CN105550484A - 动态数据驱动的突发灾害下群体疏运行为建模仿真方法 - Google Patents

Abstract

本发明公开了一种动态数据驱动的突发灾害下群体疏运行为建模仿真方法，本发明通过分析高分辨率遥感图像获取实时灾害信息，并利用山体滑坡等自然灾害仿真模型输出灾难演变的虚拟数据，人群仿真平台描述灾害情景下的个体行为，以此实现山体滑坡灾害实时在线建模。通过对个体用几个不同的属性进行描述，并且定义几个不同的环境描述属性，来对个体的行为根据环境的信息作出决策。实验证明，本方法在实际的山体滑坡等自然灾害救援行动中具有更好的人群疏散效率和可用性。

Description

动态数据驱动的突发灾害下群体疏运行为建模仿真方法

技术领域

本发明属于仿真建模技术领域，涉及一种动态数据驱动的建模方法，尤其涉及一种基于遥感数据驱动、突发灾害建模与人群仿真的方法。

背景技术

自然灾害的突发性和不可预测性极易造成当地群众生命财产损失和环境的破坏。因此制定合理的救援计划就显得很有必要。现在大多数在该领域的研究都是基于真实事件的数据或是物理实验进行。然而，这些研究和实验方法既不适用于计划制定同时还需要很大的投入。

建模仿真技术是科学与工程领域的一项关键技术。该技术应用到自然灾害防控领域是个典型的范例。通过建模仿真，不仅能展示灾害演变过程和灾害中人群的行为，而且还能对应急预案进行测试和评估([文献1])。近些年，建模仿真技术在自然灾害情况研究领域引起极大的关注，并且研究者们试图凭借此制定出更加合理有效的应急预案([文献2])。研究者们提出了很多种仿真框架和虚拟环境表述方法。[文献3]提出路由选择算法，该算法把疏散撤离过程看做是一个路径选择问题。[文献4，5]对个体速度影响做了研究，考虑到疏散撤离过程“快即是慢”这个先验知识。[文献6，7]更多的研究关注紧急疏散撤离过程中个体的行为和决策。

虽然现有的建模仿真系统在灾害防控领域取得了一定的成果，但是仍然面临着两个亟待解决的问题：1.缺乏自然灾害的真实数据，特别是高分辨率在线数据；2.缺乏描述自然灾害中人群行为的方法和平台。因此亟待发明一种基于数据的自然灾害人群疏散的建模仿真方法。

[文献1]AnmolSheth,ChandramohanA.Thekkath,PrakshepMehta，KalyanTejaswi，ChandreshParekh，TrilokN.Singh,UdayB.Desai."Senslide:ADistributedLandslidePredictionSystem",ACMSIGOPSOperatingSystemsReview,2007.41(2):75-87

[文献2]D.Chen,L.Wang,X.Wu,J.Chen,S.U.Khan,J.M.Tian,F.Huang,andW.Liu,“HybridModellingandSimulationofHugeCrowdOveraHierarchicalGridArchitecture,”FutureGenerationComputerSystems,vol.29,no.5,pp.1309-1317,2013.

[文献3]N.Zarboutis,N.Marmaras,Designofformativeevacuationplansusingagentbasedsimulation,Saf.Sci.45(9)(2007)920–940.

[文献4]D.Lee,J.H.Park,H.Kim,Astudyonexperimentofhumanbehaviorfor

evacuationsimulation,OceanEng.31(8–9)(2004)931–941.

[文献5]H.Xue,X.Hu,Exploitingsensorspatialcorrelationfordynamicdatadrivensimulationofwildfire,in:Proceedingsofthe26thACM/IEEE/SCSWorkshoponPrinciplesofAdvancedandDistributedSimulation,2012,pp.243–249.

[文献6]M.Mokhtarzade,M.J.Zoej,Roaddetectionfromhigh-resolutionsatelliteimagesusingartificialneuralnetworks,Int.J.Appl.EarthObs.Geoinf.9(1)(2007)32–40.

[文献7]S.Z.Li,MarkovRandomFieldModelinginImageAnalysis[M],Springer,2009.

发明内容

为了解决上述技术问题，本发明提供了一种动态数据驱动的突发灾害条件下群体疏运行为建模仿真方法。

本发明所采用的技术方案是：一种动态数据驱动的突发灾害下群体疏运行为建模仿真方法，其特征在于，包括以下步骤：

步骤1：获取高分辨率遥感图像，并结合多种模式识别方法，从以二值化地图和向量场形式存在的图中产生地质体数据，获得二维离散数据(二值化地图得到的)和高维遥感数据(向量场分离得到的)；

步骤2：基于二维离散数据和高维遥感数据，重建三维滑坡地质模型；

步骤3：数据驱动的人群仿真建模；灾难场景下的仿真建模包括两部分：虚拟环境建模和大规模体人群仿真；

步骤4：群体疏散运动行为仿真。

作为优选，步骤1中所述结合多种模式识别方法，具体实现包括以下子步骤：

步骤1.1：利用模糊C均值聚类方法，将获取的高分辨率遥感图像像素分到不同的类，基于模糊C均值聚类的思想，将类间的距离变大；

步骤1.2：对原始图像的数据进行归一化处理，并分成两部分，一部分做训练数据，一部分做测试数据；

通过支持向量机模型构建判别函数来训练得到目标分类模型，原始高分辨率遥感图像中未知模块映射到特征空间并作为输入，得到该未知模块是否为目标的分类结果；

步骤1.3：利用马尔科夫场的正则化，过滤步骤1.2中得到的分类结果；通过使用最大后验概率估计，通过频谱外推对目标进行重构，降低噪声，进一步改善分类结果。

作为优选，步骤2的具体实现包括以下子步骤：

步骤2.1：滑坡结构建模；通过纹理映射技术获得地质体模型，实现结构建模；

步骤2.2：滑坡过程仿真；滑坡运动描述公式为：

$m\frac{dv}{dt}=mg\[sin\mathrm{\α}-(cos\mathrm{\α}-\mathrm{\μ})f-\frac{c}{mg}\]$ (一)

