一种室内行人流疏散控制方法、系统、电子设备及介质

技术领域

本发明涉及行人疏散技术领域，特别是涉及一种室内行人流疏散控制方法、系统、电子设备及介质。

背景技术

随着社会的不断发展，城市各地的娱乐设施、大型商场等公共场所急剧增加。而上述公共场所往往存在人群高度聚集的情况，发生诸如火灾、地震等灾害后，极易产生踩踏事件。而在发生突发情况下，如果引导人员能够进行有效疏散将会极大减少伤亡。因此人群疏散已经成为热门的研究课题。

对比当前中国国内外的研究现状，路径查找算法、元胞自动机模型和强化学习控制策略等广泛应用于行人疏散的研究课题中。然而，上述算法在人群疏散过程中性能优良的前提是传感器(比如摄像头)的精确测量。如果此时传感器周围有烟雾等不可控因素的影响，可能会导致传感器对行人分布的测量不准确，从而影响到疏散算法的工作效率。而在实际应用中，疏散算法效率降低可能造成的是生命财产无法挽回的损失。

发明内容

本发明的目的是提供一种室内行人流疏散控制方法、系统、电子设备及介质，以提高在传感器性能下降或者损坏条件下的行人流疏散效率。

为实现上述目的，本发明提供了如下方案：

一方面，本发明提供一种室内行人流疏散控制方法，包括：

对室内疏散场景下的行人密度演化规则进行建模，构建出口行人密度的状态方程和测量方程；

构建用于辨识所述状态方程和测量方程中的状态函数和观测函数的BP神经网络；所述BP神经网络包括输入层、隐藏层和输出层；

对所述BP神经网络进行离线迭代训练，训练结束得到BP神经网络中各层权值；

根据所述BP神经网络中各层权值求解出所述状态方程和测量方程中的状态函数和观测函数；

根据求解出的状态函数以及观测函数进行行人流疏散密度的预测，得到行人流疏散密度预测值；

构建用于对所述行人流疏散密度预测值进行纠正的误差在线神经网络；

根据所述室内疏散场景中的传感器状态判断是否存在数据状态异常；

若不存在数据状态异常，直接根据所述行人流疏散密度预测值进行室内行人流疏散控制，并持续训练所述误差在线神经网络；

若存在数据状态异常，则根据当前训练好的误差在线神经网络计算预测误差值，并计算所述行人流疏散密度预测值与所述预测误差值之和作为行人流疏散密度预测改进值；

根据所述行人流疏散密度预测改进值进行室内行人流疏散控制。

可选地，所述对室内疏散场景下的行人密度演化规则进行建模，构建出口行人密度的状态方程和测量方程，具体包括：

对室内疏散场景下的行人密度演化规则进行建模，构建出口行人密度的状态方程X(k)＝f(X(k-1))+q(k-1)和测量方程Z(k)＝h(X(k))+r(k)；其中所述室内疏散场景具有多个出口，且每个出口配备有疏散引导人员和传感器；X(k)∈R

可选地，所述构建用于辨识所述状态方程和测量方程中的状态函数和观测函数的BP神经网络，具体包括：

构建用于辨识所述状态方程中的非线性状态函数f(·)的BP神经网络，所述BP神经网络以X(k)作为输入，Z(k)作为输出，Sigmoid函数作为激活函数，函数表达式为Z(k)＝h(X(k))＝W

构建用于辨识所述测量方程中的非线性观测函数h(·)的BP神经网络，所述BP神经网络以X(k-1)作为输入，X(k)作为输出，Sigmoid函数作为激活函数，函数表达式为X(k)＝f(X(k-1))＝W

可选地，所述对所述BP神经网络进行离线迭代训练，训练结束得到BP神经网络中各层权值，具体包括：

基于行人疏散仿真实验得到用于训练所述BP神经网络的样本数据，将样本数据以7：3的比例分成训练集和验证集，同时将SGD作为优化器更新权值，MSE作为损失函数，设定学习率以及训练次数进行迭代训练，训练结束后得到BP神经网络中各层权值。

