买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中南民族大学

摘要：本发明涉及智能交通领域，具体公开了一种基于卷积神经网络的行人流密度与流量预测系统及方法，系统包括坐标变换模块、采样模块、轨迹嵌入模块、编码模块、解码模块、轨迹输出模块和密度流量计算模块。首先，将数据进行变换与采样，然后通过基于多层感知机将输入的行人轨迹嵌入成一个具有更丰富信息的向量，接着，编码器采用卷积神经网络结构对轨迹向量进行编码和特征提取，解码器在接收到特征信息后通过卷积操作进行解码。随后，轨迹输出模块以与轨迹嵌入模块相反的方式，将特征张量转换为轨迹坐标输出，最后密度流量计算模块通过维诺图的方法使用这些预测出的轨迹计算出行人的瞬时速度与某一时刻的人群密度，进而计算出行人流的流量。

主权项：1.一种基于卷积神经网络的行人流密度与流量预测系统，其特征在于，所述系统包括：坐标变换模块110：获取数据集数据，利用坐标变换模块对数据集数据进行坐标变换处理；采样模块120：对经过坐标变换模块110处理后的坐标进行采样处理，然后将采样处理后的数据聚合成适合深度学习模型输入的轨迹数据；轨迹嵌入模块130：对轨迹数据进行嵌入操作，通过基于多层感知机的轨迹嵌入模块将输入的行人轨迹数据嵌入成一个具有更丰富信息的轨迹向量；在轨迹嵌入模块130中，具体包括如下：S31、设定一个多层感知机MLP作为轨迹嵌入模块的基础结构，在MLP中包含若干个隐藏层，每个隐藏层的公式如下： 其中x，y分别表示MLP的输入和输出，n表示隐藏层的个数，wi表示每层的权重，b表示为偏置；S32、在每个隐藏层后面使用一个指数线性单元ELU激活函数，公式如下： 其中，ELUx代表激活函数的输出，α是一个可调的参数；ex代表以常数e为底的指数函数，e约等于2.7；S33、实施前向传播：将轨迹数据输入到MLP中，对每一个时间步的输入数据，通过MLP计算对应的嵌入输出后应用ELU激活函数，将嵌入的结果转换为具有更高维度的形状为N×C0×D×Tobs的向量h中，即N个通道，每个通道包含C0个特征矩阵，每个特征矩阵的形状为D×Tobs；将向量h的第二个维度由原来的D0拓展成了更大的D，过程如下： 其中,We是嵌入权重；编码模块140：编码器采用卷积神经网络对轨迹向量进行编码和特征提取，得到具有更高维度和更丰富信息的特征向量；在编码模块140中，所述的编码和特征提取具体包括如下：S41、张量输入：获取从轨迹嵌入模块输出的形状为N×C0×D×Tobs的向量h，该向量解释为具有N通道，每个通道包含C0个特征矩阵，每个特征矩阵的形状为D×Tobs；S42、二维卷积操作：对特征矩阵应用二维卷积层进行特征提取，在这个过程中，为了拓展轨迹的特征信息，特征矩阵的数量由C0增加到了C，C表示二维卷积操作后的特征矩阵数量，来增强模型对数据的表达能力，二维卷积层的输出能被计算为： 其中，O为卷积层的输出，k、l代表输出的索引，Mc和Nc是卷积核的高度和宽度，m、n表示为卷积核的索引，H[m,n]表示卷积核的权重，I是输入的特征矩阵，在解码器的第一个卷积层中I的值为h，P是填充的大小；S43、ELU激活操作：在每个二维卷积之后使用ELU进行非线性激活；S44、批归一化操作：在激活函数之后引入批归一化操作，对于每个卷积层的输出，通过规范化每个通道的特征来使其均值接近0，标准差接近1；批归一化的公式如下： 其中BNθ表示批归一化的输出特征，θ表示输入特征，μ表示特征矩阵的均值，σ表示当前特征矩阵的标准差，γ表示为训练中学习到的缩放参数，β为训练中学习到的移位参数；解码模块150：利用解码器对编码器输出的特征向量进行形状重塑和降维操作，进而执行解码过程，得到解码向量；轨迹输出模块160：将解码器输出的解码向量输入到轨迹输出模块中，得到预测的轨迹信息；密度流量计算模块170：通过维诺图方法使用轨迹输出模块160中预测出的轨迹计算出行人流的速度、密度和流量；在密度流量计算模块170中，所述通过维诺图方法使用轨迹输出模块中预测出的轨迹计算出行人流的速度、密度和流量具体包括如下：S71、构建维诺图：使用轨迹输出模块中预测轨迹信息的行人坐标位置点构建维诺图，此过程包括如下步骤：S711、定义观察区域内每个行人位置的点，以这些点为基础构建维诺图，每个点都被一系列的多边形即维诺图单元所环绕，而这些多边形的边界是由等距于最近的两个或更多个点的线组成；S712、为每一对生成的点找到它们的中垂线，这条线上的任意一点到这两个生成点的距离是相等的，中垂线的一部分将成为相邻的维诺图单元之间的边界；通过对所有生成点对进行此操作，便可以确定所有维诺图单元的边界，将所有边界连接起来就形成了完整的维诺图；S72、计算维诺图单元面积：维诺图单元的面积反映了相应行人周围的可用空间量，计算包括以下步骤：S721、排序定点：为了准确计算多边形的面积，其顶点必须以顺时针或逆时针顺序进行排序；S722、应用面积公式：多边形面积通过以下公式计算： 其中，s是多边形顶点的数量，xi和yi分别是第i个顶点的横坐标和纵坐标；S73、计算维诺图速度：每个维诺图单元的行人速度vxyt通过连续两个时间步长的轨迹计算得出： 其中表示行人在时刻的位置，Δt0表示间隔的弛豫时间；整个观察区域的维诺图速度vv由该区域的行人速度积分得到： 其中∫∫为二重积分符号，dx，dy表示微分；S74、计算维诺图密度：对于每个维诺图单元，其对应的行人密度ρxy通过S722中计算的维诺图单元面积来计算，即： 在此基础上，整个观察区域的维诺图密度ρv由该区域的行人密度积分得到： S75、行人流量Js由维诺图密度和速度乘积得出：Js＝ρv·vv。

全文数据：

权利要求：

百度查询： 中南民族大学 基于卷积神经网络的行人流密度与流量预测系统及方法