基于社会力模型和寻路算法的行人动态疏散方法及系统与流程

1.本发明涉及数据处理技术领域，尤其涉及一种基于社会力模型和寻路算法的行人动态疏散方法及系统。


背景技术：

2.随着人们生活水平的提高和城市设施的发展，安防意识以及相关的技术也在逐渐得到人们的重视。现有技术在解决行人疏散问题时，提出了多种路径搜索算法，但这些算法仍然存在着许多局限性，例如这些算法没有考虑到结合实际发生的突发事件的事件参数来调整算法，也没有考虑综合多种算法的结果并利用神经网络算法来决策以提高决策的精确性和有效性。可见，现有技术存在缺陷，亟需解决。


技术实现要素：

3.本发明所要解决的技术问题在于，提供一种基于社会力模型和寻路算法的行人动态疏散方法及系统，能够有效提高最终路线的精确性和有效性，提高人群疏散的效率和效果，减少伤亡。
4.为了解决上述技术问题，本发明第一方面公开了一种基于社会力模型和寻路算法的行人动态疏散方法，所述方法包括：获取目标区域的突发事件信息和对应的事件参数；根据所述目标区域的navmesh模型，以及以碰撞体检测算法，确定所述目标区域中的障碍信息和空间信息；根据社会力模型和动态寻路算法，以及所述障碍信息和空间信息，确定所述目标区域内的多个可能的疏散路线；根据神经网络模型和所述事件参数，从所述多个可能的疏散路线中确定出最优的疏散路线。
5.作为一种可选的实施方式，在本发明第一方面中，所述事件参数包括事件类型、事件影响范围和事件位置。
6.作为一种可选的实施方式，在本发明第一方面中，所述根据社会力模型和动态寻路算法，以及所述障碍信息和空间信息，确定所述目标区域内的多个可能的疏散路线，包括：获取所述目标区域对应的社会力模型参数的参数区间和代价参数的参数区间；根据所述社会力模型参数的参数区间，以及预设的社会力模型算法，以及所述障碍信息和空间信息，确定所述目标区域内的多个可能的疏散路线；根据所述代价参数的参数区间，和动态寻路算法，以及所述障碍信息和空间信息，确定所述目标区域内的多个可能的疏散路线。
7.作为一种可选的实施方式，在本发明第一方面中，所述社会力模型参数包括行人从众倾向参数、行人运动方向参数、行人运动速度参数、行人跟随搜索范围参数中的至少一
种。
8.作为一种可选的实施方式，在本发明第一方面中，所述根据所述社会力模型参数的参数区间，以及预设的社会力模型算法，以及所述障碍信息和空间信息，确定所述目标区域内的多个可能的疏散路线，包括：根据计算设备的设备性能，确定区间比例参数；所述区间比例参数与所述设备性能成反比；根据所述区间比例参数，对所述社会力模型参数的参数区间进行取点，以得到多个优选社会力模型参数；根据所述多个优选社会力模型参数，基于预设的社会力模型算法对所述障碍信息和空间信息进行多次演算，得到所述目标区域内的多个可能的疏散路线。
9.作为一种可选的实施方式，在本发明第一方面中，所述根据所述代价参数的参数区间，和动态寻路算法，以及所述障碍信息和空间信息，确定所述目标区域内的多个可能的疏散路线，包括：根据所述区间比例参数，对所述代价参数的参数区间进行取点，以得到多个优选代价参数；根据所述多个优选代价参数，基于动态寻路算法对所述障碍信息和空间信息进行多次演算，得到所述目标区域内的多个可能的疏散路线。
10.作为一种可选的实施方式，在本发明第一方面中，所述根据神经网络模型和所述事件参数，从所述多个可能的疏散路线中确定出最优的疏散路线，包括：根据所述事件类型和所述事件位置，从预设的算法模型库中确定出历史处理事件记录中有所述事件类型和所述事件位置的多个路线优秀度预测模型；所述路线优秀度预测模型为通过包括有多个训练疏散路线和对应的路线参数和优秀度标注的训练数据集训练得到的神经网络模型；对于每一所述可能的疏散路线，将该可能的疏散路线和路线参数输入至每一所述路线优秀度预测模型，以得到输出的多个优秀度预测参数；所述路线参数为路线对应的计算算法模型对应的所述社会力模型参数或所述代价参数；计算该可能的疏散路线与所述事件影响范围的交集程度参数对应的影响权重；所述影响权重与所述交集程度参数成反比；计算该可能的路线对应的所有所述优秀度预测参数的平均值，以及所述平均值和所述影响权重的乘积，得到该可能的路线对应的优秀度参数；将所述优秀度参数最高的所述可能的疏散路线，确定为最优的疏散路线。