其中，v表示滑坡速度；t表示当前的时间；m表示滑坡体的质量；g表示重力加速度；α表示滑动表面的倾向；f表示动摩擦系数且表示动摩擦角度；μ表示孔隙水压力；c表示其他阻力；

通过上述求解微分方程，获得滑坡速度计算公式如下：

$v=\sqrt{v_0^2+2g(H-Lf+\mathrm{\μ}f-\frac{cs}{m^{2}g})}$ (二)

其中，v₀表示初始速度；S表示滑坡距离，H表示滑坡垂直距离；L表示滑坡水平距离。

作为优选，步骤3的具体实现包括以下子步骤：

步骤3.1：虚拟环境建模，包含灾难信息识别、灾难信息预测和灾难场景配置；根据高维遥感数据、滑坡过程仿真结果和用户输入的环境信息，创建一个用于仿真的虚拟场景；

所述灾难信息识别，是将步骤1中获得的二维离散数据和高维遥感数据，转换到彩色图中，并利用基于颜色的图像处理方法做一个量化处理产生分块的逻辑图；

所述灾难信息预测，根据步骤2中三维滑坡地质模型提供的灾难数据，生成滑坡仿真动画，并将动画采样成关键帧，每个关键帧描述着滑坡仿真过程的某个具体时间点的状态；将这些关键帧由3D转为2D，并与分块逻辑图结合，建立起多个灾难中的场景；

所述灾难场景配置，是人工修正灾难信息识别的的错误、人工设置人为定义的目标，人为定义的目标包括引导信号、安全位置和出口；

步骤3.2：大规模体人群仿真，其具体实现主要包含以下子步骤：

步骤3.2.1：将虚拟环境建模的分块逻辑图作为仿真的数据源；

步骤3.2.2：创造向量场，包括位置势能场和密度场；位置势能场用于定位位置信息，密度场用于确定个体运动速度；

分块逻辑图由称作胞体的小块组成，分块逻辑图上的每个胞体都和属性由一个势能场支配的位置关联在一起，位置势能场代表着这个胞体和它最近出口胞体的距离，也就是个体到达出口的最佳路径；所述位置势能场是一个离散的三维函数，所有的位置势能都被归一化去适应具有决策机制的个体，势能归一化按照下面公式进行：

$p_g=\frac{p_{max}-p_c}{p_{max}-p_{min}}$ (三)

其中，Pc是到最近出口胞体的距离，Pmin和Pmax分别是最大、最小位置势能场；Pmin是0，Pmax是当前胞体距离所有出口的最大距离，Pg是当前胞体归一化的位置势能值；Pg越小表示当前胞体距离任何出口都越远；

胞体同样还和表征胞体周围行人密度的密度场关联着，密度场是一个矩阵；胞体k的密度用ρ_k表示，通过下面的公式计算求得：

${\mathrm{\ρ}}_k=\frac{N_k}{N\×a^2}$ (四)

其中，N是在一定范围内胞体k周围的胞体的个数，Nk是这N个胞体中个体的总数，a是胞体的边长；

所述密度场是动态的，而且随着行人的活动而改变，密度场归一化到介于0和1之间的相对密度值D_(k)(t)，计算公式如下：

$D_{\left(k\right)}\left(t\right)=\frac{{\mathrm{\ρ}}_{max}-{\mathrm{\ρ}}_k\left(t\right)}{{\mathrm{\ρ}}_{max}-{\mathrm{\ρ}}_{\min }}$ (五)

ρ_k(t)是胞体在t时刻的密度值，ρ_max和ρ_min是胞体在整个密度场中的行人密度的最大值和最小值；D_(k)(t)越小表示在胞体k中的行人越密集；

步骤3.2.3：智能体(智能体(行人)是在某个方块上的个体，每个胞体上有可能有智能体(行人)，也有可能有多个，有可能没有；)运动的确定，包括运动速度和运动方向；

所述智能体的运动速度，其计算公式如下：

$v=\left\{\begin{array}{c}{v}_{max},\mathrm{\ρ}\∈\[0,{\mathrm{\ρ}}_t\]\\ v_{\max }\sqrt{\frac{{\mathrm{\ρ}}_t}{\mathrm{\ρ}}},\mathrm{\ρ}\∈\[{\mathrm{\ρ}}_t,{\mathrm{\ρ}}_c\]\\ v_{\max }\sqrt{\frac{{\mathrm{\ρ}}_t{\mathrm{\ρ}}_c}{{\mathrm{\ρ}}_{max}-{\mathrm{\ρ}}_c}}\sqrt{\frac{{\mathrm{\ρ}}_{max}-\mathrm{\ρ}}{\mathrm{\ρ}}},\mathrm{\ρ}\∈({\mathrm{\ρ}}_c,{\mathrm{\ρ}}_{max}\]\end{array}\right.$ (六)