可选地，所述构建用于对所述行人流疏散密度预测值进行纠正的误差在线神经网络，具体包括：

基于BP神经网络构建用于对所述行人流疏散密度预测值进行纠正的误差在线神经网络；所述误差在线神经网络的输入为行人流疏散密度预测值，输出为行人流疏散密度预测值与行人流疏散密度真实值之间的误差，即预测误差值。

可选地，所述根据所述室内疏散场景中的传感器状态判断是否存在数据状态异常，具体包括：

若所述室内疏散场景中的传感器存在性能下降或者损坏状态，则确定存在数据状态异常；

若所述室内疏散场景中的传感器不存在性能下降或者损坏状态，则确定不存在数据状态异常。

可选地，所述根据所述行人流疏散密度预测改进值进行室内行人流疏散控制，具体包括：

将k时刻第i个出口的行人流疏散密度预测改进值ρ

另一方面，本发明还提供一种室内行人流疏散控制系统，包括：

行人密度方程建模模块，用于对室内疏散场景下的行人密度演化规则进行建模，构建出口行人密度的状态方程和测量方程；

BP神经网络构建模块，用于构建用于辨识所述状态方程和测量方程中的状态函数和观测函数的BP神经网络；所述BP神经网络包括输入层、隐藏层和输出层；

离线网络迭代训练模块，用于对所述BP神经网络进行离线迭代训练，训练结束得到BP神经网络中各层权值；

状态和观测函数求解模块，用于根据所述BP神经网络中各层权值求解出所述状态方程和测量方程中的状态函数和观测函数；

行人流疏散密度预测模块，用于根据求解出的状态函数以及观测函数进行行人流疏散密度的预测，得到行人流疏散密度预测值；

误差在线神经网络构建模块，用于构建用于对所述行人流疏散密度预测值进行纠正的误差在线神经网络；

数据状态异常判断模块，用于根据所述室内疏散场景中的传感器状态判断是否存在数据状态异常；

误差在线神经网络训练模块，用于若不存在数据状态异常，直接根据所述行人流疏散密度预测值进行室内行人流疏散控制，并持续训练所述误差在线神经网络；

密度预测改进值计算模块，用于若存在数据状态异常，则根据当前训练好的误差在线神经网络计算预测误差值，并计算所述行人流疏散密度预测值与所述预测误差值之和作为行人流疏散密度预测改进值；

室内行人流疏散控制模块，用于根据所述行人流疏散密度预测改进值进行室内行人流疏散控制。

另一方面，本发明还提供一种电子设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述的室内行人流疏散控制方法。

另一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现所述的室内行人流疏散控制方法。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明提供了一种室内行人流疏散控制方法、系统、电子设备及介质，所述方法包括：对室内疏散场景下的行人密度演化规则进行建模，构建出口行人密度的状态方程和测量方程；构建用于辨识所述状态方程和测量方程中的状态函数和观测函数的BP神经网络；所述BP神经网络包括输入层、隐藏层和输出层；对所述BP神经网络进行离线迭代训练，训练结束得到BP神经网络中各层权值；根据所述BP神经网络中各层权值求解出所述状态方程和测量方程中的状态函数和观测函数；根据求解出的状态函数以及观测函数进行行人流疏散密度的预测，得到行人流疏散密度预测值；构建用于对所述行人流疏散密度预测值进行纠正的误差在线神经网络；根据所述室内疏散场景中的传感器状态判断是否存在数据状态异常；若不存在数据状态异常，直接根据所述行人流疏散密度预测值进行室内行人流疏散控制，并持续训练所述误差在线神经网络；若存在数据状态异常，则根据当前训练好的误差在线神经网络计算预测误差值，并计算所述行人流疏散密度预测值与所述预测误差值之和作为行人流疏散密度预测改进值；根据所述行人流疏散密度预测改进值进行室内行人流疏散控制。本发明方法在传感器性能下降或者损坏条件下依然能够保证行人流疏散密度预测的准确性，从而提高行人流疏散效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种室内行人流疏散控制方法的流程图；