11.本发明第二方面公开了一种基于社会力模型和寻路算法的行人动态疏散系统，所述系统包括：获取模块，用于获取目标区域的突发事件信息和对应的事件参数；第一确定模块，用于根据所述目标区域的navmesh模型，以及以碰撞体检测算法，确定所述目标区域中的障碍信息和空间信息；第二确定模块，用于根据社会力模型和动态寻路算法，以及所述障碍信息和空间信息，确定所述目标区域内的多个可能的疏散路线；第三确定模块，用于根据神经网络模型和所述事件参数，从所述多个可能的疏散
路线中确定出最优的疏散路线。
12.作为一种可选的实施方式，在本发明第二方面中，所述事件参数包括事件类型、事件影响范围和事件位置。
13.作为一种可选的实施方式，在本发明第二方面中，所述第二确定模块根据社会力模型和动态寻路算法，以及所述障碍信息和空间信息，确定所述目标区域内的多个可能的疏散路线的具体方式，包括：获取所述目标区域对应的社会力模型参数的参数区间和代价参数的参数区间；根据所述社会力模型参数的参数区间，以及预设的社会力模型算法，以及所述障碍信息和空间信息，确定所述目标区域内的多个可能的疏散路线；根据所述代价参数的参数区间，和动态寻路算法，以及所述障碍信息和空间信息，确定所述目标区域内的多个可能的疏散路线。
14.作为一种可选的实施方式，在本发明第二方面中，所述社会力模型参数包括行人从众倾向参数、行人运动方向参数、行人运动速度参数、行人跟随搜索范围参数中的至少一种。
15.作为一种可选的实施方式，在本发明第二方面中，所述第二确定模块根据所述社会力模型参数的参数区间，以及预设的社会力模型算法，以及所述障碍信息和空间信息，确定所述目标区域内的多个可能的疏散路线的具体方式，包括：根据计算设备的设备性能，确定区间比例参数；所述区间比例参数与所述设备性能成反比；根据所述区间比例参数，对所述社会力模型参数的参数区间进行取点，以得到多个优选社会力模型参数；根据所述多个优选社会力模型参数，基于预设的社会力模型算法对所述障碍信息和空间信息进行多次演算，得到所述目标区域内的多个可能的疏散路线。
16.作为一种可选的实施方式，在本发明第二方面中，所述第二确定模块根据所述代价参数的参数区间，和动态寻路算法，以及所述障碍信息和空间信息，确定所述目标区域内的多个可能的疏散路线的具体方式，包括：根据所述区间比例参数，对所述代价参数的参数区间进行取点，以得到多个优选代价参数；根据所述多个优选代价参数，基于动态寻路算法对所述障碍信息和空间信息进行多次演算，得到所述目标区域内的多个可能的疏散路线。
17.作为一种可选的实施方式，在本发明第二方面中，所述第三确定模块根据神经网络模型和所述事件参数，从所述多个可能的疏散路线中确定出最优的疏散路线的具体方式，包括：根据所述事件类型和所述事件位置，从预设的算法模型库中确定出历史处理事件记录中有所述事件类型和所述事件位置的多个路线优秀度预测模型；所述路线优秀度预测模型为通过包括有多个训练疏散路线和对应的路线参数和优秀度标注的训练数据集训练得到的神经网络模型；对于每一所述可能的疏散路线，将该可能的疏散路线和路线参数输入至每一所述路线优秀度预测模型，以得到输出的多个优秀度预测参数；所述路线参数为路线对应的计
算算法模型对应的所述社会力模型参数或所述代价参数；计算该可能的疏散路线与所述事件影响范围的交集程度参数对应的影响权重；所述影响权重与所述交集程度参数成反比；计算该可能的路线对应的所有所述优秀度预测参数的平均值，以及所述平均值和所述影响权重的乘积，得到该可能的路线对应的优秀度参数；将所述优秀度参数最高的所述可能的疏散路线，确定为最优的疏散路线。
18.本发明第三方面公开了另一种基于社会力模型和寻路算法的行人动态疏散系统，所述系统包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的基于社会力模型和寻路算法的行人动态疏散方法中的部分或全部步骤。
19.本发明第四方面公开了一种计算机存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的基于社会力模型和寻路算法的行人动态疏散方法中的部分或全部步骤。
20.与现有技术相比，本发明具有以下有益效果：本发明可以通过社会力模型和动态寻路算法来确定出多个候选路线，再通过神经网络来确定最佳路线，从而能够有效提高最终路线的精确性和有效性，提高人群疏散的效率和效果，减少伤亡。
附图说明
