郭海涛高级工程师 张 磊中教一级 朱建永，3工程师李俊琪工程师 孙成成

(1.郑州学安网络科技有限公司，河南 郑州 450000；2.郑州中学，河南 郑州 450000；3.深圳市巨龙科教网络有限公司，河南 郑州 450000)

0 引言

近年来，校园防踩踏工作成为校园安全管理工作的重点，由于踩踏事故容易造成严重后果，所以对踩踏事故的提前预警尤为重要，而踩踏事故多发生在楼梯间，因此研究校园楼梯间踩踏事故预警有很重要的实际意义和应用价值。

目前，关于楼梯间踩踏事故预警的研究多以人群移动特点和人员密度为主。例如：姜利等[1]基于人群移动特点，对楼梯间防踩踏装置进行研究；杜娟等[2]关注人员密度因素，提出基于智能分析的校园防踩踏滋事预警系统。上述研究均为单一数据维度，未考虑各个数据维度之间的相互关系以及其他数据维度对踩踏事故的影响，预测结果存在一定的局限性，误报率较高，易对用户造成骚扰，从而使用率不高。

笔者拟考虑影响踩踏事故的多个因素，综合分析影响校园楼梯间踩踏事故预警的各个数据维度，通过反向传播(Back Propagation，BP)神经网络模型拟合出踩踏事故发生的概率，以期精准高效地预警校园楼梯间踩踏事故。

1 研究程序

笔者结合主流新闻网站舆情事故统计[3]，对事故进行分析，得出影响校园楼梯间踩踏事故的因素[4-5]，对这些因素的采集数据进行归一化处理，形成校园楼梯间踩踏事故的指标体系，对基本事件进行敏感性分析，可知对校园楼梯间踩踏事故影响较大的因素，并基于此建立神经网络模型，通过BP神经网络对各个基本事件的影响程度进行调整，最终形成网络模型对校园楼梯间踩踏事故的发生概率进行预警，并针对不同预警值采取不同的干预策略[6]。

为解决问题，基于BP神经网络对楼梯间踩踏事故进行预警干预，笔者将依照“发现问题—事故分析—模型构建—真值数据搜集—模型训练—真值验证—分析改进”的思路开展研究工作，研究框架，如图1。

图1 研究框架

2 校园楼梯间踩踏事故指标设置

通过主流新闻网站搜集1994-2021年的校园楼梯间踩踏事故，形成事故库，共搜集案例200个。对其中100个事故进行数据提取，同时从学校实际采集数据，一起直接导入BP神经网路模型进行训练；剩余100个事故提取数据后，对模型进行验证。

通过事故案例库中的200个校园楼梯间踩踏事故进行分析，得出踩踏事故发生的影响因素，见表1。对影响因素进行敏感性分析，去除采集数据中对踩踏事故敏感性不高的因素，最终得到对踩踏事故有直接影响的数据维度，主要为人数、温度、湿度、噪声、照度、人员速度、逆行人数。对采集数据进行归一化处理，归在0～1之间，形成校园楼梯间踩踏事故指标体系。

表1 校园踩踏事故影响因素

3 神经网络模型搭建

3.1 BP神经网络

BP神经网络[7]的计算过程由正向计算过程和反向计算过程组成。正向传播过程，输入模式从输入层经隐藏层逐层处理，并转向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过不断修改各神经元的权值，使得误差信号最小。

3.2 模型搭建

为方便计算验证，本模型选择全连接前馈神经网络模型，神经元分为3个层级包含：1个输入层、1个隐藏层、1个输出层。因为需要对发生概率进行预警，所以，输出层为一个神经元。输出层数值在0～1之间，故输出层激活函数选用Sigmoid函数中的Logistic函数；为便于收敛，输入层选择LReLU函数；隐藏层神经元个数选择为m=(n+a)-2+b(m为隐含层个数，n为输入层个数，a为输出层个数，b为1-10的常数)。根据多次运算结果得到，运算过程中收敛最优的隐藏层神经元个数为15个。最终确定神经网络模型，其模型框架，如图2。

