[發明專利]一種基于人工神經網絡的行人運動速度預測方法

有效

• 申請號: 201810186989.8
• 申請日: 2018-03-07
• 公開（公告）號: CN108428243B
• 公開（公告）日: 2022-02-11
• 發明（設計）人: 宋曉;韓道麟;袁春雄;孫鏡涵;謝鴻楠;劉敬
• 申請（專利權）人: 北京航空航天大學
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06V10/774;G06K9/62;G06N3/04
• 代理公司: 北京永創新實專利事務所 11121
• 代理人: 趙文穎

本發明公開了一種基于人工神經網絡的行人運動速度預測方法，包括第一步，構建面向人群運動的人工神經網絡；第二步，根據人工神經網絡的輸入/輸出參數，生成學習樣本；第三步，基于所構建的人工神經網絡學習人群運動行為。本發明充分考慮到行人之間的復雜交互，并依托實際場景進行了仿真。實驗結果表明，本發明提出的速度預測模型相比于傳統的模型更好地對行人的微觀軌跡進行仿真和預測。

技術領域

本發明涉及計算機仿真和人工智能技術領域，特別涉及一種基于人工神經網絡的行人運動速度預測模型，用于人群的運動軌跡仿真。

背景技術

人群的運行狀態是由很多種因素共同決定，其涉及空間結構、環境類型、組織管理、安全措施、突發事件等外部因素和人群中每個個體的身體狀況、心理環境等內部因素。從微觀角度來構建的行人流運動模型的發展，對于公共交通設施的設計和管理至關重要，通過該方向的研究可以挖掘出人流在運動過程做出相應反應的深層次原因，有利于在大型公共場所突發緊急情況時進行合理的人群疏散。因此，從微觀角度構建的行人流運動模型受到了越來越多的關注。

目前，有很多各具特性的行人流模型已經開發出來，其主要可以分為兩類：宏觀行人模型和微觀行人模型。宏觀的行人模型將原本復雜的行人運動場景轉化為點和線的關系呈現出來并將研究的中心放在人群的運動時間上。這種模型是得到行人運動狀態概況的快速途徑，但無法描述其在不同時間和不同地點的運動模式。微觀的行人模型通過將傳統的運動定律強加到每一個個體上并讓他們進行仿真交互以此來獲得更多的運動細節信息。通過這種方式，在人群密集的瓶頸區域，人與人之間的相互沖撞可以得到預測和緩和。現階段微觀模型主要分為社會力模型和基于個體模型兩類。社會力模型使用牛頓運動定律去描述行人和障礙物之間的交互，行人在連續空間中的運動狀態決定于他所受到的合力，由于合力中存在行人之間的心理力，不利于定量預測行人運動速度。基于個體模型的行人仿真，主要通過行人對周邊信息的感知來調整移動方向，但對于人群在特定情況下的速度反應仍然沒有特別具體的描述。所以，雖然以上的模型已經得到了廣泛的應用，但是行人流運動模式的仿真由于速度方向和變速范圍的限制仍存在很多技術難題。

發明內容

本發明的目的是為了解決傳統的行人流仿真模型無法準確描述行人運動速度的缺點，提出一種基于人工神經網絡(人工神經網絡是一種運算模型，由大量的節點相互聯系構成，每個節點代表一種特定的輸入函數，它是在現代神經科學研究成果的基礎上提出的，試圖通過模擬大腦在生理結構上處理、記憶的方式進行信息處理)的行人運動速度預測方法。在該方法實施的過程中，需考慮到個體的部分行為不可定量描述的特點，創新性的使用神經網絡結構學習人群中每個人的運動特征，并通過實驗的方式采集數據校驗了網絡結構，結果顯示人工神經網絡(ANN)結構良好且預測結果準確。

一種基于人工神經網絡的行人運動速度預測方法，包括以下幾個步驟：

第一步，構建面向人群運動的人工神經網絡；

人工神經網絡基于多層神經網絡，體系結構由輸入層，隱藏層和輸出層組成，每層包含多個神經元，每層的神經元與相鄰層神經元相連，輸入層為一層，隱含層為兩層，輸出層為一層；

第二步，根據人工神經網絡的輸入/輸出參數，生成學習樣本；

第三步，基于所構建的人工神經網絡學習人群運動行為。

本發明的優點是：

(1)本發明的行人軌跡運動模型真實性強，準確性高：傳統的運動軌跡預測模型多基于固定的定律或者公式(如社會力模型)，導致其雖然能夠一定程度上描述宏觀行人的運動趨勢，但是在人群特征(人數、平均期望速度等)達到一定值時不區分場景的模擬模型能夠描述的人群現象(如人數較多時使用社會力模型在狹小出口幾乎必然出現無視期望速度的堵塞現象)。相比于傳統模型，人工神經網絡通過對大量學習樣本進行反復學習，能智能擬合行人運動時的交互從而保證模型的預測精度；