图2为本发明一种室内行人流疏散控制方法的技术路线图；

图3为本发明实施例提供的室内疏散场景示意图；

图4为本发明实施例提供的非线性观测函数辨识的BP神经网络结构示意图；

图5为本发明实施例提供的非线性状态函数辨识的BP神经网络结构示意图；

图6为本发明实施例提供的误差在线神经网络的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明的目的是提供一种室内行人流疏散控制方法、系统、电子设备及介质，在行人流疏散密度控制仿真的基础上实现对传感器(比如摄像头)视野内行人流疏散密度的预测，从而解决在疏散过程中传感器性能下降甚至损坏(比如火灾导致摄像头损坏)后，行人流疏散密度控制不能正常工作的问题，提高在传感器性能下降或者损坏条件下的行人流疏散效率。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明一种室内行人流疏散控制方法的流程图；图2为本发明一种室内行人流疏散控制方法的技术路线图。参见图1和图2，本发明一种室内行人流疏散控制方法，包括：

步骤1：对室内疏散场景下的行人密度演化规则进行建模，构建出口行人密度的状态方程和测量方程。

图3为本发明实施例提供的室内疏散场景示意图。参见图3，本发明针对的疏散场景是室内疏散场景，例如大型商场、游乐场、图书馆、博物馆等，所述室内疏散场景具有多个出口，且每个出口配备有疏散引导人员和传感器；该传感器通常为摄像头。将室内疏散场景做网格化处理，可以形成包括N×N个格子的空间。如图3所示的实施例中具有4个出口，且每个出口配备有疏散引导人员。通过位于出口处的摄像头，疏散引导人员可以获得所在出口的行人密度并对引导信号进行调整(打开或关闭)，从而实现对整个行人流疏散引导过程的控制。

本发明对室内疏散场景下的行人密度演化规则进行建模，构建出口行人密度的状态方程和测量方程如下。

出口行人密度的状态方程为：

X(k)＝f(X(k-1))+q(k-1) (1)

出口行人密度的测量方程为：

Z(k)＝h(X(k))+r(k) (2)

式中X(k)∈R

其中r(k)和q(k-1)相互独立，均值为0并且满足以下等式：

E[r(k)]＝0,E[q(k-1)]＝0 (3)

E[r(k)r

式中E[.]表示期望；R(k)和Q(k-1)分别表示r(k)和q(k-1)的协方差矩阵，并且二者为高斯白噪声。其中Q(k-1)的取值为

在图3所示的实施例中，假设第4个门(即出口4)的周边有未知因素的干扰，导致传感器采集到的出口行人密度存在误差，则第4个门的传感器(摄像头)检测出的人流量密度对应观测变量Z(k)，另外三个门的传感器检测出的人流量密度对应着状态变量X(k)：

Z(k)＝(第4个传感器检测的人流量密度) (6)

由于上述的方程中的状态函数f(·)和观测函数h(·)不能直接求解，因此本发明采用BP神经网络进行辨识，进而求解获得非线性状态函数f(·)和非线性观察函数h(·)。

步骤2：构建用于辨识所述状态方程和测量方程中的状态函数和观测函数的BP神经网络。

对于图3所示的实施例，在步骤1构建的构建出口行人密度的状态方程(1)和测量方程(2)中，k-1时刻的状态变量X(k-1)∈R

用于非线性观测函数h(·)辨识的BP神经网络结构如图4所示，其中dense_1_input:ImputLayer、dense_1:Dense和dense_2:Dense分别表示BP神经网络的输入层、中间层和输出层；input和output分别代表BP神经网络某层的输入和输出。图4中，以k时刻第1,2,3个门的人流量密度作为输入，故输入层的输入是3维，None则代表所需输入的样本数量，因此输入层的输入可写作(None,3)；输入层根据输入层与中间层的连接权值将(None,3)转变为(None,7)，同理中间层通过连接权值得到输出层的输出(None,1)，即k时刻第4个门的人流量密度。也就是说，本发明用于非线性观测函数h(·)辨识的BP神经网络以X(k)作为输入，Z(k)作为输出，Sigmoid函数作为BP神经网络的激活函数。因此该BP神经网络的函数表达式为：

