人群疏散的各个区域进行实时的拥堵预测，很大程度上降低了人群在各个疏散区域中拥堵的情况，提高了疏散效率和人群稀疏路线的利用率。

(2)本发明构建了一种基于概率的区域选择模型，考虑到疏散场景中影响人群路线选择的因素，优化区域选择策略，考虑了各区域到出口的距离、个体对拥挤人群的排斥、人群对出口位置的熟悉程度，提高了人群疏散过程中对路线选择的真实性。

(3)本发明提出了人群区域聚集速度，考虑了人群在区域间转移时，人群的疏散速度受到区域拥挤状态的影响，当区域越拥挤时疏散的速度越慢，因此，引入人群区域聚集速度的概念对人群拥堵预测起到了至关重要的作用。

(4)本发明将知识图谱引入到人群疏散拥堵预测的领域，通过对疏散场景中各区域的拥挤状态的计算和整理，构建了区域状态知识图谱，完善了模型对于区域拥挤状态预测的过程，深度提高了模型的表征能力和预测效果，对于提高人群拥堵预测效果和人群疏散效率具有深远的意义。

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

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。

图1是第一个实施例的方法流程图；

图2是本发明疏散场景和人群二维模型示意图；

图3是本发明人群疏散场景区域划分的示意图；

图4是本发明人群移动方向示意图；

图5是本发明区域状态知识图谱的模式层；

图6是本发明区域状态知识图谱的示意图；

图7是本发明知识图谱的区域状态更新示意图；

图8是第二个实施例的系统结构图。

具体实施方式

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

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发明的示例性实施方式。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例一

本实施例公开了基于知识图谱与区域人群密度的人群拥堵预测方法；

如图1所示，基于知识图谱与区域人群密度的人群拥堵预测方法，包括：

1)初始化二维的疏散场景模型和人群模型，将疏散场景进行区域划分；

所述初始化二维的疏散场景模型，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、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，初始化后的二维的疏散场景模型和人群模型如图2所示。

进一步的，所述疏散场景区域划分的步骤为：

如图3所示，步骤(1)中疏散场景按区域划分的方法包括：

定义疏散场景模型的二维坐标系x-o-y，原点o在疏散场景模型的左下角区域的中心点位置，向上为x轴，向右为y轴；

设置边长为指定长度L的正方形为一个单位区域，将疏散场景模型划分为多个单位区域，每个区域的中心点坐标代表区域的坐标位置。

在具体实施例中，正方形的边长L设置为2，相邻两个区域的中心点坐标距离为2。

2)实时计算各区域人群密度，判断各区域的拥挤状态；

通过对各区域人群密度的计算获取各个区域的拥挤状态，所述各区域人群密度的计算公式如下，

其中，ρ

各区域拥挤状态的判定方法包括：

计算各区域的人群密度：中心点坐标为(i，j)的区域个体数为n

对于区域拥挤状态的判定规则如下所示：

表1区域状态判定表：

表1是本发明的区域拥挤状态的判定表，如表1所示的对应关系包括区域拥挤状态对应的人群密度及各状态拥挤程度的说明。各区域拥挤状态S分为S1、S2、S3和S4这四种不同等级的拥挤状态，分别对应不拥挤、一般拥挤、严重拥挤和障碍物四种区域状态。区域拥挤状态的判定直接受人群密度决定。当个体位于多个区域之间的位置时，由于个体偏向于朝出口方向移动，将该个体归属于所在多个区域中距离出口最近的区域。当障碍物所占区域面积超过一半时，则区域的状态为S4。

