基于物理信息的神经网络的行人第二次十字路口行为的分析

科学领域:

• 土木工程 土木工程是指土木工程.
• 运输工程 运输工程
• 人工智能的人工智能

背景情况:

• 在繁忙的交叉路口上普遍存在双阶段的行人过道,以管理大量的交通量和长长的行人过道.
• 有效的行人管理对于城市环境中的安全和运营效率至关重要.
• 了解行人行为,特别是在复杂的双向交互期间,对于设施设计至关重要.

研究的目的:

• 开发一种新的物理信息神经网络 (PINN) 模型,用于分析两级十字路口的行人流动.
• 将流体动力学原理纳入模型,以预测行人特征,如速度,密度和加速.
• 评估模型的性能与传统的深度学习方法相比.

主要方法:

• 开发了一个物理信息神经网络 (PINN) 模型,集成流体动力学方程.
• 该模型经过训练和测试,使用来自行人交叉路口的数据.
• 通过将预测的行人流体属性 (速度,密度,加速度,雷诺兹数) 与已确定的指标进行比较,以平均平方误差为重点来评估性能.

主要成果:

• 与传统的深度学习方法相比,PINN模型在计算和预测行人流体特性方面表现优越.
• 获得了非常准确的平均平方误差,低至10-8 .
• 该模型有效地捕获了动态行人流动特征,并提供了对行为影响的见解.

结论:

• PINNs提供了一种强大而准确的方法,用于模拟复杂交叉口的行人流动力学.
• 这些发现支持改进行人设施的设计和优化信号定时,以提高安全性和流动性.
• 这项研究有助于智能交通系统,使自动驾驶汽车能够更好地预测行人意图.