21.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
22.图1是本发明实施例公开的一种基于社会力模型和寻路算法的行人动态疏散方法的流程示意图；图2是本发明实施例公开的一种基于社会力模型和寻路算法的行人动态疏散系统的结构示意图；图3是本发明实施例公开的另一种基于社会力模型和寻路算法的行人动态疏散系统的结构示意图。
具体实施方式
23.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
24.本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图
在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或端没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或端固有的其他步骤或单元。
25.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
26.本发明公开了一种基于社会力模型和寻路算法的行人动态疏散方法及系统，可以通过社会力模型和动态寻路算法来确定出多个候选路线，再通过神经网络来确定最佳路线，从而能够有效提高最终路线的精确性和有效性，提高人群疏散的效率和效果，减少伤亡。以下分别进行详细说明。
27.实施例一请参阅图1，图1是本发明实施例公开的一种基于社会力模型和寻路算法的行人动态疏散方法的流程示意图。其中，图1所描述的方法可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定如图1所示，该基于社会力模型和寻路算法的行人动态疏散方法可以包括以下操作：101、获取目标区域的突发事件信息和对应的事件参数。
28.可选的，事件参数包括事件类型、事件影响范围和事件位置。可选的，事件影响范围可以为突发事件信息对应的一个可能的影响范围面积，其为以事件位置为圆心，以统计数据为半径的影响圆。可选的，统计数据可以由操作人员根据历史突发事件处理记录中的事件信息进行统计，例如其可以统计多个同一事件类型的历史事件中影响范围的最远距离来计算得到。
29.102、根据目标区域的navmesh模型，以及以碰撞体检测算法，确定目标区域中的障碍信息和空间信息。
30.103、根据社会力模型和动态寻路算法，以及障碍信息和空间信息，确定目标区域内的多个可能的疏散路线。
31.104、根据神经网络模型和事件参数，从多个可能的疏散路线中确定出最优的疏散路线。
32.可见，实施本发明实施例所描述的方法可以通过社会力模型和动态寻路算法来确定出多个候选路线，再通过神经网络来确定最佳路线，从而能够有效提高最终路线的精确性和有效性，提高人群疏散的效率和效果，减少伤亡。
33.作为一种可选的实施例，上述步骤中的，根据社会力模型和动态寻路算法，以及障碍信息和空间信息，确定目标区域内的多个可能的疏散路线，包括：获取目标区域对应的社会力模型参数的参数区间和代价参数的参数区间；根据社会力模型参数的参数区间，以及预设的社会力模型算法，以及障碍信息和空间信息，确定目标区域内的多个可能的疏散路线；根据代价参数的参数区间，和动态寻路算法，以及障碍信息和空间信息，确定目标区域内的多个可能的疏散路线。
34.可选的，社会力模型参数包括行人从众倾向参数、行人运动方向参数、行人运动速度参数、行人跟随搜索范围参数中的至少一种。
35.可选的，目标区域对应的社会力模型参数的参数区间和代价参数的参数区间，可以由操作人员通过事先的统计或实验来确定，其用于表征历史疏散记录中目标区域的人员疏散的特点以及成本。可选的，操作人员也可以利用对于目标区域的区域特征相似的多个其他区域的历史疏散记录进行统计得到该参数区间。
36.可见，通过上述实施例，能够根据目标区域对应的参数区间，分别基于社会力模型和动态寻路算法确定目标区域内的多个可能的疏散路线，从而在后续对于候选的可能路线进行筛选后，能够有效提高最终路线的精确性和有效性，提高人群疏散的效率和效果，减少伤亡。
