(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111354153.2 (22)申请日 2021.11.16 (65)同一申请的已公布的文献号 申请公布号 CN 113901727 A (43)申请公布日 2022.01.07 (73)专利权人 枫树谷 （成 都） 科技有限责任公司 地址 610000 四川省成 都市天府新区兴隆 街道集萃路619号天府 海创园2-1栋 (72)发明人 付佳　冯灏　张软玉　曾阳阳　 尹玄鲲　 (74)专利代理 机构 成都行之智 信知识产权代理 有限公司 5125 6 代理人 徐骥 (51)Int.Cl. G06F 30/27(2020.01) (56)对比文件 CN 10815 3945 A,2018.0 6.12CN 113643170 A,2021.1 1.12 CN 109086 550 A,2018.12.25 CN 103995915 A,2014.08.20 CN 111881625 A,2020.1 1.03 李季涛 等.大 型铁路客 运站到达旅客疏散 微观仿真. 《交通 运输系统工程与信息》 .201 1,第 11卷(第4期),第1 10-116页. 屈云超.密集人群疏散行为建模与动态特性 研究. 《中国博士学位 论文全文数据库 信息科技 辑》 .2015,(第6期),I138- 56. Khamis, Nurulaqi lla 等.Optimized exit door locations for a safer emergency evacuati on using crowd evacuati on model and artificial be e colony optimizati on. 《CHAOS SOL ITONS & FRACTALS》 .2020,第131卷 1-14. 审查员 张玮 (54)发明名称 一种基于分子动力学和机器学习的人群疏 散模拟方法 (57)摘要 本发明公开了一种基于分子动力学和机器 学习的人群疏散模拟方法， 包括以下步骤： 获取 当事人的地理位置、 面部朝向以及速度分布； 根 据所述地理位置、 所述面部朝向、 所述速度分布 以及构建好的当事人受力模型更新所述当事人 的地理位置； 重复所述步骤， 直至所述当事人达 到出口。 本发 明的目的在于提供一种基于分子动 力学和机器学习的人群疏散模拟方法， 通过构建 吸引‑排斥模型结合真实人群疏散数据驱动的机 器学习算法来量化建模 疏散过程中人的智力、 心 理、 是否有外部导航辅助等主观因素和环境障碍 物、 烟、 火、 毒 危险接触等客观因素对当事人运动 行为的影响， 实现人群疏散的精细化动力学模 拟。 权利要求书3页 说明书10页 附图1页 CN 113901727 B 2022.02.22 CN 113901727 B 1.一种基于分子动力学和机器学习的人群疏散模拟方法， 其特 征在于， 包括以下步骤： S1： 获取当前时刻当事人的地理位置、 面部朝向以及速度分布； S2： 根据所述地理位置、 所述面部朝向、 所述速度分布以及构建好的当事人受力模型更 新所述当事人的地理位置； S3： 重复所述S1 ‑S2， 直至所述当事人达 到出口； 所述当事人受力模型为第一当事人受力模型或第二当事人受力模型； 所述第一当事人受力模型为： 其中， 表示当事人受力模型， 表示当事 人在各种因素下的总势能， Uk(rij)表示当 事人i感受到对象j的势能， 对象j包括其他当事 人、 障碍物、 导航标识、 危险物品和/或出口， 和nk为第k种作用势能的特征系数， rij表示当事人i与对象j之间的距离， 表示当事人i 的位置信息， 表示对象j的位置信息； 构建所述第一当事人受力模型包括以下步骤： 获取人群疏散数据集， 所述人群疏散数据集包括当事人的个人信 息、 事故种类信 息、 现 场地理和建筑结构信息、 当事人面部朝向以及运动轨 迹信息； 根据所述 运动轨迹信息对所述人群疏散数据集中的当事人进行分类； 根据人员分类结果和所述人群疏散数据集利用吸引 ‑排斥模型构建所述当事人受力模 型； 所述第二当事人受力模型为： 其中， 表示当事人受力模型， 表示当事人在各种因素下的总势能， Uk(rij)表示当 事人i感受到对象j的势能， 对象j包括其他当事 人、 障碍物、 导航标识、 危险物品和/或出口， 和nk为第k种作用势能的特征系数， rij表示当事人i与对象j之间的距 离， 表示当事人i 的位置信息， 表示当对象j的位置信息， 表示余量力， 为深度学习模型的输入特征权　利　要　求　书 1/3 页 2 CN 113901727 B 2向量； 构建所述第二当事人受力模型包括以下步骤： 获取人群疏散数据集， 所述人群疏散数据集包括当事人的个人信 息、 事故种类信 息、 现 场地理和建筑结构信息、 当事人面部朝向以及运动轨 迹信息； 根据所述 运动轨迹信息对所述人群疏散数据集中的当事人进行分类； 根据人员分类结果和所述人群疏散数据集利用吸引 ‑排斥模型和深度 学习算法构建所 述当事人受力模型； 其中， 根据所述运动轨迹信 息对所述人群疏散数据集中的当事人进行分类包括以下子 步骤： 子步骤1： 获取位于相同的所述现场地理和建筑结构信息下对应的所述当事人的运动 轨迹信息； 子步骤2： 从所述当事人中随机 选择k个人 所对应的所述 运动轨迹信息作为聚类中心； 子步骤3： 计算其余的所述当事人的运动轨迹与每个所述聚类中心的距离， 把所述当事 人对应的所述 运动轨迹划分至距离所述聚类中心最近的类中； 子步骤4： 根据类中已有的运动轨 迹， 重新计算类中心； 子步骤5： 重复所述子步骤3 ‑所述子步骤4， 直到连续N次迭代都不改变聚类结果， 或者 迭代次数达 到上限。 2.根据权利要求1所述的一种基于分子动力学和机器学习的人群疏散模拟方法， 其特 征在于， 所述当事人的运动轨 迹与每个所述聚类中心的距离为： 其中， lij表示距离， 为第i个当事人的运动轨迹， 为第j个当事人的运动轨迹， x， y， z 为当事人的空间坐标值， 下 标表示所处时刻。 3.根据权利要求2所述的一种基于分子动力学和机器学习的人群疏散模拟方法， 其特 征在于， 根据所述运动轨迹信息对所述人群疏散数据集中的所述当事人进 行分类还包括以 下子步骤： 子步骤6： 获取 所述当事人的个人信息以及所述当事人的分类结果； 子步骤7： 用机器学习的分类算法学习所述当事人的个人信息与所述当事人的分类结 果之间的函数关系。 4.根据权利要求1所述的一种基于分子动力学和机器学习的人群疏散模拟方法， 其特 征在于， 所述S2包括以下子步骤： S21： 根据所述当事人受力模型计算当前时刻所述当事人的加速度：权　利　要　求　书 2/3 页 3 CN 113901727 B 3