[发明专利]基于数据驱动的疏散瓶颈处人群拥堵风险分析方法

权利要求书

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：

公式（3）

和分别是原始数据的最小值和最大值； 表示原始数据中的第i个样本，i为不小于1的自然数；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：

公式（4）

其中，

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；表示归一化后的原始数据样本均值；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和；人群密度的实时数据表示为和；流量的实时数据表示为和，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，用函数表示区域A中行人流量参数的概率密度分布；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，大于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，

公式（6）

其中，是当和相等时的横坐标值；如果和有更多的交点，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大于的右侧积分区域以及大于的右侧积分区域推导出；因此，得出：

公式（7）

公式（8）

是当和相等时的横坐标值；是当和相等时的横坐标值；

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：

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ρ_n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；

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；

4-3-3）如果大于，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和具体是多少，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不大于，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。