郭海濤高級(jí)工程師 張 磊中教一級(jí) 朱建永，3工程師李俊琪工程師 孫成成

(1.鄭州學(xué)安網(wǎng)絡(luò)科技有限公司，河南 鄭州 450000；2.鄭州中學(xué)，河南 鄭州 450000；3.深圳市巨龍科教網(wǎng)絡(luò)有限公司，河南 鄭州 450000)

0 引言

近年來(lái)，校園防踩踏工作成為校園安全管理工作的重點(diǎn)，由于踩踏事故容易造成嚴(yán)重后果，所以對(duì)踩踏事故的提前預(yù)警尤為重要，而踩踏事故多發(fā)生在樓梯間，因此研究校園樓梯間踩踏事故預(yù)警有很重要的實(shí)際意義和應(yīng)用價(jià)值。

目前，關(guān)于樓梯間踩踏事故預(yù)警的研究多以人群移動(dòng)特點(diǎn)和人員密度為主。例如：姜利等[1]基于人群移動(dòng)特點(diǎn)，對(duì)樓梯間防踩踏裝置進(jìn)行研究；杜娟等[2]關(guān)注人員密度因素，提出基于智能分析的校園防踩踏滋事預(yù)警系統(tǒng)。上述研究均為單一數(shù)據(jù)維度，未考慮各個(gè)數(shù)據(jù)維度之間的相互關(guān)系以及其他數(shù)據(jù)維度對(duì)踩踏事故的影響，預(yù)測(cè)結(jié)果存在一定的局限性，誤報(bào)率較高，易對(duì)用戶造成騷擾，從而使用率不高。

筆者擬考慮影響踩踏事故的多個(gè)因素，綜合分析影響校園樓梯間踩踏事故預(yù)警的各個(gè)數(shù)據(jù)維度，通過(guò)反向傳播(Back Propagation，BP)神經(jīng)網(wǎng)絡(luò)模型擬合出踩踏事故發(fā)生的概率，以期精準(zhǔn)高效地預(yù)警校園樓梯間踩踏事故。

1 研究程序

筆者結(jié)合主流新聞網(wǎng)站輿情事故統(tǒng)計(jì)[3]，對(duì)事故進(jìn)行分析，得出影響校園樓梯間踩踏事故的因素[4-5]，對(duì)這些因素的采集數(shù)據(jù)進(jìn)行歸一化處理，形成校園樓梯間踩踏事故的指標(biāo)體系，對(duì)基本事件進(jìn)行敏感性分析，可知對(duì)校園樓梯間踩踏事故影響較大的因素，并基于此建立神經(jīng)網(wǎng)絡(luò)模型，通過(guò)BP神經(jīng)網(wǎng)絡(luò)對(duì)各個(gè)基本事件的影響程度進(jìn)行調(diào)整，最終形成網(wǎng)絡(luò)模型對(duì)校園樓梯間踩踏事故的發(fā)生概率進(jìn)行預(yù)警，并針對(duì)不同預(yù)警值采取不同的干預(yù)策略[6]。

為解決問(wèn)題，基于BP神經(jīng)網(wǎng)絡(luò)對(duì)樓梯間踩踏事故進(jìn)行預(yù)警干預(yù)，筆者將依照“發(fā)現(xiàn)問(wèn)題—事故分析—模型構(gòu)建—真值數(shù)據(jù)搜集—模型訓(xùn)練—真值驗(yàn)證—分析改進(jìn)”的思路開(kāi)展研究工作，研究框架，如圖1。

圖1 研究框架

2 校園樓梯間踩踏事故指標(biāo)設(shè)置

通過(guò)主流新聞網(wǎng)站搜集1994-2021年的校園樓梯間踩踏事故，形成事故庫(kù)，共搜集案例200個(gè)。對(duì)其中100個(gè)事故進(jìn)行數(shù)據(jù)提取，同時(shí)從學(xué)校實(shí)際采集數(shù)據(jù)，一起直接導(dǎo)入BP神經(jīng)網(wǎng)路模型進(jìn)行訓(xùn)練；剩余100個(gè)事故提取數(shù)據(jù)后，對(duì)模型進(jìn)行驗(yàn)證。

通過(guò)事故案例庫(kù)中的200個(gè)校園樓梯間踩踏事故進(jìn)行分析，得出踩踏事故發(fā)生的影響因素，見(jiàn)表1。對(duì)影響因素進(jìn)行敏感性分析，去除采集數(shù)據(jù)中對(duì)踩踏事故敏感性不高的因素，最終得到對(duì)踩踏事故有直接影響的數(shù)據(jù)維度，主要為人數(shù)、溫度、濕度、噪聲、照度、人員速度、逆行人數(shù)。對(duì)采集數(shù)據(jù)進(jìn)行歸一化處理，歸在0～1之間，形成校園樓梯間踩踏事故指標(biāo)體系。

