基于人工神经网络和迁移学习的行人流建模方法

张金虎, 谢 磊, 成梦洁, 刘少博

doi:10.12066/j.issn.1007-2861.2650

上海大学学报(自然科学版) >

2025 , Vol. 31 >Issue 2: 299 - 315

DOI: https://doi.org/10.12066/j.issn.1007-2861.2650

基于人工神经网络和迁移学习的行人流建模方法

展开

1. 武汉理工大学智能交通系统研究中心, 武汉 430063;

2. 武汉理工大学交通信息与安全教育部工程研究中心, 武汉 430206

男, 副教授, 博士, 研究方向为行人交通、交通仿真、安全应急.

收稿日期: 2024-08-12

网络出版日期: 2025-05-09

基金资助

国家自然科学基金资助项目 (52172308); 武汉市知识创新专项资助项目 (2023010201010093); 湖北省交通运输厅科技资助项目 (2024-81-3-10)

收起

Pedestrian ﬂow modeling method based on artiﬁcial neural networks and transfer learning

Expand

1. Intelligent Transportation System Research Center, Wuhan University of Technology, Wuhan 430063, China; 2. Engineering Research Center for Transportation Information and Security, Ministry of Education, Wuhan University of Technology, Wuhan 430206, China

Received date: 2024-08-12

Online published: 2025-05-09

Fold

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.

关键词： Pedestrian ?ow simulation has played an important role in solving congestion and safety problems in crowded places, such as large transportation stations; however, existing, widely used pedestrian ?ow models often rely on human-assumed modeling rules, and this reliance leads to a lack of a realistic basis for the model parameters, di?culties in calibration, and inconsistencies between the model and reality, among other problems. In recent years, data-driven models based on arti?cial neural networks have restored the actual behavior and dynamics of pedestrian ?ow in real scenes with higher accuracy

本文引用格式

张金虎, 谢磊, 成梦洁, 刘少博 . 基于人工神经网络和迁移学习的行人流建模方法[J]. 上海大学学报(自然科学版), 2025 , 31(2) : 299 -315 . DOI: 10.12066/j.issn.1007-2861.2650

Abstract

智能交通; 行人流建模仿真; BP (back propagation) 神经网络; 行人流实验; 迁移学习

Options

文章导航

模态框（Modal）标题

摘要

本文引用格式

Abstract