相关实验视频
Updated: Jul 20, 2026
16:14
Trajectory Data Analyses for Pedestrian Space-time Activity Study
Published on: February 25, 2013
13.5K
对神经网络方法在行人动态研究中的应用进行审查
Shenshi Huang1, Ruichao Wei2, Liping Lian1
1School of Architectural Engineering, Shenzhen Polytechnic, Shenzhen, Guangdong, China.
Heliyon
|May 20, 2024
概括
人工智能,特别是神经网络,正在推进行人动态和人群疏散研究. 虽然长期短期记忆 (LSTM) 网络擅长短期轨迹预测,但深度神经网络是行为预测的关键,尽管需要更多的研究.
科学领域:
- 人工智能的人工智能
- 人群动力学 人群动力学
- 疏散模型 疏散模型
背景情况:
- 人工智能 (AI) 方法越来越多地应用于行人动态和人群疏散.
- 各种神经网络模型显示了不同人群场景中的性能变化.
- 需要进行系统审查,以指导未来研究中的模型选择.
研究的目的:
- 审查神经网络方法在行人动态中的应用.
- 将研究分类为轨迹和行为预测.
- 为特定人群场景选择合适的AI模型提供见解.
主要方法:
- 在行人动态中神经网络应用的文献综述.
- 研究被分为轨迹预测和行为预测.
- 对审查研究的概念,方法和基于结果的分析.
主要成果:
- 基于长短期记忆 (LSTM) 的方法是行人轨迹预测的主流,提供良好的短期准确性.
- 深度神经网络是最受欢迎的行人行为预测.
- 深度神经网络可以有效模拟复杂的决策过程.
结论:
- 当前的人工智能方法有前途,但需要进一步开发,以便在工业中得到系统应用.
- 新的方法和数据集对于推动行人动态领域的发展至关重要.
- LSTM和深度神经网络在预测行人运动和行为方面取得了重大进展.