表1 校園踩踏事故影響因素

3 神經(jīng)網(wǎng)絡(luò)模型搭建

3.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)[7]的計(jì)算過(guò)程由正向計(jì)算過(guò)程和反向計(jì)算過(guò)程組成。正向傳播過(guò)程，輸入模式從輸入層經(jīng)隱藏層逐層處理，并轉(zhuǎn)向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層不能得到期望的輸出，則轉(zhuǎn)入反向傳播，將誤差信號(hào)沿原來(lái)的連接通路返回，通過(guò)不斷修改各神經(jīng)元的權(quán)值，使得誤差信號(hào)最小。

3.2 模型搭建

為方便計(jì)算驗(yàn)證，本模型選擇全連接前饋神經(jīng)網(wǎng)絡(luò)模型，神經(jīng)元分為3個(gè)層級(jí)包含：1個(gè)輸入層、1個(gè)隱藏層、1個(gè)輸出層。因?yàn)樾枰獙?duì)發(fā)生概率進(jìn)行預(yù)警，所以，輸出層為一個(gè)神經(jīng)元。輸出層數(shù)值在0～1之間，故輸出層激活函數(shù)選用Sigmoid函數(shù)中的Logistic函數(shù)；為便于收斂，輸入層選擇LReLU函數(shù)；隱藏層神經(jīng)元個(gè)數(shù)選擇為m=(n+a)-2+b(m為隱含層個(gè)數(shù)，n為輸入層個(gè)數(shù)，a為輸出層個(gè)數(shù)，b為1-10的常數(shù))。根據(jù)多次運(yùn)算結(jié)果得到，運(yùn)算過(guò)程中收斂最優(yōu)的隱藏層神經(jīng)元個(gè)數(shù)為15個(gè)。最終確定神經(jīng)網(wǎng)絡(luò)模型，其模型框架，如圖2。

圖2 模型框架

3.3 數(shù)據(jù)搜集

BP神經(jīng)網(wǎng)絡(luò)需要一定量的真值數(shù)據(jù)進(jìn)行訓(xùn)練，且真值數(shù)據(jù)應(yīng)具有全面性。為此，校園樓梯間踩踏事故采集數(shù)據(jù)來(lái)自2個(gè)方面：一是來(lái)自于事故案例庫(kù)，對(duì)事故案例庫(kù)中的事故進(jìn)行數(shù)據(jù)提取；二是在4所試點(diǎn)學(xué)校搭建測(cè)試環(huán)境，進(jìn)行數(shù)據(jù)采集，每秒鐘采集數(shù)據(jù)60次，采集各個(gè)學(xué)校正常運(yùn)行情況下的一天數(shù)據(jù)。得到此類真值數(shù)據(jù)之后，由9名相關(guān)專家對(duì)各組數(shù)據(jù)進(jìn)行標(biāo)注，去除9個(gè)專家標(biāo)注的數(shù)據(jù)偏差較大值后進(jìn)行加權(quán)平均。

3.4 模型訓(xùn)練與檢測(cè)

由于運(yùn)算量較大，利用Python完善模型代碼進(jìn)行數(shù)據(jù)運(yùn)算，運(yùn)算過(guò)程分為2部分：神經(jīng)元前向傳播，將采集的數(shù)據(jù)代入輸入層的神經(jīng)元中，乘以預(yù)設(shè)的權(quán)重值到隱藏層，隱藏層中各神經(jīng)元得到各個(gè)輸入層神經(jīng)元輸出的數(shù)值乘以權(quán)重加上偏置項(xiàng)乘以偏置項(xiàng)權(quán)重，得到隱藏層的輸入項(xiàng)，通過(guò)設(shè)置的激活函數(shù)進(jìn)行轉(zhuǎn)置，得到各個(gè)隱藏層的輸出項(xiàng)，隱藏層輸出項(xiàng)乘以各神經(jīng)元的權(quán)重相加通過(guò)輸出層神經(jīng)元(神經(jīng)元計(jì)算方式同上)，最終得到預(yù)測(cè)值；反向傳播調(diào)整權(quán)重，真值數(shù)據(jù)中標(biāo)記的有期望值，根據(jù)期望值和預(yù)測(cè)值計(jì)算誤差值，通過(guò)誤差值反向傳播調(diào)整各個(gè)輸出項(xiàng)的權(quán)重，通過(guò)調(diào)整，最終使各個(gè)輸入項(xiàng)的權(quán)重滿足預(yù)測(cè)需求。

首先，對(duì)BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練完成，訓(xùn)練數(shù)據(jù)來(lái)自2個(gè)方面：一方面是通過(guò)學(xué)校實(shí)際采集的數(shù)據(jù)，由專家進(jìn)行數(shù)據(jù)標(biāo)記；另外一部分?jǐn)?shù)據(jù)是對(duì)事故案例庫(kù)中的100個(gè)事故進(jìn)行數(shù)據(jù)提取得來(lái)的數(shù)據(jù)。將這些數(shù)據(jù)導(dǎo)入模型，設(shè)定學(xué)習(xí)速率為0.1，對(duì)模型進(jìn)行訓(xùn)練，模型訓(xùn)練準(zhǔn)確率超過(guò)93.2%。