37.作为一种可选的实施例，上述步骤中的，根据社会力模型参数的参数区间，以及预设的社会力模型算法，以及障碍信息和空间信息，确定目标区域内的多个可能的疏散路线，包括：根据计算设备的设备性能，确定区间比例参数；区间比例参数与设备性能成反比；根据区间比例参数，对社会力模型参数的参数区间进行取点，以得到多个优选社会力模型参数；根据多个优选社会力模型参数，基于预设的社会力模型算法对障碍信息和空间信息进行多次演算，得到目标区域内的多个可能的疏散路线。
38.可选的，计算设备的设备性能可以通过对计算设备的设备参数进行统计和分析得到，也可以利用神经网络算法进行预测。
39.可选的，区间比例参数和设备性能之间可以通过操作人员的实验或经验建立对应关系。
40.可选的，可以对多个优选社会力模型参数进行多种方式的组合后得到多个参数组合，然后根据每一参数组合，基于预设的社会力模型算法对障碍信息和空间信息进行演算，得到一个可能的疏散路线。
41.可见，通过上述实施例，能够对参数区间进行选点以得到多个模型参数，分别基于社会力模型确定目标区域内的多个可能的疏散路线，从而在后续对于候选的可能路线进行筛选后，能够有效提高最终路线的精确性和有效性，提高人群疏散的效率和效果，减少伤亡。
42.作为一种可选的实施例，上述步骤中的，根据代价参数的参数区间，和动态寻路算法，以及障碍信息和空间信息，确定目标区域内的多个可能的疏散路线，包括：根据区间比例参数，对代价参数的参数区间进行取点，以得到多个优选代价参数；根据多个优选代价参数，基于动态寻路算法对障碍信息和空间信息进行多次演算，得到目标区域内的多个可能的疏散路线。
43.可选的，每一代价参数用于限制动态寻路算法的计算程度，具体的，通过一特定的代价参数来限制动态寻路算法时，动态寻路算法计算出的路线的代价高于该特定的代价参数时即可输出路线作为可能的疏散路线，无需继续计算至更小代价的路线。
44.可见，通过上述实施例，能够对参数区间进行选点以得到多个代价参数，分别基于动态寻路算法确定目标区域内的多个可能的疏散路线，从而在后续对于候选的可能路线进
行筛选后，能够有效提高最终路线的精确性和有效性，提高人群疏散的效率和效果，减少伤亡。
45.作为一种可选的实施例，上述步骤中的，根据神经网络模型和事件参数，从多个可能的疏散路线中确定出最优的疏散路线，包括：根据事件类型和事件位置，从预设的算法模型库中确定出历史处理事件记录中有事件类型和事件位置的多个路线优秀度预测模型；路线优秀度预测模型为通过包括有多个训练疏散路线和对应的路线参数和优秀度标注的训练数据集训练得到的神经网络模型；对于每一可能的疏散路线，将该可能的疏散路线和路线参数输入至每一路线优秀度预测模型，以得到输出的多个优秀度预测参数；路线参数为路线对应的计算算法模型对应的社会力模型参数或代价参数；计算该可能的疏散路线与事件影响范围的交集程度参数对应的影响权重；影响权重与交集程度参数成反比；计算该可能的路线对应的所有优秀度预测参数的平均值，以及平均值和影响权重的乘积，得到该可能的路线对应的优秀度参数；将优秀度参数最高的可能的疏散路线，确定为最优的疏散路线。
46.可见，通过上述实施例，能够根据神经网络模型和事件参数来计算优秀度预测参数和影响权重，以从多个可能的疏散路线中确定出最优的疏散路线，从而能够有效提高最终路线的精确性和有效性，提高人群疏散的效率和效果，减少伤亡。
47.实施例二请参阅图2，图2是本发明实施例公开的一种基于社会力模型和寻路算法的行人动态疏散系统的结构示意图。其中，图2所描述的系统可以应用于相应的数据处理设备、数据处理终端、数据处理服务器中，且该服务器可以是本地服务器，也可以是云服务器，本发明实施例不做限定。如图2所示，该系统可以包括：获取模块201，用于获取目标区域的突发事件信息和对应的事件参数。
48.可选的，事件参数包括事件类型、事件影响范围和事件位置。可选的，事件影响范围可以为突发事件信息对应的一个可能的影响范围面积，其为以事件位置为圆心，以统计数据为半径的影响圆。可选的，统计数据可以由操作人员根据历史突发事件处理记录中的事件信息进行统计，例如其可以统计多个同一事件类型的历史事件中影响范围的最远距离来计算得到。
49.第一确定模块202，用于根据目标区域的navmesh模型，以及以碰撞体检测算法，确定目标区域中的障碍信息和空间信息。
50.第二确定模块203，用于根据社会力模型和动态寻路算法，以及障碍信息和空间信息，确定目标区域内的多个可能的疏散路线。
51.第三确定模块204，用于根据神经网络模型和事件参数，从多个可能的疏散路线中确定出最优的疏散路线。
