[发明专利]一种基于时空图神经网络的人群拥堵预测方法及系统

权利要求书

1.一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；

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。