其中ρ表示该智能体附近的行人密度，ρ_c和ρ_t是与行人密度相关的两个阈值，ρ_max是胞体在整个密度场中的行人密度的最大值；

给定每个time-step对应的真实时间Δt和每个方格的边长Δl，则速度v为：

$v=\frac{s}{t}=\frac{p\×\mathrm{\Δ}l}{q\×\mathrm{\Δ}t}=\frac{p}{q}\×\frac{\mathrm{\Δ}l}{\mathrm{\Δ}t}$ (七)；

其中，s表示距离，t表示运动时间，time-step为现实世界中一段固定的预算时间，所有的智能体均是每隔n个time-step移动一次，n是自然数；整数p和q是用来计算n的中间值：n值取最接近q/p的整数值；故公式七可以表示成公式八：

$v=\frac{p}{q}\×\frac{\mathrm{\Δl}}{\mathrm{\Δt}}\≈\frac{1}{n}\×\frac{\mathrm{\Δl}}{\mathrm{\Δt}}$ (八)；

所述智能体的运动方向，即智能体怎么决策选择下一个位置，需要根据与其近邻的八个胞体的吸引力大小确定，吸引力越大的胞体，越有可能被选择；吸引力V_(k)的计算公式如下：

V_(k)＝W_pos(k)×P_g(k)+W_den×D_(k)+W_dir(k)×P_dir(k)(九)

$P_{\mathrm{dir}\left(k\right)}=\frac{S_{\mathrm{dir}\left(k\right)}}{\underset{i=1}{\overset{8}{\mathrm{\Σ}}}{S}_{\mathrm{dir}\left(i\right)}}$ (十)

W_pos(k)+W_den+W_dir(k)＝1(十一)

其中，W_pos(k)W_den(k)W_dir(k)分别是位置势能、密度和从众性的权重值；p_g(k)是位置势能值，D_(k)是代表了胞体k附近的相对密度分布的密度吸引力值；P_dir(k)表示当前智能体到邻近胞体k附近的概率，S_dir(k)是在个体x视线范围内移向胞体k的方向的数目，第i个S_dir值最大的胞体表示在智能体x视线范围内都在移向这个胞体；

在8个近邻胞体的吸引力值排序之后，下一步就是进行胞体选择和实施决策。

作为优选，所述进行胞体选择和实施决策，一个智能体通常会往吸引力值最大的那个胞体方向进行移动，也就是智能体的最佳移动位置；若最佳移动位置没办法到达，则选择第二好的胞体位置进行移动；在实施这个移动之前，每个智能体Agentx都要先计算到这个胞体的可行性，如果这个目标胞体位置被其他的智能体Agenty所占用，那么Agentx就需要和Agenty进行竞争；Agentx和Agenty进行竞争时，Agentx赢的概率P_swap根据公式十二进行计算：

$P_{\mathrm{swap}}=H_x\×\frac{1-{\mathrm{\ρ}}_n}{1-{\mathrm{\ρ}}_x}\×\frac{{\mathrm{\ρ}}_x}{{\mathrm{\ρ}}_n}$ (十二)

其中H_x是Agentx的健康状态，ρ_x是当前胞体的密度，ρ_n是目标胞体的密度，Agentx产生一个0-1之间的随机数，当它的大小不大于P_swap时，Agentx和Agenty将会交换他们的位置，也就是说，Agentx先到目标胞体的位置；如果x在竞争中输给了y，那么x将会转向第二好的胞体位置，以此类推；如果这8个胞体都需要竞争，并且agentx输掉了所有的竞争，那么Agentx就将保持当前位置不变。

作为优选，步骤4的具体实现包括以下子步骤：

步骤4.1：创建一个包含NA个智能体的队列；

步骤4.2：设置循环开始次数i，i＝0到NA；

步骤4.3：获取智能体环境信息，以Y轴方向的大小升序排列；如果Y轴方向的大小相同，那么就以X轴的大小进行升序排列；

步骤4.4：设置循环开始次数j，j＝0到NA；

步骤4.5：检索智能体队列中第j个智能体组，并计算其每个智能体的行为作出决策。

现有的传统的自然灾害人群疏散仿真建模方法相比，本发明具有以下优点和有益效果：

(1)本发明公开了一种基于自然灾害动态数据的人群疏散建模仿真方法，能够针对环境信息的改变针对性的对每个个体的行为作出决策；

(2)本发明提供了一种利用高分辨率在线数据进行自然灾害仿真的救援平台，能够实时模拟在自然灾害发生时根据遥感图像进行人群疏散。

(3)本发明提供了一种描述自然灾害中人群行为的方法，用几种不同类型的属性来描述一个行人行为。

附图说明

附图1：本发明实施例的山体滑坡人群疏散仿真流程图。

附图2：本发明实施例的智能体属性图。

附图3：本发明实施例的密度场的实例图。

附图4：本发明实施例的环境图。

附图5：本发明实施例的两个不同实验(B和C)的环境图。

具体实施方式

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及实施例对本发明作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本发明，并不用于限定本发明。

本发明通过分析高分辨率遥感图像获取实时灾害信息，并利用山体滑坡仿真模型输出灾难演变的虚拟数据，人群仿真平台描述灾害情景下的个体行为，以此实现山体滑坡灾害实时在线建模。