52.可见，实施本发明实施例所描述的系统可以通过社会力模型和动态寻路算法来确定出多个候选路线，再通过神经网络来确定最佳路线，从而能够有效提高最终路线的精确性和有效性，提高人群疏散的效率和效果，减少伤亡。
53.作为一种可选的实施例，第二确定模块203根据社会力模型和动态寻路算法，以及
障碍信息和空间信息，确定目标区域内的多个可能的疏散路线的具体方式，包括：获取目标区域对应的社会力模型参数的参数区间和代价参数的参数区间；根据社会力模型参数的参数区间，以及预设的社会力模型算法，以及障碍信息和空间信息，确定目标区域内的多个可能的疏散路线；根据代价参数的参数区间，和动态寻路算法，以及障碍信息和空间信息，确定目标区域内的多个可能的疏散路线。
54.可选的，社会力模型参数包括行人从众倾向参数、行人运动方向参数、行人运动速度参数、行人跟随搜索范围参数中的至少一种。
55.可选的，目标区域对应的社会力模型参数的参数区间和代价参数的参数区间，可以由操作人员通过事先的统计或实验来确定，其用于表征历史疏散记录中目标区域的人员疏散的特点以及成本。可选的，操作人员也可以利用对于目标区域的区域特征相似的多个其他区域的历史疏散记录进行统计得到该参数区间。
56.可见，通过上述实施例，能够根据目标区域对应的参数区间，分别基于社会力模型和动态寻路算法确定目标区域内的多个可能的疏散路线，从而在后续对于候选的可能路线进行筛选后，能够有效提高最终路线的精确性和有效性，提高人群疏散的效率和效果，减少伤亡。
57.作为一种可选的实施例，第二确定模块203根据社会力模型参数的参数区间，以及预设的社会力模型算法，以及障碍信息和空间信息，确定目标区域内的多个可能的疏散路线的具体方式，包括：根据计算设备的设备性能，确定区间比例参数；区间比例参数与设备性能成反比；根据区间比例参数，对社会力模型参数的参数区间进行取点，以得到多个优选社会力模型参数；根据多个优选社会力模型参数，基于预设的社会力模型算法对障碍信息和空间信息进行多次演算，得到目标区域内的多个可能的疏散路线。
58.可选的，计算设备的设备性能可以通过对计算设备的设备参数进行统计和分析得到，也可以利用神经网络算法进行预测。
59.可选的，区间比例参数和设备性能之间可以通过操作人员的实验或经验建立对应关系。
60.可选的，可以对多个优选社会力模型参数进行多种方式的组合后得到多个参数组合，然后根据每一参数组合，基于预设的社会力模型算法对障碍信息和空间信息进行演算，得到一个可能的疏散路线。
61.可见，通过上述实施例，能够对参数区间进行选点以得到多个模型参数，分别基于社会力模型确定目标区域内的多个可能的疏散路线，从而在后续对于候选的可能路线进行筛选后，能够有效提高最终路线的精确性和有效性，提高人群疏散的效率和效果，减少伤亡。
62.作为一种可选的实施例，第二确定模块203根据代价参数的参数区间，和动态寻路算法，以及障碍信息和空间信息，确定目标区域内的多个可能的疏散路线的具体方式，包括：根据区间比例参数，对代价参数的参数区间进行取点，以得到多个优选代价参数；
根据多个优选代价参数，基于动态寻路算法对障碍信息和空间信息进行多次演算，得到目标区域内的多个可能的疏散路线。
63.可选的，每一代价参数用于限制动态寻路算法的计算程度，具体的，通过一特定的代价参数来限制动态寻路算法时，动态寻路算法计算出的路线的代价高于该特定的代价参数时即可输出路线作为可能的疏散路线，无需继续计算至更小代价的路线。
64.可见，通过上述实施例，能够对参数区间进行选点以得到多个代价参数，分别基于动态寻路算法确定目标区域内的多个可能的疏散路线，从而在后续对于候选的可能路线进行筛选后，能够有效提高最终路线的精确性和有效性，提高人群疏散的效率和效果，减少伤亡。
65.作为一种可选的实施例，第三确定模块204根据神经网络模型和事件参数，从多个可能的疏散路线中确定出最优的疏散路线的具体方式，包括：根据事件类型和事件位置，从预设的算法模型库中确定出历史处理事件记录中有事件类型和事件位置的多个路线优秀度预测模型；路线优秀度预测模型为通过包括有多个训练疏散路线和对应的路线参数和优秀度标注的训练数据集训练得到的神经网络模型；对于每一可能的疏散路线，将该可能的疏散路线和路线参数输入至每一路线优秀度预测模型，以得到输出的多个优秀度预测参数；路线参数为路线对应的计算算法模型对应的社会力模型参数或代价参数；计算该可能的疏散路线与事件影响范围的交集程度参数对应的影响权重；影响权重与交集程度参数成反比；计算该可能的路线对应的所有优秀度预测参数的平均值，以及平均值和影响权重的乘积，得到该可能的路线对应的优秀度参数；将优秀度参数最高的可能的疏散路线，确定为最优的疏散路线。