3)根据各区域与出口的距离以及人群密度来计算各区域引力值，利用引力值计算各区域的人群疏散到邻域区域的概率，构建基于概率的区域选择模型；

所述的基于概率的区域选择模型，包括：

计算疏散场景中各区域离最近出口的距离，在疏散的过程中，人们更偏向于选择距离出口最近的区域；

计算疏散场景中各区域的引力值，区域引力值取决于出口位置、区域人群密度、人群受拥挤的影响以及人群对出口位置的熟悉程度；

计算人群向各邻域区域移动的概率，引力值越大的区域，被人群选择的概率就会越大。

所述各区域与最近出口的距离采用欧氏距离来表示，本发明基于欧式距离公式进行扩展，具体计算公式如下，

其中，dis

所述区域引力值表示区域对邻域的吸引力，具有越大的引力值的区域对人群有更大的吸引力，对于区域引力值的计算公式如下，

其中，g

在疏散的过程中，人群更偏向于选择朝着吸引力大的邻域方向移动，在本发明中，人群有更大的概率朝着引力值更大的邻域移动，此概率的计算公式如下，

其中，p

计算疏散场景中各区域距离最近出口的距离：考虑到在疏散的过程中，人群大多数会径直移动到逃生出口，因此本发明采用欧氏距离作为衡量出口与区域之间距离的方法，距离出口越近的区域有更大的概率被人群选择；

计算疏散场景中各区域的引力值，区域的引力值取决于出口位置、区域人群密度、个体受拥挤区域的影响以及人群对出口位置的熟悉程度；

计算人群向各邻域区域移动的概率，引力值越大的区域，被人群选择的概率就会越大。

4)根据各区域人群密度计算人群聚集速度；

所述人群聚集速度表示在单位时间t内，人群从邻域区域转移过来的个体数，由人群密度所决定，当人群之间越拥挤时，个体对于人群的排斥力就越大，移动的速度就会越低，具体计算公式如下：

其中，v

5)以各出口和区域的相对位置、区域拥挤状态为基础，构建区域拥挤状态知识图谱，实时预测各区域的区域拥挤状态。

区域状态知识图谱的构建方法为自上而下的构建，首先定义知识图谱的逻辑结构和语义层面，再将数据根据定义好的知识图谱进行构建。区域状态知识图谱构建的主要任务是初步得到区域状态知识图谱的模式层。如图5-图6所示，区域状态知识图谱需要静态数据和动态数据两种数据模式。静态数据是指疏散区域之间的拓扑关系，描述了区域之间的连通性。动态数据是以时间为单位动态变化的，区域状态实体包括人群聚集速度和人群密度两个属性作为动态数据。

疏散开始时，人群根据步骤(3)中的基于概率的区域选择模型进行疏散，当人群从一个区域转移到邻域区域时，拥堵在区域之间传播，当前区域拥堵逐渐消退，邻域区域拥堵增加，从而使知识图谱中的区域状态实体发生转换。其中拥堵传播的速度受人群聚集速度决定。

如图7所示，图中的知识图谱为第t时刻下提取的疏散场景的状态，通过人群的疏散，A5区域的拥堵人群朝A1方向传播，A1区域与A6区域的拥堵朝A2方向传播。相应的各区域状态实体发生转换，继而获取到第t+1时刻的预测状态。不断迭代上述过程，区域状态知识图谱实时更新各区域拥挤状态，最终达到预测各区域状态的目的。

实施例二

本实施例公开了基于知识图谱与区域人群密度的人群拥堵预测系统；

如图8所示，基于知识图谱与区域人群密度的人群拥堵预测系统，包括初始化模块、拥挤判断模块、区域选择模块、速度计算模块和拥挤预测模块；

初始化模块，被配置为：初始化二维的疏散场景模型和人群模型，将疏散场景进行区域划分；

拥挤判断模块，被配置为：实时计算各区域人群密度，判断各区域的拥挤状态；

区域选择模块，被配置为：根据各区域与出口的距离以及人群密度来计算各区域引力值，利用引力值计算各区域的人群疏散到邻域区域的概率，构建基于概率的区域选择模型；

速度计算模块，被配置为：根据各区域人群密度计算人群聚集速度；

拥挤预测模块，被配置为：以各出口和区域的相对位置、区域拥挤状态为基础，构建区域拥挤状态知识图谱，实时预测各区域的区域拥挤状态。

实施例三

本实施例的目的是提供计算机可读存储介质。

计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开实施例1所述的基于知识图谱与区域人群密度的人群拥堵预测方法中的步骤。

实施例四

本实施例的目的是提供电子设备。

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公开实施例1所述的基于知识图谱与区域人群密度的人群拥堵预测方法中的步骤。

以上实施例二、三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。

本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。