Z(k)＝h(X(k))＝W

其中W

用于非线性状态函数f(·)辨识的BP神经网络结构如图5所示，该BP神经网络以k-1时刻第1,2,3个门的人流量密度作为输入，k时刻第1,2,3个门的人流量密度作为输出，因此图5所示BP神经网络结构与图4的区别在于，该BP神经网络的输出层dense_2:Dense中，其输出维度是3维，即输入层根据输入层与中间层的连接权值将(None,3)转变为(None,7)，同理中间层通过连接权值得到输出层的输出为(None,3)，即k时刻第1,2,3个门的人流量密度。也就是说，本发明用于非线性状态函数f(·)辨识的BP神经网络以X(k-1)作为输入，X(k)作为输出，Sigmoid函数作为BP神经网络的激活函数。因此该BP神经网络的函数表达式为：

X(k)＝f(X(k-1))＝W

其中W

步骤3：对所述BP神经网络进行离线迭代训练，训练结束得到BP神经网络中各层权值。

在步骤2构建的BP神经网络的基础上，基于行人疏散仿真实验得到用于训练所述BP神经网络的样本数据，将样本数据以7：3的比例分成训练集和验证集，同时将SGD作为优化器更新权值，MSE作为损失函数，设定学习率以及训练次数进行迭代训练，训练结束后即可得到BP神经网络中各层权值W

具体地，进行基于现有室内多出口行人流仿真方法的行人疏散仿真实验，该行人疏散仿真实验运行时会记录下行人疏散过程中每个时刻四个门测量到的人流量密度数据，然后随机取其中1000次仿真结果进行保存，从而得到用于训练本发明BP神经网络的样本数据。将样本数据以7：3的比例分成训练集和验证集，同时将SGD作为优化器更新权重，MSE作为损失函数，设定学习率以及训练次数进行迭代训练。在BP神经网络训练结束后可以得到各层的权值。

其中随机梯度下降策略(SGD)以目标梯度的负梯度方向对BP神经网络的权值进行调整，对于某个输出节点：

其中η代表学习率，取值为0.01；E

隐藏层与输入层之间的连接权值和阈值需要进行如下的调整：

计算出的连接权值XW

此外，为了使实际误差和与网络的预测误差尽可能的小，需要根据随机梯度下降策略不断迭代地调整BP神经网络各层的权值，使得损失函数的值不断减小。

步骤4：根据所述BP神经网络中各层权值求解出所述状态方程和测量方程中的状态函数和观测函数。

将训练得到的各层权值W

求得f(·)和h(·)后，即可根据公式(1)和公式(2)进行每个时刻某个出口的人流量密度的实时预测，得到对应出口的行人流疏散密度预测值。

步骤5：根据求解出的状态函数以及观测函数进行行人流疏散密度的预测，得到行人流疏散密度预测值。

根据求解得到的非线性状态函数f(·)以及非线性观测函数h(·)进行行人流疏散密度的预测，预测过程如下：

1)计算先验估计X(k|k-1)；具体用k-1时刻的状态变量X(k-1)代入公式(11)，计算k时刻的状态变量X(k)的先验估计X(k|k-1)：

X(k|k-1)＝f(X(k-1)) (11)

2)根据X(k|k-1)预测k时刻第4个出口的行人流疏散密度预测值Z

Z

其中H(k)是h(X(k|k-1))的雅可比矩阵。

3)计算协方差矩阵P(k|k-1):

P(k|k-1)＝F(k|k-1)P(k-1)F

其中F(k|k-1)是f(X(k-1))的雅可比矩阵；P(k-1)表示k-1时刻的协方差矩阵。

4)计算增益K(k)，用于体现对预测值和观测值的置信度：

K(k)＝P(k|k-1)H

5)结合增益K(k)，计算后验估计X(k)，即对X(k|k-1)进行修正:

