-
公开(公告)号：CN108733876B
公开(公告)日：2022-11-01
申请号：CN201810300188.X
申请日：2018-04-04
Applicant: 北京交通大学
IPC: G06F30/20
Abstract: 本发明公开了一种火灾演变仿真方法，该方法包括以介观方法的格子玻尔兹曼方法为基础，针对地铁站内火灾特点融合相关理论方法，建立了二维火灾仿真模型，在格子玻尔兹曼方法基础模型中添加温度分布函数演化方程，构建双分布函数热格子方法模型，模拟流体中的热传递；采用大涡模拟法进行湍流模拟，引入亚格子模型，利用物理黏度和涡黏度重构模型中的松弛时间，构建格子玻尔兹曼亚格子模型；引入流体中障碍物的边界处理格式，模拟流体对于障碍物的绕流；通过涡限制方法求解计算，重现烟雾浓度扩散过程。该方法优化了火灾演变仿真，提高了仿真真实度、降低了仿真误差。本发明还公开了一种包括上述火灾演变仿真方法的火灾疏散综合仿真方法。
-
公开(公告)号：CN109598076A
公开(公告)日：2019-04-09
申请号：CN201811503000.8
申请日：2018-12-10
Applicant: 北京交通大学
IPC: G06F17/50
Abstract: 本申请属于城市轨道交通应急管理技术领域，特别是涉及一种城市轨道交通应急疏散仿真系统及方法。本申请提供了一种城市轨道交通应急疏散仿真系统，仿真系统包括实验平台子系统，实验平台子系统包括数据交互单元、虚拟设备单元、疏散场景单元和疏散资源单元；数据交互单元，用于设置实验影响因素和加载火灾演化数据，使得参与者进入虚拟场景进行实验，同时获取参与者面对紧急情况的反应数据；虚拟设备单元，用于让参与者在虚拟环境中感受真实的场景；疏散场景单元，用于构建完整的城市轨道交通系统疏散环境；疏散资源单元，用于构建各种疏散标识、应急疏散灯和广播资源库。为科学合理地制定应急疏散预案和保证乘客安全性提供有力的理论依据和保证。
-
公开(公告)号：CN108733876A
公开(公告)日：2018-11-02
申请号：CN201810300188.X
申请日：2018-04-04
Applicant: 北京交通大学
IPC: G06F17/50
Abstract: 本发明公开了一种火灾演变仿真方法，该方法包括以介观方法的格子玻尔兹曼方法为基础，针对地铁站内火灾特点融合相关理论方法，建立了二维火灾仿真模型，在格子玻尔兹曼方法基础模型中添加温度分布函数演化方程，构建双分布函数热格子方法模型，模拟流体中的热传递；采用大涡模拟法进行湍流模拟，引入亚格子模型，利用物理黏度和涡黏度重构模型中的松弛时间，构建格子玻尔兹曼亚格子模型；引入流体中障碍物的边界处理格式，模拟流体对于障碍物的绕流；通过涡限制方法求解计算，重现烟雾浓度扩散过程。该方法优化了火灾演变仿真，提高了仿真真实度、降低了仿真误差。本发明还公开了一种包括上述火灾演变仿真方法的火灾疏散综合仿真方法。
-
公开(公告)号：CN111667092B
公开(公告)日：2023-06-23
申请号：CN202010316862.0
申请日：2020-04-21
Applicant: 北京交通大学
IPC: G06Q10/04 , G06Q50/26 , G06Q10/067 , G06N3/0464 , G06N3/048 , G06N3/08
Abstract: 本发明公开了一种基于图卷积神经网络的轨道交通短时客流预测方法和系统。该方法包括：以图结构G＝(V，E，A)表征城市轨道交通网络，并以t时刻的特征矩阵F＝(Xt，Xt‑1，Xt‑2，…Xt‑m+1)表示t时刻之前m个时间间隔的历史客流情况，其中V表示地铁车站的数目，车站与车站之间有E条边，A∈Rn×n是表征车站之间是否相邻的邻接矩阵，F的维度为n×m，n为车站数目；构建深度学习模型，学习t时刻的特征矩阵F和邻接矩阵A与预测的t+1时刻各车站客流情况之间的映射关系。本发明能够准确预测轨道交通的短时客流情况，对城市轨道交通运营管理部门进行全网水平的短时客流监测、实时管理和工程实践具有重要的指导意义。
-
公开(公告)号：CN111667092A
公开(公告)日：2020-09-15
申请号：CN202010316862.0
申请日：2020-04-21
Applicant: 北京交通大学
Abstract: 本发明公开了一种基于图卷积神经网络的轨道交通短时客流预测方法和系统。该方法包括：以图结构G＝(V，E，A)表征城市轨道交通网络，并以t时刻的特征矩阵F＝(Xt，Xt-1，Xt-2，…Xt-m+1)表示t时刻之前m个时间间隔的历史客流情况，其中V表示地铁车站的数目，车站与车站之间有E条边，A∈Rn×n是表征车站之间是否相邻的邻接矩阵，F的维度为n×m，n为车站数目；构建深度学习模型，学习t时刻的特征矩阵F和邻接矩阵A与预测的t+1时刻各车站客流情况之间的映射关系。本发明能够准确预测轨道交通的短时客流情况，对城市轨道交通运营管理部门进行全网水平的短时客流监测、实时管理和工程实践具有重要的指导意义。
-
Patent Agency Ranking
公开(公告)号：CN106096072A
公开(公告)日：2016-11-09
申请号：CN201610327242.0