请见图1、图2和图3，本发明提供的一种动态数据驱动的突发灾害下群体疏运行为建模仿真方法，包括以下步骤：

步骤1：遥感信息获取。高分辨率遥感图像获取模型为建模仿真框架提供实时环境数据。由于遥感信息的多样性，本模型在获取高分辨率遥感图像后，结合多种模式识别方法，从以二值化地图和向量场形式存在的图中产生地质体数据，获得二维离散数据(二值化地图得到的)和高维遥感数据(向量场分离得到的)；

其具体实现主要包含以下子步骤：

步骤1.1：利用模糊C均值聚类方法，将获取的高分辨率遥感图像像素分到不同的类，基于模糊C均值聚类的思想，将类间的距离变大；

步骤1.2：对原始图像的数据进行归一化处理，并分成两部分，一部分做训练数据，一部分做测试数据；

通过支持向量机模型构建判别函数来训练得到目标分类模型，原始高分辨率遥感图像中未知模块(原始图像中不知道是不是目标的模块，要通过训练好的目标分类模型来判断是不是为目标)映射到特征空间并作为输入，得到该未知模块是否为目标的分类结果；

步骤1.3：利用马尔科夫场的正则化，过滤步骤1.2中得到的分类结果；通过使用最大后验概率估计，通过频谱外推对目标进行重构，降低噪声，进一步改善分类结果。

步骤2：山体滑坡仿真。

基于二维离散数据和遥感数据，利用一种混合数据结构去重建三维滑坡地质模型，该模型描述了空间滑坡的地质结构，提供模拟灾害数据。整个动态滑坡建模仿真模型能分成两步：滑坡结构建模和滑坡过程仿真。其具体实现主要包含以下子步骤：

步骤2.1：滑坡结构建模。通过纹理映射技术获得地质体模型，实现结构建模。

步骤2.2：滑坡过程仿真。根据牛顿第二运动定律和刚体动力学理论，滑坡体每个小模块的运动速度和位置是可以通过计算得到的。滑坡运动可以如下公式描述：

$m\frac{dv}{dt}=mg\[sin\mathrm{\α}-(cos\mathrm{\α}-\mathrm{\μ})f-\frac{c}{mg}\]---\left(1\right)$

其中，v表示滑坡速度；t表示当前的时间；m表示滑坡体的质量；g表示重力加速度；α表示滑动表面的倾向；f表示动摩擦系数且表示动摩擦角度；μ表示孔隙水压力；c表示其他阻力；

通过上述求解微分方程，滑坡速度计算公式如下：

$v=\sqrt{v_0^2+2g(H-Lf+\mathrm{\μ}f-\frac{cs}{m^{2}g})}---\left(2\right)$

其中，v₀表示初始速度；S表示滑坡距离，H表示滑坡垂直距离；L表示滑坡水平距离。

步骤3：数据驱动的人群仿真建模。灾难场景下的建模仿真包括两部分：虚拟环境建模和大规模体人群仿真。其具体实现主要包含以下子步骤：

步骤3.1虚拟环境建模，包含灾难信息识别、灾难信息预测和灾难场景配置；根据高维遥感数据、滑坡过程仿真结果和用户输入的环境信息(如指向标位置，出口位置等)，创建一个用于仿真的虚拟场景。虚拟环境建模包含以下三步：灾难信息识别，灾难信息预测和灾难场景配置。其具体实现主要包含以下子步骤：

步骤3.1.1灾难信息识别。将步骤1中获得的二维离散数据和高维遥感数据，转换到彩色图中，并利用基于颜色的图像处理方法做一个量化处理产生分块的逻辑图；

步骤3.1.2灾难信息预测。根据步骤2中三维滑坡地质模型提供的灾难数据，生成滑坡仿真动画，并将动画采样成关键帧，每个关键帧描述着滑坡仿真过程的某个具体时间点的状态；将这些关键帧由3D转为2D，并与分块逻辑图结合，建立起多个灾难中的场景；

步骤3.1.3灾难场景配置。人工修正灾难信息识别的错误，人工设置人为定义的目标，如引导信号、安全位置和出口等。

步骤3.2多智能体人群仿真。多智能体模型被用到该仿真中提供由多个智能个体组成的人群。此外，一个动态数据驱动的应用程序系统也被应用到解决分化问题。个体被排成队列，其行为则服从由一些随机因素影响的既定的规则。每个个体都有其各自的属性，在仿真中将自动地变化。从步骤3.1获取到的虚拟环境信息在被用于仿真前需要预处理。预处理的主要工作就是创造一个向量场信息。其具体实现主要包含以下子步骤：

步骤3.2.1从虚拟环境创建的分块逻辑图作为仿真的数据源(仿真数据获取)。向量场需要在仿真前创造，因此这被视作是预处理阶段。被智能体使用的向量场是位置势能场和密度场。位置势能场用于定位位置信息，密度场用于确定个体运动速度。其具体实现主要包含以下子步骤：

步骤3.2.1.1位置势能场。分块逻辑图由称作胞体的小块组成。分块图上的每个胞体都和属性由一个势能场支配的位置关联在一起。这个位置势能场代表着这个胞体和它最近出口胞体的距离，也就是个体到达出口的最佳路径。位置势能场是一个离散的三维函数。特殊的，障碍物处的势能被定义为负值，表示为无效值。所有的出口位置势能为0，是最低有效值。所有的位置势能都被归一化去适应具有决策机制的个体。势能归一化按照下面这个式子进行：