將事故案例庫(kù)中剩余的100個(gè)事故進(jìn)行數(shù)據(jù)提取，導(dǎo)入訓(xùn)練好的模型，驗(yàn)證模型的準(zhǔn)確性，經(jīng)過(guò)驗(yàn)證，預(yù)測(cè)值與實(shí)際值的符合率在91.3%。

3.5 實(shí)際應(yīng)用

為測(cè)試模型的普適性，筆者在某市學(xué)校實(shí)際環(huán)境下進(jìn)行模型預(yù)測(cè)，為驗(yàn)證該模型在各個(gè)年齡段的適用性，隨機(jī)抽樣1所中學(xué)、2所小學(xué)、1所幼兒園進(jìn)行樓梯間踩踏事故預(yù)警測(cè)試。應(yīng)用場(chǎng)景，如圖3。

圖3 學(xué)校應(yīng)用場(chǎng)景

通過(guò)語(yǔ)音終端(A5800)設(shè)備采集噪聲、溫濕度、光照；通過(guò)監(jiān)控設(shè)備采集校園樓梯間圖像數(shù)據(jù)，圖像數(shù)據(jù)進(jìn)入校園安防大腦(A1000)，對(duì)圖像數(shù)據(jù)進(jìn)行結(jié)構(gòu)化數(shù)據(jù)分析，從而得到人員數(shù)量、學(xué)生通過(guò)速度、徘徊事件數(shù)據(jù)、學(xué)生行進(jìn)方向等數(shù)據(jù)；終端設(shè)備采集到的數(shù)據(jù)進(jìn)入BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行運(yùn)算，得出學(xué)校樓梯間踩踏事故發(fā)生的可能性；將樓梯間踩踏的可能性設(shè)定級(jí)別閾值，當(dāng)超過(guò)某級(jí)別的預(yù)警閾值，安防大腦(A1000)設(shè)備將不同級(jí)別的預(yù)警干預(yù)指令對(duì)預(yù)警進(jìn)行處置，反饋給語(yǔ)音終端(A5800)進(jìn)行干預(yù)。

將驗(yàn)證過(guò)的模型導(dǎo)入學(xué)校進(jìn)行真實(shí)場(chǎng)景下應(yīng)用，采集一天的學(xué)校正常數(shù)據(jù)(節(jié)選)，對(duì)數(shù)據(jù)(均為歸一化后數(shù)據(jù))進(jìn)行預(yù)測(cè)，運(yùn)行情況，如圖4。

圖4 學(xué)校實(shí)際應(yīng)用預(yù)警圖(節(jié)選)

對(duì)全天4所學(xué)校預(yù)警數(shù)據(jù)進(jìn)行統(tǒng)計(jì)，一級(jí)預(yù)警發(fā)生的時(shí)間與事故庫(kù)數(shù)據(jù)統(tǒng)計(jì)分析后做對(duì)比，如圖5。可以看出，一級(jí)預(yù)警與事故發(fā)生時(shí)間基本重合，預(yù)警可以準(zhǔn)確反應(yīng)事故發(fā)生，模型能夠滿足事故提前預(yù)警的要求。

圖5 一級(jí)預(yù)警數(shù)與事故庫(kù)對(duì)比圖

4 結(jié)論

(1)通過(guò)對(duì)200個(gè)校園樓梯間踩踏事故進(jìn)行分析，最終得到對(duì)踩踏事故有直接影響的數(shù)據(jù)維度，主要為人數(shù)、溫度、濕度、噪聲、照度、人員速度、逆行人數(shù)。

(2)單一維度的預(yù)警分析，準(zhǔn)確度相對(duì)較低；神經(jīng)網(wǎng)絡(luò)具有非線性函數(shù)映射作用，提出一種基于BP神經(jīng)網(wǎng)絡(luò)的多維度數(shù)據(jù)校園樓梯間踩踏事故預(yù)警模型。

(3)將4所試點(diǎn)學(xué)校數(shù)據(jù)及100個(gè)事故數(shù)據(jù)導(dǎo)入BP神經(jīng)網(wǎng)絡(luò)校園樓梯間踩踏事故預(yù)警模型進(jìn)行訓(xùn)練，再用另外100個(gè)事故數(shù)據(jù)進(jìn)行驗(yàn)證，預(yù)測(cè)值與實(shí)際值的符合率在91.3%，證明模型能夠準(zhǔn)確地進(jìn)行預(yù)測(cè)，大大提高預(yù)警精度。

(4)根據(jù)校園樓梯間踩踏事故預(yù)警模型的預(yù)警結(jié)果進(jìn)行早干預(yù)、早防控，下一步可考慮將神經(jīng)網(wǎng)絡(luò)得出的預(yù)警值進(jìn)行分級(jí)優(yōu)化，不同預(yù)警級(jí)別采用不同的干預(yù)措施，保障干預(yù)措施低投入且有效，有效防止踩踏事故的發(fā)生。