基于人群聚集特征分析的航站楼群体性事件预警研究

基于航站楼内的视频监控系统的视频数据,对视频进行预处理。从处理之后的图像中提取人群总数及人群密度。对目标监控区域历史视频和突发事件数据的统计分析,研究正常和非正常两种情况下的人群分布密度与人群外部分布特征,并建立相应的预警规则库。根据预警规则,在人群密度与人群外部聚集特征识别的基础上,对非正常目标密集人群进行识别。根据群集性事件的时空特性,针对不同事件、不同时间、不同地点采用不同的规则进行预警。根据预警信息和机场群体性事件应急预案,给出相关的辅助决策支持建议。     

基于压缩感知的人群密度估计方法研究

实时监测人群密度是预防群体性事件的有效手段之一。针对较高密度人群,提出一种基于压缩感知的人群密度估计方法。首先,利用离散余弦变换和随机高斯矩阵获取压缩感知测量值;然后利用主成分分析进行降维处理,得到人群密度特征;最后利用支持向量机将人群密度分为中、高、很高3类。通过某中学校门口的视频图像进行仿真实验,测试、比较、分析了该方法与经典的基于纹理方法的实时性与准确性。     

视频和GIS协同的人群状态感知模型

针对监控视频在图像空间难以统一、宏观及真实量化人群状态的问题,提出了一种基于地理信息技术进行人群状态地图展示、量化分析及预警的方法.首先,通过摄像机厂商或标准视频流接口接入监控视频;然后,将视频图像调整为较小尺寸,采用光流法进行计算,获取图像空间下的光流场;最后,将各个监控视频相应的光流场映射至地理空间,即可在地图中观察人群运动状态,并可通过散点内插、等值线等进行分析,通过相关阈值的设置实现人群异常检测与预警.本文基于MATLAB、ArcGIS Engine、C#等技术,采集多个实验视频,并研发了基于GIS的人群状态感知原型系统,对相关算法进行了验证.结果表明,该方法相对于传统图像空间下的人群状态检测方法,具有人群运动可定位、可量测、可宏观观察和预警等优势.     

基于毫米波传感器的宿舍人群密度监测系统设计

宿舍是学生群体事件易发的高区域,为解决宿舍区域内学生群体事件监测手段匮乏及预警滞后的难题,从学生密集程度异常可能引发群体事件和保护学生隐私的角度出发,基于毫米波传感器的人数统计功能,设计宿舍人群密度监测系统。系统通过IWR1642毫米波传感器监测宿舍区域内的人数,当人群密度达到预警阀值后开启摄像头,并通过Wi-Fi模块将人数信息和图像信息传输至云平台。宿管人员可通过手机登录云端查看数据,并接收云端发送的报警提示信息。系统中摄像头的有条件开启可有效保护学生隐私,宿管在掌握区域内学生数量及实时图像后可及时采取措施制止群体事件的发生。本系统软硬件结构清晰,具有较好的应用价值。     

群体性事件风险定量预测预警

目的对群体性事件风险的预测预警进行了定量化研究。方法结合文献资料,运用案例的实证分析和数据的统计分析,综合应用德尔菲法(Delphi)、层次分析法(AHP)、经验统计分析等多种定量化分析方法,形成了一套关于群体性事件风险的定量化评估方法。结果构建了群体性事件风险预警指标体系,建立了基于指标体系的事件风险预警的趋势预测、动向预警、状态预警数学模型体系,并对模型体系进行了验证分析和讨论。结论指标体系及模型嵌入到公安信息化应用平台实用而有效。     

基于时空信息约束的密集人群分割方法

在密集场景中,人群可以看作是由三五成群的、具有运动一致性的子群体构成的集合.为了能划分这些子群体,以便对人群的交互行为进行分析,提出了一种基于时空信息约束的分割方法.该方法首先利用背景建模和特征点跟踪,获取视频图像帧中运动目标的时空信息;然后,利用前景中群体分布的空间区域信息,将空间上相邻近的人群划分为若干个子群体;最后,通过一段时间内的运动相关性将子群体进行进一步的分割.这两种约束信息相互作用,得到具有运动一致性的子群体.通过大量实验验证测试,表明该方法可以应用于不同人群密度、视角范围等多种场景视频.     

一种基于多尺度融合卷积神经网络的人群计数方法

人群间的相互遮挡和多变的空间尺度是基于单幅图像人群计数算法面临的主要挑战.近年来,基于深度学习的人群计数算法在该问题上取得了显著的成效,然而越来越深的网络结构给模型的训练和应用带来了困难.为了解决上述问题,提出了一种基于多尺度融合卷积神经网络(multi-scale fusion convolution neural network,MSF-CNN)的人群计数方法.方法采用三列不同大小卷积核的卷积神经网络来提取不同空间尺度的图像特征,同时在网络结构中引入融合层将提取到的特征进行融合并求取密度图,最后对密度图积分求和得到人群数量.在ShanghaiTech数据集及UCF_CC_50数据集上的实验结果表明,该方法能够适应复杂的场景,有效减少人群间相互遮挡和空间尺度的变化对计数结果的影响,同时模型易于训练,明显优于现有人群计数方法.     