$p_g=\frac{p_{max}-p_c}{p_{max}-p_{min}}---\left(3\right)$

Pc是到最近出口胞体的距离。Pmin和Pmax分别是最大最小位置势能场。Pmin是0(出口处)，Pmax是当前胞体距离所有出口的最大距离。Pg是当前胞体归一化的位置势能。Pg越小表示当前胞体距离任何出口都越远。归一化势能场在整个仿真过程中都是稳定的。

步骤3.2.1.2密度场。胞体同样还和表征胞体周围行人密度的密度场关联着。类似于位置势能场，密度场也是一个矩阵。胞体k的密度用ruo-k表示，可以通过下面的公式计算求得：

${\mathrm{\ρ}}_k=\frac{N_k}{N\×a^2}---\left(4\right)$

N是在一定范围内胞体k周围的胞体的个数。Nk是这N个胞体中个体的总数。a是胞体的边长。

行人的分布随着仿真的演化而改变。因此，密度场是动态的，而且随着行人的活动而改变，这一点与位置势能场是相反的。密度场也归一化到介于0和1之间的相对密度值D_(k)(t)。计算公式如下：

$D_{\left(k\right)}\left(t\right)=\frac{{\mathrm{\ρ}}_{max}-{\mathrm{\ρ}}_k\left(t\right)}{{\mathrm{\ρ}}_{max}-{\mathrm{\ρ}}_{\min }}---\left(5\right)$

ρ_k(t)是胞体在t时刻的密度值，ρ_max和ρ_min是胞体在整个密度场中的最大值和最小值；D_(k)(t)越小表示在胞体k中的行人越密集；

步骤3.2.2智能体(胞体是指环境图中每个方格，智能体(行人)是在某个方格上的个体，每个胞体上有可能有智能体(行人)，也有可能有多个，有可能没有；)运动的确定，包括运动速度和运动方向；

步骤3.2.2.1智能体的运动速度。其计算公式如下：

$v=\left\{\begin{array}{c}{v}_{max},\mathrm{\ρ}\∈\[0,{\mathrm{\ρ}}_t\]\\ v_{\max }\sqrt{\frac{{\mathrm{\ρ}}_t}{\mathrm{\ρ}}},\mathrm{\ρ}\∈\[{\mathrm{\ρ}}_t,{\mathrm{\ρ}}_c\]\\ v_{\max }\sqrt{\frac{{\mathrm{\ρ}}_t{\mathrm{\ρ}}_c}{{\mathrm{\ρ}}_{max}-{\mathrm{\ρ}}_c}}\sqrt{\frac{{\mathrm{\ρ}}_{max}-\mathrm{\ρ}}{\mathrm{\ρ}}},\mathrm{\ρ}\∈({\mathrm{\ρ}}_c,{\mathrm{\ρ}}_{max}\]\end{array}\right.---\left(6\right)$

其中ρ表示该智能体附近的行人密度，ρ_c和ρ_t是与行人密度相关的两个阈值，ρ_max是胞体在整个密度场中的行人密度的最大值；

仿真模型在时间上是离散的并按照time-step作为单位向前推进，每个time-step对应现实世界中一段固定的时间(可配置，默认0.5秒)。这样的离散计时的时间系统是根据元胞自动机空间模型的特征设计出来的，可以把速度大小离散化从而实现在元胞化的空间中更好的区分智能体之间速度差异的目的。在仿真过程中，所有的智能体都是每隔n个time-step移动一次(n是自然数)，智能体的速度大小v越大，n值越小。对于所有智能体，在实际仿真中达到最大速度时n值为1，即每过1个time-step，智能体移动一次。于是，智能体的速度大小v和n值之间存在一定的关系。给定每个time-step对应的真实时间Δt和每个方格的边长Δl，速度v可以用公式7表示：

$v=\frac{s}{t}=\frac{p\×\mathrm{\Δ}l}{q\×\mathrm{\Δ}t}=\frac{p}{q}\×\frac{\mathrm{\Δ}l}{\mathrm{\Δ}t}---\left(7\right)$

其中，s表示距离，t表示运动时间，整数p和q是用来计算n的中间值：n值取最接近q/p的整数值，公式7可以表示成公式8：

$v=\frac{p}{q}\×\frac{\mathrm{\Δ}l}{\mathrm{\Δ}t}\≈\frac{1}{n}\×\frac{\mathrm{\Δ}l}{\mathrm{\Δ}t}---\left(8\right)$

步骤3.2.2.2多智能体运动方向的确定。多智能体的运动方向，即多智能体怎么决策选择下一个位置，需要根据与其近邻的八个胞体的吸引力大小确定。吸引力越大的胞体，越有可能被选择。吸引力V_(k)的计算公式如下：

V_(k)＝W_pos(k)×P_g(k)+W_den×D_(k)+W_dir(k)×P_dir(k)(9)

$P_{dir\left(k\right)}=\frac{S_{dir\left(k\right)}}{\underset{i=1}{\overset{8}{\mathrm{\Σ}}}{S}_{dir\left(i\right)}}---\left(10\right)$

W_pos(k)+W_den+W_dir(k)＝1(11)

其中，W_pos(k)W_den(k)W_dir(k)分别是位置势能、密度和从众性的权重值；p_g(k)是位置势能值，D_(k)是代表了胞体k附近的相对密度分布的密度吸引力值；P_dir(k)表示当前智能体到邻近胞体k附近的概率，S_dir(k)是在个体x视线范围内移向胞体k的方向的数目，第i个S_dir值最大的胞体表示在智能体x视线范围内都在移向这个胞体；