66.可见，通过上述实施例，能够根据神经网络模型和事件参数来计算优秀度预测参数和影响权重，以从多个可能的疏散路线中确定出最优的疏散路线，从而能够有效提高最终路线的精确性和有效性，提高人群疏散的效率和效果，减少伤亡。
67.实施例三请参阅图3，图3是本发明实施例公开的另一种基于社会力模型和寻路算法的行人动态疏散系统的结构示意图。如图3所示，该系统可以包括：存储有可执行程序代码的存储器301；与存储器301耦合的处理器302；处理器302调用存储器301中存储的可执行程序代码，执行本发明实施例一公开的基于社会力模型和寻路算法的行人动态疏散方法中的部分或全部步骤。
68.实施例四本发明实施例公开了一种计算机存储介质，该计算机存储介质存储有计算机指令，该计算机指令被调用时，用于执行本发明实施例一公开的基于社会力模型和寻路算法的行人动态疏散方法中的部分或全部步骤。
69.以上所描述的系统实施例仅是示意性的，其中所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中
的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
70.通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器（read-only memory，rom）、随机存储器（random access memory，ram）、可编程只读存储器（programmable read-only memory，prom）、可擦除可编程只读存储器（erasable programmable read only memory，eprom）、一次可编程只读存储器（one-time programmable read-only memory，otprom）、电子抹除式可复写只读存储器（electrically-erasable programmable read-only memory，eeprom）、只读光盘（compact disc read-only memory，cd-rom）或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
71.最后应说明的是：本发明实施例公开的一种基于社会力模型和寻路算法的行人动态疏散方法及系统所揭露的仅为本发明较佳实施例而已，仅用于说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解；其依然可以对前述各项实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。

技术特征：
1.一种基于社会力模型和寻路算法的行人动态疏散方法，其特征在于，所述方法包括：获取目标区域的突发事件信息和对应的事件参数；根据所述目标区域的navmesh模型，以及以碰撞体检测算法，确定所述目标区域中的障碍信息和空间信息；根据社会力模型和动态寻路算法，以及所述障碍信息和空间信息，确定所述目标区域内的多个可能的疏散路线；根据神经网络模型和所述事件参数，从所述多个可能的疏散路线中确定出最优的疏散路线。2.根据权利要求1所述的基于社会力模型和寻路算法的行人动态疏散方法，其特征在于，所述事件参数包括事件类型、事件影响范围和事件位置。3.根据权利要求2所述的基于社会力模型和寻路算法的行人动态疏散方法，其特征在于，所述根据社会力模型和动态寻路算法，以及所述障碍信息和空间信息，确定所述目标区域内的多个可能的疏散路线，包括：获取所述目标区域对应的社会力模型参数的参数区间和代价参数的参数区间；根据所述社会力模型参数的参数区间，以及预设的社会力模型算法，以及所述障碍信息和空间信息，确定所述目标区域内的多个可能的疏散路线；根据所述代价参数的参数区间，和动态寻路算法，以及所述障碍信息和空间信息，确定所述目标区域内的多个可能的疏散路线。4.