图2 模型框架

3.3 数据搜集

BP神经网络需要一定量的真值数据进行训练，且真值数据应具有全面性。为此，校园楼梯间踩踏事故采集数据来自2个方面：一是来自于事故案例库，对事故案例库中的事故进行数据提取；二是在4所试点学校搭建测试环境，进行数据采集，每秒钟采集数据60次，采集各个学校正常运行情况下的一天数据。得到此类真值数据之后，由9名相关专家对各组数据进行标注，去除9个专家标注的数据偏差较大值后进行加权平均。

3.4 模型训练与检测

由于运算量较大，利用Python完善模型代码进行数据运算，运算过程分为2部分：神经元前向传播，将采集的数据代入输入层的神经元中，乘以预设的权重值到隐藏层，隐藏层中各神经元得到各个输入层神经元输出的数值乘以权重加上偏置项乘以偏置项权重，得到隐藏层的输入项，通过设置的激活函数进行转置，得到各个隐藏层的输出项，隐藏层输出项乘以各神经元的权重相加通过输出层神经元(神经元计算方式同上)，最终得到预测值；反向传播调整权重，真值数据中标记的有期望值，根据期望值和预测值计算误差值，通过误差值反向传播调整各个输出项的权重，通过调整，最终使各个输入项的权重满足预测需求。

首先，对BP神经网络模型进行训练完成，训练数据来自2个方面：一方面是通过学校实际采集的数据，由专家进行数据标记；另外一部分数据是对事故案例库中的100个事故进行数据提取得来的数据。将这些数据导入模型，设定学习速率为0.1，对模型进行训练，模型训练准确率超过93.2%。

将事故案例库中剩余的100个事故进行数据提取，导入训练好的模型，验证模型的准确性，经过验证，预测值与实际值的符合率在91.3%。

3.5 实际应用

为测试模型的普适性，笔者在某市学校实际环境下进行模型预测，为验证该模型在各个年龄段的适用性，随机抽样1所中学、2所小学、1所幼儿园进行楼梯间踩踏事故预警测试。应用场景，如图3。

图3 学校应用场景

通过语音终端(A5800)设备采集噪声、温湿度、光照；通过监控设备采集校园楼梯间图像数据，图像数据进入校园安防大脑(A1000)，对图像数据进行结构化数据分析，从而得到人员数量、学生通过速度、徘徊事件数据、学生行进方向等数据；终端设备采集到的数据进入BP神经网络模型进行运算，得出学校楼梯间踩踏事故发生的可能性；将楼梯间踩踏的可能性设定级别阈值，当超过某级别的预警阈值，安防大脑(A1000)设备将不同级别的预警干预指令对预警进行处置，反馈给语音终端(A5800)进行干预。

将验证过的模型导入学校进行真实场景下应用，采集一天的学校正常数据(节选)，对数据(均为归一化后数据)进行预测，运行情况，如图4。

图4 学校实际应用预警图(节选)

对全天4所学校预警数据进行统计，一级预警发生的时间与事故库数据统计分析后做对比，如图5。可以看出，一级预警与事故发生时间基本重合，预警可以准确反应事故发生，模型能够满足事故提前预警的要求。

图5 一级预警数与事故库对比图

4 结论

(1)通过对200个校园楼梯间踩踏事故进行分析，最终得到对踩踏事故有直接影响的数据维度，主要为人数、温度、湿度、噪声、照度、人员速度、逆行人数。

(2)单一维度的预警分析，准确度相对较低；神经网络具有非线性函数映射作用，提出一种基于BP神经网络的多维度数据校园楼梯间踩踏事故预警模型。

(3)将4所试点学校数据及100个事故数据导入BP神经网络校园楼梯间踩踏事故预警模型进行训练，再用另外100个事故数据进行验证，预测值与实际值的符合率在91.3%，证明模型能够准确地进行预测，大大提高预警精度。

(4)根据校园楼梯间踩踏事故预警模型的预警结果进行早干预、早防控，下一步可考虑将神经网络得出的预警值进行分级优化，不同预警级别采用不同的干预措施，保障干预措施低投入且有效，有效防止踩踏事故的发生。