在8个近邻胞体的吸引力值排序之后，下一步就是进行胞体选择和实施决策了。一个智能体通常会往吸引力值最大的那个胞体方向进行移动，也就是智能体的最佳移动位置。

如果在实际应用中，最佳位置没办法到达人们会选择第二好的位置进行移动而不是站在原地不动。在实施这个移动之前，每个智能体Agentx都要先计算到这个胞体的可行性。如果这个目标胞体位置被其他的智能体Agenty所占用，那么Agentx就需要和Agenty进行竞争。Agentx和Agenty进行竞争时，Agentx赢的概率P_swap根据公式12进行计算：

$P_{swap}=H_c\×\frac{(1-{\mathrm{\ρ}}_t)}{(1-{\mathrm{\ρ}}_c)}\×\frac{{\mathrm{\ρ}}_c}{{\mathrm{\ρ}}_t}---\left(12\right)$

其中H_c是Agentx的健康状态，ρ_c是当前胞体的密度，ρ_t是目标胞体的密度，Agentx产生一个0-1之间的随机数。当它的大小不大于P_swap时，Agentx和Agenty将会交换他们的位置。也就是说，Agentx先到目标胞体的位置。如果Agentx在竞争中输给了Agenty，那么Agentx将会转向第二好的胞体位置，以此类推。如果这8个胞体都需要竞争，并且Agentx输掉了所有的竞争，那么Agentx就将保持当前位置不变。

步骤4：人群仿真过程的算法：人群仿真被作为一个基于多智能体的连续时间系统。时序被仿真中的最小时间单位时间步长设定。个体被作为智能体，能接收环境信息并决定自己的运动。

仿真过程是一个大循环，循环中的每一次迭代都是一个时间步长。

步骤4.1：创建一个包含NA个智能体的队列；

步骤4.2：设置循环开始次数i，i＝0到NA；

步骤4.3：获取智能体环境信息，以Y轴方向的大小升序排列；如果Y轴方向的大小相同，那么就以X轴的大小进行升序排列；

步骤4.4：设置循环开始次数j，j＝0到NA；

步骤4.5：检索智能体队列中第j个智能体组，并计算其每个智能体的行为作出决策。

下面通过实验对本发明做进一步的阐述。

实验A：本发明采用中国舟曲县的泥石流数据作为实验环境，图4(a)是舟曲的遥感图像，图4(b)是提取到的地貌图，图4(c)是仿真的泥石流影响区域。共有1000个模拟的不同状态的行人如表1所示。表1表示了人群的组成类型，行人有四种不同的属性类型，每个类型都有唯一的H_x和v_max。三个关键参数W_pos、W_dir、W_den可以通过设置其大小来调整每个属性不同的权重，初始的权重分别被设置为W_pos＝0.6,W_dir＝0.2和W_den＝0.2。两个参数ρ_t和ρ_c分别被设置为0.3125和3.1250。仿真的时间步长被设置为0.1s。在实际发生的泥石流中，泥石流发生在第400个时间窗，也就是第40s发生的。

表1行人类型

人群组成类型	Hx	vmax(m/s)	Quantity
				1	1.0	4	800
2	0.8	2	100
				3	0.6	1	80
4	0.4	0.5	20

三个不同类型的实验(实验B和实验C如图5所示)：

实验A：实验A是实际在舟曲自然发生的泥石流，被用来作为一个参考。

实验B：在实验B中，通过人工在地图中合理的设置一些标志，如一些安全出口，指向标等，用来模拟一个加入人工干预的仿真环境。

实验C：所有的标志和安全出口都被故意的错误的设置，用来做对比实验。

每个实验都重复的做10遍取平均值。

三个不同的实验疏散的人数，死亡人数，被困人数和逃离成功率的结果都在表2中呈现。

表2实验结果

	实验A	实验B	实验C
				疏散的人数	902	941	920
死亡人数	93	52	75
				被困人数	5	7	5
逃离成功率	90.2％	94.1％	92.0％

从表2中可以看出，实验B的结果是最好的，疏散成功率达到了94.1％，52人在事故中死亡，被困人数7人。可以看出，通过合理的设定一些指向标和出口标志可以大大降低自然灾害带来的损失。对比实验C和实验A，可以看出即使加入了一些错误标志和引导，但是通过我们的仿真模型，通过自适应的对个人行为根据环境做出决策，所造成的损失也比实际的自然灾害损失低，其中逃离成功率达到了92.0％，并且死亡人数也大大减小。

实验表明，本发明的基于动态数据驱动的山体滑坡人群疏散仿真建模方法明显取得了比较好的效果。

应当理解的是，本说明书未详细阐述的部分均属于现有技术。

应当理解的是，上述针对较佳实施例的描述较为详细，并不能因此而认为是对本发明专利保护范围的限制，本领域的普通技术人员在本发明的启示下，在不脱离本发明权利要求所保护的范围情况下，还可以做出替换或变形，均落入本发明的保护范围之内，本发明的请求保护范围应以所附权利要求为准。

Claims (6)