群体性事件社会风险预警机制探析

社会转型时期群体性事件加剧,应加强群体性事件社会风险的前端预警研究。本文在理论梳理的基础上,针对我国群体性事件社会风险治理的现状,借鉴国外经验,提出构建群体性事件社会风险预警机制的具体建议,以实现群体性事件危机治理常态化。     

基于断面流量的公共场所瞬时人数估算方法研究

为控制公共场所人群聚集风险,需要定量估算场所的人群空间分布,尤其是瞬时聚集人数。文章基于图像识别获得点状断面人流量数据,并根据开放性公共场所的类型和人群空间分布形态,提出4种具体的人群聚集数量估算方法,分别是进出口流量差值累计法(CMIO)、进出口流线节点分配法(LNDM)、节点转移概率矩阵法(NTPMM)和路径断面流量法(PSFM),同时给出了每种方法的适用范围。选择北京什刹海景区进行了案例应用,基于景区环湖道路的网状空间以及人群线状流动特点选择PSFM和LNDM估算方法,给出了荷花市场具体算例,道路人群滞留量估算结果与实际人群分布相符。文章研究的方法可为公共场所安全容量预警以及旅游景区最大承载量预警管理提供支持。     

群体性事件的社会心理学分析

最近几年,我国群体性事件呈现多发趋势。从社会心理学角度分析,群体性事件是因社会事件没有满足人们需要而引起的,从众、感染、暗示与模仿、责任分散、去个性化、流言等社会心理机制导致群体性事件规模扩大,群体性事件形成过程一般经历人群聚集、刺激与暗示、情绪感染和情绪爆发几个阶段,参与群体性事件的成员可以分为一般成员和骨干成员,不同类型参与者带着不同的心态参与群体性事件。     

基于时空特征提取的城市轨道交通乘客出行目的地预测

为满足城市轨道交通运营组织进行客流管控和行车调度的实时需求,提出了基于乘客OD时空特征的出行目的地在线预测方法。通过分析定义乘客OD时空特征矩阵,以乘客个体的历史自动售检票系统（AFC）数据为训练样本,提出了基于行程密度聚类的乘客OD时空特征提取方法。分析制定乘客实时进站刷卡信息与其OD时空特征矩阵的匹配规则,基于3种匹配情况分别提出了相应的目的地实时预测方法。以南京市轨道交通AFC数据为实例进行验证,结果表明本文提出的预测方法在高峰时段预测准确率、全天预测稳定性等方面效果良好,可为地铁运营组织提供参考。     

面向OD客流的高速列车开行方案的优化

满足旅客出行需求的列车开行方案能够更好地吸引客流，提高高速铁路的核心竞争力.以最大化经济收益和最小化出行费用为目标函数，以高速铁路开行方案为研究对象，以旅客出行需求等作为约束条件，将列车开行方案与OD客流量结合起来，同时考虑旅客的购票心理和列车购票的时效性，建立了一种基于动态客流的列车开行方案的多目标优化模型，并设计一种基于个体信息和改进变异算子的多目标差分(SG-MOSaDE)算法进行求解.以广州市某线路为例进行实验，结果表明，优化后的开行方案不仅最大化满足了旅客出行需求，而且在提高铁路部门经济收益的同时降低了旅客的出行花费，并且优化后的列车总停站次数较原来有所下降，停站方案更加均衡.     

时空多特征流域场景模式库构建方法

通过构建流域时空场景表征水文事件,提出一种创新的时空多特征流域场景模式库构建方法。对水文原始数据进行事件化分割,去除场景要素数据的时空冗余;基于要素关联关系分析,以多类型方法构造场景要素的对应特征;通过特征选择算法,选取场景关键特征,实现场景初始化;以初始化场景为特征空间,通过聚类提取场景模式,完成场景模式库构建。试验结果表明,创新的时空多特征流域场景模式库构建方法能高效提取水文事件中关键的时空场景数据,挖掘场景模式,形成场景模式库,可以为小样本条件下的水文事件预测提供准确高效的结果。     

基于工况分析的城市轨道列车自动行车系统多目标优化策略

传统的自动行车系统(ATO)具有良好的自动行车能力;但系统为达到行驶目的,通常会进行频繁地工况转换,从而导致浪费能源并使乘客舒适度下降。将对能耗和舒适度这两个参数进行目标优化;并在前人的研究基础上,提出以工况为基础的分段分析建模优化参数的ATO多目标优化策略。利用改进的遗传算法进行模型求解。最后整合各段优化得出的运行曲线,得到完整的运行曲线图。通过实例仿真,该方法具有很好的优化效果及可操作性。     

