神经网络在行人交通领域的应用探讨

大脑神经网络与人群聚集系统均为复杂系统。在此类系统中，个体的微观相互作用行为聚集后涌现出复杂多变的宏观群体现象。大脑神经网络便是由神经元之间的相互作用，形成了复杂的神经网络系统。研究者期望在计算层面构建人工神经网络模型，比拟生物神经网络，让计算机能像人脑一样具备学习能力，能像人类一样进行思考。随着学习能力被不断改进，可供运算的数据量不断增加，神经网络算法得以飞速发展，其在人工智能领域的应用产生了显著的社会经济效应。鉴于两者同样是属于复杂系统，我们期望探讨将不同的神经网络方法应用到聚集人群疏散领域。

一、神经网络概述

最早的神经网络是由心理学家 McCulloch 和数理逻辑学家 Pitts 建立的 MP 模型，它是单一神经元的数学描述 [1]。尽管该模型存在一定局限性，但是这一思路为类似神经网络的复杂系统领域的学者带来了启发。在此基础上，一方面脑科学研究者从模拟人脑的方向努力，探索大脑背后的计算原理；一方面计算机科学研究者从提高算法的学习能力方向努力，运用更智能的算法解决实际科学问题，使得神经网络的研究工作在当今得到广泛的应用。神经网络算法研究如同人脑神经网络一样，将脑科学、计算科学、统计物理、统计力学、概论统计、控制论、运筹学、复杂系统科学、心理学、博弈论等多学科联系起来。从基础研究到应用研究，众多领域都受到神经网络的启发，并在使用神经网络的过程中不断发展。

从涌现行为的角度来看，大脑神经网络包含同步、预测、层进三个阶段 [2]。同步现象指的是接受刺激的神经元组受到激活后同时进入发射状态；预测现象是进入发射状态的神经元组准备对前面的刺激作出反应；层进现象则是新的一层神经元组对已经形成的前一层神经元组作出反应。这三个阶段不仅刻画了神经网络的简单工作原理，也为人工神经网络的构造提供了分解思路。随着对这三个层级的智能涌现过程模拟的不断改进，不同的神经网络算法应运而生。

经典的神经网络模型[3] 丰富多样，涵盖了基础前馈模型（如感知机、多层感知机）、动态反馈模型（如 Hopfield 网络、玻尔兹曼机）、时序处理模型（如循环神经网络、长短期记忆网络）、空间特征模型（如卷积神经网络）、非欧数据模型（如图神经网络）和生成模型（如生成对抗网络）等。

二、神经网络在行人交通领域的应用

神经网络算法在行人交通领域的应用广泛。目前主要应用于人群流量检测、轨迹预测、人群行为分析与智能监控等方面。数据主要集中于场地人群流量、聚集密度等时空数据、场地摄像头、车载摄像头等获取的图像或视频数据，人行道路网、场站等通道网络的图结构数据。针对不同的数据表示形式，不同空间场景可以选择相匹配的算法，有利于深入挖掘行人交通中的宏观规律，进一步应用于指导聚集人群安全疏散。以下将详细介绍不同类型神经网络在该领域的具体应用。

前馈神经网络或多层感知机，是一种通过输入的数据得出预测函数的过程。它可用于静态环境下密集人群疏散路径的预测。例如，商场、机场、地铁站等固定集散场地。在这些场景中，可将环境的出口位置、障碍物分布、人群密度等作为特征量，利用该场地的历史疏散数据训练模型，从而预测不同出口的拥堵概率。

卷积神经网络中的特点是至少在网络的一层中使用卷积运算。它可用于处理实时监控图像，例如，利用其分析监控画面，能够实时识别拥堵区域，便于管理者动态调整引导标识。此外，结合异常检测算法，还能及时预警人群中的异常情况，如突发个体倒地、突发袭击等行为，减少后续事故发生和人群恐慌。

循环神经网络具有不同模式的循环连接，既可以是隐藏单元之间存在循环连接，也可以是当前时刻的输出到下个时刻的隐藏单元之间存在循环连接，还可以是隐藏单元之间存在循环连接。它可用于时序数据分析，适合处理人群移动的动态变化。通过输入人群流动速度、流动方向的变化，利用模型可输出未来时刻的人群分布。以地铁站疏散为例，此类模型可预测下一个时间段的人群聚集区域，以便提前开放备用出口，加快人群疏散。

图神经网络专门用于处理图结构数据。在多楼层建筑疏散中具有显著优势，将疏散场地建模为图，其中节点为房间或者出口，边为通道，尤其能够实现不同楼层上下的连通性，通过学习节点间关系来优化跨楼层的全局路径。

部分基于强化学习的神经网络，可通过深度 Q 网络或策略梯度算法学习疏散策略。利用奖励函数，能够调整出口开放顺序，减少人群路径交叉，缩短疏散时间，避免拥堵。而生成对抗网络则用于生成逼真的疏散场景数据，生成器可以模拟人群移动轨迹，判别器评估其真实性，可用于突发恐慌行为模拟。

三、结论

综上所述，神经网络算法在行人交通领域应用广泛。不同类型的神经网络凭借其独特的优势，在处理不同场景和数据类型时发挥着重要作用。合理选择和运用这些算法，对于保障聚集人群的安全疏散具有重要意义。

参考文献

[1] 李玉鑑 . 深度学习 ： 卷积神经网络从入门到精通 [M]. 机械工业出版社 ， 2018.

[2] [ 美 ] 约翰·霍兰著 ， 陈禹等 （ 译 ）， 方美琪 （ 校 ）， 涌现：从混沌到有序[M]. 科学技术出版社，2006.7.

[3] [ 美 ] 伊恩·古德费洛、[ 加 ] 约书亚·本吉奥、[ 加 ] 亚伦·库维尔著 ， 赵申剑 ， 黎彧君 ， 符天凡 ， 李凯译 ， 深度学习 [M]. 人民邮电出版社 ， 2017.

作者简介：

菅肖霞，1981 年 - ，内蒙古包头人，副教授，研究方向为行人交通模拟与安全管理。

资助项目：国家自然科学基金 （71771153）; 科技发展基金项目 （KJFZ2024- 5）。