1.一种动态数据驱动的突发灾害下群体疏运行为建模仿真方法，其特征在于，包括以下步骤：

步骤1：获取高分辨率遥感图像，并结合多种模式识别方法，从以二值化地图和向量场形式存在的图中产生地质体数据，获得二维离散数据和高维遥感数据；

步骤2：基于二维离散数据和高维遥感数据，重建三维滑坡地质模型；

步骤3：数据驱动的人群仿真建模；灾难场景下的仿真建模包括两部分：虚拟环境建模和大规模体人群仿真；

步骤4：群体疏散运动行为仿真。

2.根据权利要求1所述的动态数据驱动的突发灾害下群体疏运行为建模仿真方法，其特征在于，步骤1中所述结合多种模式识别方法，具体实现包括以下子步骤：

步骤1.1：利用模糊C均值聚类方法，将获取的高分辨率遥感图像像素分到不同的类，基于模糊C均值聚类的思想，将类间的距离变大；

步骤1.2：对原始高分辨率遥感图像的数据进行归一化处理，并分成两部分，一部分做训练数据，一部分做测试数据；

通过支持向量机模型构建判别函数来训练得到目标分类模型，原始高分辨率遥感图像中未知模块映射到特征空间并作为输入，得到该未知模块是否为目标的分类结果；

步骤1.3：利用马尔科夫场的正则化，过滤步骤1.2中得到的分类结果；通过使用最大后验概率估计，通过频谱外推对目标进行重构，降低噪声，进一步改善分类结果。

3.根据权利要求1所述的动态数据驱动的突发灾害下群体疏运行为建模仿真方法，其特征在于，步骤2的具体实现包括以下子步骤：

步骤2.1：滑坡结构建模；通过纹理映射技术获得地质体模型，实现结构建模；

步骤2.2：滑坡过程仿真；滑坡运动描述公式为：

$m\frac{dv}{dt}=mg\[sin\mathrm{\α}-(cos\mathrm{\α}-\mathrm{\μ})f-\frac{c}{mg}\]$ (一)

其中，v表示滑坡速度；t表示当前的时间；m表示滑坡体的质量；g表示重力加速度；α表示滑动表面的倾向；f表示动摩擦系数且 表示动摩擦角度；μ表示孔隙水压力；c表示其他阻力；

通过上述求解微分方程，获得滑坡速度计算公式如下：

$v=\sqrt{v_0^2+2g(H-Lf+\mathrm{\μ}f-\frac{cs}{m^{2}g})}$ (二)

其中，v₀表示初始速度；S表示滑坡距离，H表示滑坡垂直距离；L表示滑坡水平距离。

4.根据权利要求3所述的动态数据驱动的突发灾害下群体疏运行为建模仿真方法，其特征在于，步骤3的具体实现包括以下子步骤：

步骤3.1：虚拟环境建模，包含灾难信息识别、灾难信息预测和灾难场景配置；根据高维遥感数据、滑坡过程仿真结果和用户输入的环境信息，创建一个用于仿真的虚拟场景；

所述灾难信息识别，是将步骤1中获得的二维离散数据和高维遥感数据，转换到彩色图中，并利用基于颜色的图像处理方法做一个量化处理产生分块的逻辑图；

所述灾难信息预测，根据步骤2中三维滑坡地质模型提供的灾难数据，生成滑坡仿真动画，并将动画采样成关键帧，每个关键帧描述着滑坡仿真过程的某个具体时间点的状态；将这些关键帧由3D转为2D，并与分块逻辑图结合，建立起多个灾难中的场景；

所述灾难场景配置，是人工修正灾难信息识别的的错误、人工设置人为定义的目标，人为定义的目标包括引导信号、安全位置和出口；

步骤3.2：大规模体人群仿真，其具体实现主要包含以下子步骤：

步骤3.2.1：将虚拟环境建模的分块逻辑图作为仿真的数据源；

步骤3.2.2：创造向量场，包括位置势能场和密度场；位置势能场用于定位位置信息，密度场用于确定个体运动速度；

分块逻辑图由称作胞体的小块组成，分块逻辑图上的每个胞体都和属性由一个势能场支配的位置关联在一起，位置势能场代表着这个胞体和它最近出口胞体的距离，也就是个体到达出口的最佳路径；所述位置势能场是一个离散的三维函数，所有的位置势能都被归一化去适应具有决策机制的个体，势能归一化按照下面公式进行：

$p_g=\frac{p_{max}-p_c}{p_{max}-p_{min}}$ (三)

其中，Pc是到最近出口胞体的距离，Pmin和Pmax分别是最大、最小位置势能场；Pmin是0，Pmax是当前胞体距离所有出口的最大距离，Pg是当前胞体归一化的位置势能值；Pg越小表示当前胞体距离任何出口都越远；

胞体同样还和表征胞体周围行人密度的密度场关联着，密度场是一个矩阵；胞体k的密度用ρ_k表示，通过下面的公式计算求得：

${\mathrm{\ρ}}_k=\frac{N_k}{N\×a^2}$ (四)

其中，N是在一定范围内胞体k周围的胞体的个数，Nk是这N个胞体中个体的总数，a是胞体的边长；

所述密度场是动态的，而且随着行人的活动而改变，密度场归一化到介于0和1之间的相对密度值D_(k)(t)，计算公式如下：

$D_{\left(k\right)}\left(t\right)=\frac{{\mathrm{\ρ}}_{max}-{\mathrm{\ρ}}_k\left(t\right)}{{\mathrm{\ρ}}_{max}-{\mathrm{\ρ}}_{\min }}$ (五)