基于层次分析的长短记忆网络(AHP-LSTM)的食品安全网络舆情预警模型

随着互联网技术的迅猛发展,网络已成为社会舆情的重要阵地,而网络舆情是食品风险预警的一个方向。传统舆情预警模型在指标体系的基础上结合反向传播神经网络（back propagation neural network,BP）等神经网络模型进行分析,存在运行不稳定、预测精度不高等问题。为了解决这些问题,采用具有较高预测精度的长短记忆（long short-term memory,LSTM）网络算法,在网络事件指标体系的基础上引入层次分析法（analytic hierarchy process,AHP）并融合食品安全事件指标数据,将融合结果作为LSTM的期望输出,以建立更为稳定、精度更高的风险预警模型AHP-LSTM。实验结果表明,与传统模型相比,AHP-LSTM对于事件指标数据具有较强的处理能力和较高的预警精度。因此构建基于AHP-LSTM的食品安全事件预警方法,可为相关部门有效防范和管理食品安全网络事件提供一定的理论依据和数据支撑。     

基于特征工程的集成学习短期光伏功率预测

短期光伏功率预测对于电网稳定运行具有重要意义。为了解决单一模型预测精度不佳的情况,文章提出一种在Stacking集成学习框架下融合Bagging和Boosting算法的短期光伏功率预测模型。首先,引入Copula函数的相关性分析和轻量级梯度提升机的特征贡献度计算来进行特征筛选,然后,选取泛化性能较优的模型作为基学习器,并采用贝叶斯优化算法来对基学习器模型参数进行优化,最后,定义一个超级学习器,采用5折交叉验证,将基学习器与元学习器封装到超级学习器中训练。算例结果表明,在不同季节和不同天气条件下,Stacking模型相较于单一模型有着更高的预测精度。     

高峰期轨道交通廊道出行均衡模型及算法

为了指导城市轨道交通运营、规划及管理,在考虑轨道车厢内拥挤和早到与晚到成本的情况下,通过建立轨道交通廊道中的出行动态均衡模型,研究了模型算法以及出行时间价值对乘客出行分布的影响.如果乘客通过权衡拥挤成本与延误成本,选择最佳轨道班次使得个人出行总成本最小,那么会达到出行成本的用户均衡状态.基于Frank-Wolfe算法迭代计算轨道交通廊道中用户出行时间分布均衡解.结果 表明,均衡状态时,不同讫点的乘客连续分布在不同班次之间,人数分别在各自误时成本最小的车次上达到峰值;晚到成本增大到一定程度时,没有乘客选择晚到的班次;减少单位早到误时成本时,乘客只权衡拥挤成本来选择班次.研究结果不仅对轨道交通管理有一定理论意义,也对个人出行选择行为有一定的实践指导意义.     

基于混合蛙跳算法的长时间跨度人脸识别

面部特征中存在长时间不变特征和短时间不变特征,对两种特征分类,使用长时间不变特征完成长时间跨度人脸识别.首先以最佳覆盖为目标的特征对比方式,代替传统的以最佳划分为目标的特征对比方式,使用混合蛙跳算法实现特征对齐.然后根据时间段和特征值变化度计算每个对齐的特征点的权值和基准特征值,对长时间不变特征与短时间不变特征进行分类.在识别过程中,应用已识别的图像信息更新权值和基准特征值,进行长时间跨度的人脸识别.实验结果表明,该方法可以在以年为时间跨度的人脸识别过程中达到82%的识别率,优于其他算法.     

基于云-边协同技术的突发性滑坡灾害监测预警体系研究

作为自然灾害影响最为严重的国家之一,滑坡预警体系的建立和完善对于我国防灾减灾具有重要意义。目前成熟的滑坡预警体系以云端服务器为中心,完成数据集成、预警计算及信息发布等任务。然而,由于网络传输延迟、服务器运算时延的影响,从数据采集到客户端信息接收的过程中,存在较长的时耗过程,使预警体系存在一定程度的预警时延。同时,目前预警体系受制于数据传输条件,在灾后断电断网的场景下,现场监测网络无法与云端服务器建立连接,监测预警工作难以有效进行。为此,基于云-边协同技术,本文对滑坡灾害监测预警体系进行了深入研究,并开发了云端监测预警平台和边缘预警计算终端。通过真实滑坡监测数据模拟验证了云端与边缘预警计算终端协同工作时滑坡监测预警体系的有效性。该研究为对提高滑坡预警体系稳定性,尤其是极端网络条件下实现滑坡灾害有效预警具有积极作用。