根据权利要求3所述的基于社会力模型和寻路算法的行人动态疏散方法，其特征在于，所述社会力模型参数包括行人从众倾向参数、行人运动方向参数、行人运动速度参数、行人跟随搜索范围参数中的至少一种。5.根据权利要求3所述的基于社会力模型和寻路算法的行人动态疏散方法，其特征在于，所述根据所述社会力模型参数的参数区间，以及预设的社会力模型算法，以及所述障碍信息和空间信息，确定所述目标区域内的多个可能的疏散路线，包括：根据计算设备的设备性能，确定区间比例参数；所述区间比例参数与所述设备性能成反比；根据所述区间比例参数，对所述社会力模型参数的参数区间进行取点，以得到多个优选社会力模型参数；根据所述多个优选社会力模型参数，基于预设的社会力模型算法对所述障碍信息和空间信息进行多次演算，得到所述目标区域内的多个可能的疏散路线。6.根据权利要求5所述的基于社会力模型和寻路算法的行人动态疏散方法，其特征在于，所述根据所述代价参数的参数区间，和动态寻路算法，以及所述障碍信息和空间信息，确定所述目标区域内的多个可能的疏散路线，包括：根据所述区间比例参数，对所述代价参数的参数区间进行取点，以得到多个优选代价参数；根据所述多个优选代价参数，基于动态寻路算法对所述障碍信息和空间信息进行多次演算，得到所述目标区域内的多个可能的疏散路线。7.根据权利要求5所述的基于社会力模型和寻路算法的行人动态疏散方法，其特征在于，所述根据神经网络模型和所述事件参数，从所述多个可能的疏散路线中确定出最优的
疏散路线，包括：根据所述事件类型和所述事件位置，从预设的算法模型库中确定出历史处理事件记录中有所述事件类型和所述事件位置的多个路线优秀度预测模型；所述路线优秀度预测模型为通过包括有多个训练疏散路线和对应的路线参数和优秀度标注的训练数据集训练得到的神经网络模型；对于每一所述可能的疏散路线，将该可能的疏散路线和路线参数输入至每一所述路线优秀度预测模型，以得到输出的多个优秀度预测参数；所述路线参数为路线对应的计算算法模型对应的所述社会力模型参数或所述代价参数；计算该可能的疏散路线与所述事件影响范围的交集程度参数对应的影响权重；所述影响权重与所述交集程度参数成反比；计算该可能的路线对应的所有所述优秀度预测参数的平均值，以及所述平均值和所述影响权重的乘积，得到该可能的路线对应的优秀度参数；将所述优秀度参数最高的所述可能的疏散路线，确定为最优的疏散路线。8.一种基于社会力模型和寻路算法的行人动态疏散系统，其特征在于，所述系统包括：获取模块，用于获取目标区域的突发事件信息和对应的事件参数；第一确定模块，用于根据所述目标区域的navmesh模型，以及以碰撞体检测算法，确定所述目标区域中的障碍信息和空间信息；第二确定模块，用于根据社会力模型和动态寻路算法，以及所述障碍信息和空间信息，确定所述目标区域内的多个可能的疏散路线；第三确定模块，用于根据神经网络模型和所述事件参数，从所述多个可能的疏散路线中确定出最优的疏散路线。9.一种基于社会力模型和寻路算法的行人动态疏散系统，其特征在于，所述系统包括：存储有可执行程序代码的存储器；与所述存储器耦合的处理器；所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的基于社会力模型和寻路算法的行人动态疏散方法。10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-7任一项所述的基于社会力模型和寻路算法的行人动态疏散方法。

技术总结
本发明公开了一种基于社会力模型和寻路算法的行人动态疏散方法及系统，该方法包括：获取目标区域的突发事件信息和对应的事件参数；根据所述目标区域的Navmesh模型，以及以碰撞体检测算法，确定所述目标区域中的障碍信息和空间信息；根据社会力模型和动态寻路算法，以及所述障碍信息和空间信息，确定所述目标区域内的多个可能的疏散路线；根据神经网络模型和所述事件参数，从所述多个可能的疏散路线中确定出最优的疏散路线。可见，本发明可以通过社会力模型和动态寻路算法来确定出多个候选路线，再通过神经网络来确定最佳路线，从而能够有效提高最终路线的精确性和有效性，提高人群疏散的效率和效果，减少伤亡。减少伤亡。减少伤亡。


技术研发人员：李卫红 蔡文蒨 周泓达
受保护的技术使用者：广东师大维智信息科技有限公司
技术研发日：2023.07.26
技术公布日：2023/9/9