X(k)＝X(k|k-1)+K(k)[Z(k)-h(X(k|k-1))] (15)

6)计算协方差矩阵P(k)：

P(k)＝[I-K(k)H(k)]P(k|k-1) (16)

式中I为单位矩阵；F(k|k-1)是f(X(k-1))的雅可比矩阵；H(k)是h(X(k|k-1))的雅可比矩阵。根据公式(11)至(16)可递推的预测每个时刻某个出口的人流量密度，例如k时刻第4个出口的行人流疏散密度预测值Z

步骤6：构建用于对所述行人流疏散密度预测值进行纠正的误差在线神经网络。

步骤5可递推的预测每个时刻某个出口的人流量密度，但随着时间的的不断递推，预测误差可能会随时间的累计不断放大。另一方面，如果室内疏散场景中的传感器存在性能下降或者损坏状态，则根据传感器采集数据预测的人流量密度将存在显著误差。针对该问题，本发明基于BP神经网络构建用于对所述行人流疏散密度预测值进行纠正的误差在线神经网络，通过构建误差在线神经网络进行预测值的纠正，其网络结构图如图6所示。图6中dense_1_input:ImputLayer、dense_1:Dense和dense_2:Dense分别表示BP神经网络的输入层、中间层和输出层；input和output分别代表BP神经网络某层的输入和输出。图6中，以k时刻第1,2,3个门的人流量密度作为输入，故输入层的输入是3维，None则代表所需输入的样本数量，则输入层的输入可写作(None,3)；输入层根据输入层与中间层的连接权值将(None,3)转变为(None,7)，同理中间层通过连接权值得到输出层的输出(None,1)，即k时刻行人流疏散密度预测值Z(k)与k时刻行人流疏散密度真实值Z

即，本发明构建的误差在线神经网络的输入为行人流疏散密度预测值，在本实施例中为公式(12)计算得到的Z

步骤7：根据所述室内疏散场景中的传感器状态判断是否存在数据状态异常。

现有室内多出口行人流仿真方法需要在传感器获取到的人流量密度信息具有较高准确性才能正常工作。但是在实际疏散场景中，比如火灾紧急疏散场景，可能由于烟雾遮挡导致传感器存在性能下降情况或者由于火灾导致传感器存在损坏情况，在以上情况下，对人员疏散密度进行采集的摄像头很容易出现采集数据不准确的情况。上述问题的出现导致现有方法不能持续正常工作，从而影响疏散效率。为了解决该问题，本发明提出将摄像头获取到行人密度数据先进行预测校正来提高数据的准确性，然后再根据校正后的行人流疏散密度预测改进值进行室内行人流疏散控制，从而减少数据误差对于引导控制系统的的影响。

具体地，若所述室内疏散场景中的传感器存在性能下降或者损坏状态，则确定存在数据状态异常；若所述室内疏散场景中的传感器不存在性能下降或者损坏状态，则确定不存在数据状态异常。

步骤8：若不存在数据状态异常，直接根据所述行人流疏散密度预测值进行室内行人流疏散控制，并持续训练所述误差在线神经网络。

如果目前传感器采集的数据处在正常的状态，则让误差在线神经网络进入训练状态，持续训练所述误差在线神经网络。此时可以直接根据所述行人流疏散密度预测值进行室内行人流疏散控制，控制算法如下：

但判断不存在数据状态异常时，可以将k时刻第i个出口的行人流疏散密度预测值Z

步骤9：若存在数据状态异常，则根据当前训练好的误差在线神经网络计算预测误差值，并计算所述行人流疏散密度预测值与所述预测误差值之和作为行人流疏散密度预测改进值。

如果传感器采集的当前数据处在异常状态，则此时误差在线神经网络进入使用状态，根据当前训练好的误差在线神经网络计算预测误差值ΔZ(k)。将网络预测值和误差在线神经网络得到的预测误差值相结合，得到改进后的结果。即根据以下公式(18)计算所述行人流疏散密度预测值Z

