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：青岛理工大学;中铁建电气化局集团第三工程有限公司;中铁建电气化局集团运营管理有限公司;应急管理部国家自然灾害防治研究院;中国铁建电气化局集团有限公司

摘要：本申请实施例公开了一种水灾场景下车站乘客楼扶梯选择的预测方法和装置。该方法的一具体实施方式包括：获取地下车站的应急楼梯设施信息、主楼梯设施信息、乘客信息以及水灾场景信息；将所获取的应急楼梯设施信息、主楼梯设施信息、乘客信息以及水灾场景信息输入至预先构建的估计模型；根据估计模型的输出确定在水灾场景下选择使用应急楼梯的乘客流量占总横截面乘客流量的百分比的估计值。该实施方式可以辅助工作人员合理安排人员疏散，提高紧急情况下垂直疏散设施的有效利用率，为地下车站内人员的安全疏散提供支持。

主权项：1.一种水灾场景下车站乘客楼扶梯选择的预测方法，包括：获取地下车站的应急楼梯设施信息、主楼梯设施信息、乘客信息以及水灾场景信息；将所获取的应急楼梯设施信息、主楼梯设施信息、乘客信息以及水灾场景信息输入至预先构建的估计模型，其中，所述估计模型用于表征地下车站的应急楼梯设施信息、主楼梯设施信息、乘客信息以及水灾场景信息与水灾场景下地下车站应急楼梯使用率的估计值之间的对应关系，所述应急楼梯设施信息包括应急楼梯防滑度、应急楼梯高度、应急楼梯宽度、应急楼梯倾角参数、应急楼梯梯级高度、应急楼梯布设形式，所述主楼梯设施信息包括主楼梯防滑度、主楼梯高度、主楼梯宽度、主楼梯倾角参数、主楼梯梯级高度以及主楼梯布设形式，所述乘客信息包括乘客数量、乘客性别、年龄结构，所述水灾场景信息包括水深以及应急楼梯和主楼梯上的水流速度；根据所述估计模型的输出确定水灾场景下所述地下车站选择使用应急楼梯的乘客流量占总横截面乘客流量的百分比的估计值；其中，所述估计模型通过以下步骤构建：基于随机森林模型得到基础估计模型；通过雪消融优化算法对基础估计模型进行优化；利用模拟数据对优化后的模型进行训练，得到所述估计模型；其中，所述基于随机森林模型得到基础估计模型，包括：基于Bootstrap方法进行重采样，随机产生N组训练样本，对每组训练样本生产一个决策树；选择决策树各非叶子节点的分裂属性时使用随机的方法，从M个样本总属性中选择m个属性作为当前节点的总属性集；进行机器学习，以选择的m个属性中最好的分类方式对节点进行分裂；机器学习过程中选择N组训练样本结果的平均值作为模型的估计结果；其中，所述通过雪消融优化算法对基础估计模型进行优化，包括：初始化雪消融优化算法，设置被优化参数的取值范围，所述被优化参数包括基础估计模型中的决策树数目和被选特征数；利用雪消融优化算法对所述基础估计模型中的决策树数目和被选特征数参数进行优化，将决策树数目和被选特征数参数作为雪消融优化算法的一组候选解，计算适应度值，更新最佳粒子；通过迭代计算，得到雪消融优化算法的目标函数中最优值对应的候选解，将得到的候选解作为估计模型中的决策树数目和被选特征数参数，完成模型的优化；其中，所述利用模拟数据对优化后的模型进行训练，得到所述估计模型，包括：将数据集划分训练集和测试集；对所述训练集与所述测试集中数据进行预处理，所述预处理包括清洗、标准化、转换和编码数据；选择和提取数据集中应急楼梯和主楼梯防滑度、应急楼梯和主楼梯高度、应急楼梯和主楼梯宽度、应急楼梯和主楼梯倾角参数、应急楼梯和主楼梯梯级高度以及应急楼梯和主楼梯布设形式、乘客数量、乘客性别、年龄结构、水深以及应急楼梯和主楼梯上的水流速度作为模型输入特征，水灾场景下地下车站选择使用应急楼梯的乘客流量占总横截面乘客流量的百分比作为模型输出特征用于训练和测试模型；使用训练集对模型进行训练，通过不断调整模型参数找到最佳的拟合结果；使用测试集对训练得到的模型进行评估，以验证模型的泛化能力和性能并根据评估结果对模型进行调优和优化，提高模型的估算能力和准确性，完成估计模型的训练；其中，所述雪消融优化算法包括初始化阶段，所述初始化阶段包括以下步骤：随机生成一批粒子作为初始种群，所述初始种群通过以下矩阵表 其中，Z代表初始种群的矩阵，N代表种群的大小，Dim表示解空间的维度，L和U分别指示解空间的下界和上界，θ表示区间[0，1]中的随机数；其中，所述雪消融优化算法包括勘探阶段，所述勘探阶段包括以下步骤：基于均值为0、方差为1的正态分布的概率密度函数获得布朗运动步长： 基于布朗运动勘探搜索空间中的潜在区域，勘探过程中的位置更新公式如下： 其中，Zit表示第i个粒子的第t次迭代，Zit+1表示第i个粒子的第t+1次迭代，BMit表示基于代表布朗运动的高斯分布的随机数的向量，符号表示逐项相乘，θ1表示[0，1]间的随机数，Gt代表当前最优解，Elitet是从种群的精英群体中随机选取的一个个体，表示种群的质心位置，的数学表达式如下： Elitet∈[Gt，Zsecondt，Zthirdt，Zct]其中，Zsecondt和Zthirdt分别代表当前种群中第二和第三优的个体，Zct表示适应度值排名前50％个体的质心位置，Zct的数学表达式如下： 其中，N1代表领导者数量，N1数量上等于整个种群大小的一半，在每次迭代期间Elitet从由当前最佳解、第二最佳个体、第三最佳个体和领导者的质心位置组成的集合中随机选择；其中，所述雪消融优化算法包括开采阶段，所述开采阶段包括以下步骤：通过以下方程计算融雪率： 其中，M是融雪率，T表示日平均温度，tmax表示终止条件，DDF表示degree-day因子，取值范围是0.35到0.6，在每次迭代中，要更新的DDF值的数学表达式如下： 通过以下公式进行开采阶段的位置更新： 其中，θ2表示从[-1，1]中选择的随机数，在交叉术语θ2×Gt-Zit和1-θ2×Zt-Zit的帮助下，基于当前最佳搜索代理和群体质心位置的信息，个体更有可能利用更有希望出现最优解的区域；以及所述雪消融优化算法采用双种群机制，在迭代的早期阶段，将整个种群随机划分为两个大小相等的子种群，整个种群表示为p，两个子种群分别表示为pop1和pop2，pop1负责勘探，pop2被指派执行利用，起初两个种群一样大小，在随后的迭代中pop2逐渐下降，pop1相应地增加；所述雪消融优化算法的完整的位置更新方程为： 其中，indexa和indexb为一组表示pop1和pop2中个体在整个位置矩阵中索引。

全文数据：

权利要求：

百度查询： 青岛理工大学 中铁建电气化局集团第三工程有限公司 中铁建电气化局集团运营管理有限公司 应急管理部国家自然灾害防治研究院 中国铁建电气化局集团有限公司 一种水灾场景下车站乘客楼扶梯选择的预测方法和装置