申请日：2016-05-17
Applicant: 北京交通大学
CPC classification number: G06F17/5009 , G06T19/00
Abstract: 本发明提供了一种基于智能体的高密度人群仿真方法。该方法主要包括：构造行人对应的三圆人体模型，所述三圆人体模型由三个相交的圆组成，其中中间的大圆表示人体躯干，两侧的小圆表示两肩；计算出两个行人对应的三圆人体模型之间的净距，将所述净距作为所述两个行人之间的距离。本发明实施例通过三圆人体模型在不增加算法复杂度的前提下，巧妙地解决了圆形颗粒模拟行人形体的不真实性，为拥挤人群中行人个体物理接触力的计算以及高密度的计算奠定了基础。人群密度计算方法，从个体角度使人群密度的考虑精细化，用量化的方法描述了每一个行人对自身所处环境的主观感受，该方法对于行人个体物理接触力的计算和分析提供了可能。
-
公开(公告)号：CN118297419A
公开(公告)日：2024-07-05
申请号：CN202410396910.X
申请日：2024-04-02
Applicant: 北京交通大学
IPC: G06Q10/0637 , G06Q50/40 , G06N3/0442 , G06N3/045 , G06N3/048 , G06N3/0464 , G06N3/08
Abstract: 本发明涉及一种考虑事故状态的城市轨道交通短时OD客流预测方法及系统，属于人工智能在城市轨道交通的应用，用于解决现有技术轨道交通在突发事件发生时因对复杂的非线性时空依赖性捕捉不足，短时OD客流量预测准确性大幅降低的问题。本案通过基于当前实时进站客流特征与多种因素特征，获取在多种因素下的实时进站客流特征；基于历史OD客流量编码特征和在多种因素下的实时进站客流特征，进行城市轨道交通短时OD客流预测，提高事故期间的预测准确性和稳定性，对提升城市轨道交通系统的应急响应能力和整体安全性具有重要意义。
-
公开(公告)号：CN117952248A
公开(公告)日：2024-04-30
申请号：CN202311705322.1
申请日：2023-12-12
Applicant: 北京交通大学
IPC: G06Q10/04 , G06Q10/10 , G06Q50/26 , G06V20/40 , G06V20/52 , G06V10/80 , G06V10/764 , G06V10/82 , G06V40/10 , G06N3/006 , G06T7/80
Abstract: 本发明基于监控视频来改进地铁站内火灾疏散方法。其一，采用计算机视觉技术识别火灾，确定其位置及发展规模；同时，识别待疏散人群位置及人员数量，为疏散路径规划提供数据基础。其二，综合考虑火灾位置、人群分布情况、各疏散出口通过能力、疏散距离、路径曲直度等因素，融合多种算法进行疏散路径的快速优化求解，实现车站总体疏散效率最大化。其三，该技术可基于地铁站内现有监控系统布设，将规划话的逃生路线通过安全指示标志来引导站内成员疏散，充分利用现有硬件设施，应用成本可控。
-
公开(公告)号：CN114154695B
公开(公告)日：2024-04-30
申请号：CN202111399617.1
申请日：2021-11-19
Applicant: 北京交通大学
IPC: G06Q10/04 , G06Q10/063 , G06Q50/40 , G06F18/23
Abstract: 本发明提供了一种基于迁移学习的城市轨道交通短时客流预测方法。该方法包括：基于城市轨道交通的各个车站的历史报表数据建立各个车站的客流特征评价指标体系；基于各个车站的客流特征评价指标体系采用聚类算法对所有车站进行聚类；对各个类别的聚类中心车站的全年进出站客流量进行时间序列分析，计算出聚类中心车站的客流指标，得到各个聚类中心车站的最优客流预测模型；将各个聚类中心车站的最优客流预测模型代入同类别的其余车站，通过迁移学习方法对最优客流预测模型进行调整，得到最优客流预测模型。本发明通过构建地铁客流特征评价指标体系，实现了对车站客流特征的有效刻画。能够考虑不同车站的客流特点，提高模型的预测精度和预测效率。
-
公开(公告)号：CN112001548B
公开(公告)日：2023-10-20
申请号：CN202010861302.3
申请日：2020-08-25
Applicant: 北京交通大学
IPC: G06Q10/04 , G06Q10/0639 , G06Q50/30 , G06N3/0464 , G06N3/08
Abstract: 本发明公开了一种基于深度学习的OD客流预测方法。该方法包括：获取历史的OD矩阵信息和实时的进站客流时间序列信息，将所述历史的OD矩阵信息和所述实时的进站客流时间序列信息输入至经训练的深度学习模型，获得预测的后续时间段的OD矩阵信息，其中所述深度学习模型包括主干结构和分支结构，该主干结构以所述历史的OD矩阵信息作为输入以提取高级特征，该分支结构以所述实时的进站客流时间序列作为输入，并通过对该主干结构的输出进行调整，进而获得预测的后续时间段的OD矩阵信息。本发明能够提高OD短时客流预测的实时性和精确度。
-
-
-
-
-
-
-
-
-
Search Results
26
records
(took 0.019 seconds)