Z

步骤10：根据所述行人流疏散密度预测改进值进行室内行人流疏散控制。

当判断存在数据状态异常时，是将k时刻第i个出口的行人流疏散密度预测改进值Z

可见，本发明方法首先对室内疏散场景下的行人密度演化规则进行建模，构建出口行人密度的非线性状态函数和非线性观测函数表达式；其次采用BP神经网络辨识求解出非线性状态函数和非线性观测函数的参数，解决无法通过推导直接求解函数参数的问题；再次通过误差在线神经网络对预测值进行实时的优化和调整，进一步提高预测的精度；最后将实时预测改进值用于行人流疏散控制，提高了在传感器性能下降或者损坏条件下的疏散效率。本发明方法在现有行人流疏散密度控制仿真的基础上实现了对传感器(比如摄像头)视野内行人疏散密度的预测，从而解决了在疏散过程中传感器性能下降甚至损坏(比如火灾导致摄像头损坏)后，行人流疏散密度控制不能正常工作的问题。

基于本发明提供的方法，本发明还提供一种室内行人流疏散控制系统，包括：

行人密度方程建模模块，用于对室内疏散场景下的行人密度演化规则进行建模，构建出口行人密度的状态方程和测量方程；

BP神经网络构建模块，用于构建用于辨识所述状态方程和测量方程中的状态函数和观测函数的BP神经网络；所述BP神经网络包括输入层、隐藏层和输出层；

离线网络迭代训练模块，用于对所述BP神经网络进行离线迭代训练，训练结束得到BP神经网络中各层权值；

状态和观测函数求解模块，用于根据所述BP神经网络中各层权值求解出所述状态方程和测量方程中的状态函数和观测函数；

行人流疏散密度预测模块，用于根据求解出的状态函数以及观测函数进行行人流疏散密度的预测，得到行人流疏散密度预测值；

误差在线神经网络构建模块，用于构建用于对所述行人流疏散密度预测值进行纠正的误差在线神经网络；

数据状态异常判断模块，用于根据所述室内疏散场景中的传感器状态判断是否存在数据状态异常；

误差在线神经网络训练模块，用于若不存在数据状态异常，直接根据所述行人流疏散密度预测值进行室内行人流疏散控制，并持续训练所述误差在线神经网络；

密度预测改进值计算模块，用于若存在数据状态异常，则根据当前训练好的误差在线神经网络计算预测误差值，并计算所述行人流疏散密度预测值与所述预测误差值之和作为行人流疏散密度预测改进值；

室内行人流疏散控制模块，用于根据所述行人流疏散密度预测改进值进行室内行人流疏散控制。

整体上，本发明方法及系统采用建模方法对摄像头获取到行人密度数据进行预测校正，从而提高数据的准确性；然后再根据校正后的数据进行室内行人流疏散控制，从而减少数据误差对于引导控制系统的的影响，进而提高在传感器在性能下降或者损坏条件下的疏散效率。本发明通过神经网络辨识的方法对非线性状态函数以及非线性观测函数训练集进行辨识，从而解决了行人流疏散系统模型复杂，很难直接求解的问题。本发明还采用离线方法进行系统辨识的工作，由于在实验中实时获取的辨识数据较少，采用离线辨识可以充分利用历史数据，可以有效提高辨识的训练效率。本发明还采用误差在线神经网络进行预测数据的纠正，如果仅依靠模型的不断递推，误差会随时间的累计不断放大，针对该问题，本发明利用神经网络对模型输出的预测值数据进行在线修正，从而提高了本发明方法在实际应用中的鲁棒性。

进一步地，本发明还提供一种电子设备，该电子设备可以包括：处理器、通信接口、存储器和通信总线。其中，处理器、通信接口、存储器通过通信总线完成相互间的通信。处理器可以调用存储器中的计算机程序，以执行所述的室内行人流疏散控制方法。

此外，上述的存储器中的计算机程序通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器、随机存取存储器、磁碟或者光盘等各种可以存储程序代码的介质。

进一步地，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时可以实现所述的室内行人流疏散控制方法。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。