摘要： 行人流仿真对于解决大型交通场站等人群密集场所的拥挤和安全问题发挥了重要作用, 但目前广泛使用的行人流模型往往依赖人为假设的模型规则, 导致模型参数缺乏现实依据以及标定困难、模型与实际不符等问题. 近年来, 基于人工神经网络的数据驱动模型能够更高精度地还原行人流在现实场景中的实际行为特征, 但对训练数据的依赖性强, 且存在对不同场景泛化能力弱等问题. 为此, 提出一种结合仿真数据和实验数据的 BP (back propagation) 人工神经网络行人流仿真模型训练方法, 并定义了一套包含 46 个参数的新模型参数组合; 然后利用仿真数据对模型进行预训练; 最后结合实验数据对模型进行迁移学习. 结果表明, 用仿真数据预训练模型可有效弥补真实数据不足的缺陷, 且模型迁移学习训练结果的 R 值超过 0.96,均方误差低于 0.003, 证明了迁移学习在提高模型泛化能力和预测精度方面的有效性.

中图分类号: 

• U 121