ρ_k(t)是胞体在t时刻的密度值，ρ_max和ρ_min是胞体在整个密度场中的行人密度的最大值和最小值；D_(k)(t)越小表示在胞体k中的行人越密集；

步骤3.2.3：智能体运动的确定，包括运动速度和运动方向；所述智能体是在某个方格上的个体，每个胞体上有可能有智能体，也有可能有多个，有可能没有；

所述智能体的运动速度，其计算公式如下：

$v=\left\{\begin{array}{c}{v}_{max},\mathrm{\ρ}\∈\[0,{\mathrm{\ρ}}_t\]\\ v_{max}\sqrt{\frac{{\mathrm{\ρ}}_t}{\mathrm{\ρ}}},\mathrm{\ρ}\∈\[{\mathrm{\ρ}}_t,{\mathrm{\ρ}}_c\]\\ v_{\max }\sqrt{\frac{{\mathrm{\ρ}}_t{\mathrm{\ρ}}_c}{{\mathrm{\ρ}}_{\max }-{\mathrm{\ρ}}_c}}\sqrt{\frac{{\mathrm{\ρ}}_{max}-\mathrm{\ρ}}{\mathrm{\ρ}}},\mathrm{\ρ}\∈({\mathrm{\ρ}}_c,{\mathrm{\ρ}}_{max}\]\end{array}\right.$ (六)

其中ρ表示该智能体附近的行人密度，ρ_c和ρ_t是与行人密度相关的两个阈值，ρ_max是胞体在整个密度场中的行人密度的最大值；

给定每个time-step对应的真实时间Δt和每个方格的边长Δl，则速度v为：

$v=\frac{s}{t}=\frac{p\×\mathrm{\Δ}l}{q\×\mathrm{\Δ}t}=\frac{p}{q}\×\frac{\mathrm{\Δ}l}{\mathrm{\Δ}t}$ (七)；

其中，s表示距离，t表示运动时间，time-step为现实世界中一段固定的预算时间，所有的智能体均是每隔n个time-step移动一次，n是自然数；整数p和q是用来计算n的中间值：n值取最接近q/p的整数值；故公式七可以表示成公式八：

$v=\frac{p}{q}\×\frac{\mathrm{\Δ}l}{\mathrm{\Δ}t}=\frac{1}{n}\×\frac{\mathrm{\Δ}l}{\mathrm{\Δ}t}$ (八)；

所述智能体的运动方向，即智能体怎么决策选择下一个位置，需要根据与其近邻的八个胞体的吸引力大小确定，吸引力越大的胞体，越有可能被选择；吸引力V_(k)的计算公式如下：

V_(k)＝W_pos(k)×P_g(k)+W_den×D_(k)+W_dir(k)×P_dir(k)(九)

$P_{dir\left(k\right)}=\frac{S_{dir\left(k\right)}}{\underset{i=1}{\overset{8}{\Σ}}{S}_{dir\left(i\right)}}$ (十)

W_pos(k)+W_den+W_dir(k)＝1(十一)

其中，W_pos(k)W_den(k)W_dir(k)分别是位置势能、密度和从众性的权重值；p_g(k)是位置势能值，D_(k)是代表了胞体k附近的相对密度分布的密度吸引力值；P_dir(k)表示当前智能体到邻近胞体k附近的概率，S_dir(k)是在个体x视线范围内移向胞体k的方向的数目，第i个S_dir值最大的胞体表示在智能体x视线范围内都在移向这个胞体；

在8个近邻胞体的吸引力值排序之后，下一步就是进行胞体选择和实施决策。

5.根据权利要求4所述的动态数据驱动的突发灾害下群体疏运行为建模仿真方法，其特征在于：所述进行胞体选择和实施决策，一个智能体通常会往吸引力值最大的那个胞体方向进行移动，也就是智能体的最佳移动位置；若最佳移动位置没办法到达，则选择第二好的胞体位置进行移动；在实施这个移动之前，每个智能体Agentx都要先计算到这个胞体的可行性，如果这个目标胞体位置被其他的智能体Agenty所占用，那么Agentx就需要和Agenty进行竞争；Agentx和Agenty进行竞争时，Agentx赢的概率P_swap根据公式十二进行计算：

$P_{swap}=H_x\×\frac{1-{\mathrm{\ρ}}_n}{1-{\mathrm{\ρ}}_x}\×\frac{{\mathrm{\ρ}}_x}{{\mathrm{\ρ}}_n}$ (十二)

其中H_x是Agentx的健康状态，ρ_x是当前胞体的密度，ρ_n是目标胞体的密度，Agentx产生一个0-1之间的随机数，当它的大小不大于P_swap时，Agentx和Agenty将会交换他们的位置，也就是说，Agentx先到目标胞体的位置；如果x在竞争中输给了y，那么x将会转向第二好的胞体位置，以此类推；如果这8个胞体都需要竞争，并且agentx输掉了所有的竞争，那么Agentx就将保持当前位置不变。

6.根据权利要求1所述的动态数据驱动的突发灾害下群体疏运行为建模仿真方法，其特征在于，步骤4的具体实现包括以下子步骤：

步骤4.1：创建一个包含NA个智能体的队列；

步骤4.2：设置循环开始次数i，i＝0到NA；

步骤4.3：获取智能体环境信息，以Y轴方向的大小升序排列；如果Y轴方向的大小相同，那么就以X轴的大小进行升序排列；

步骤4.4：设置循环开始次数j，j＝0到NA；

步骤4.5：检索智能体队列中第j个智能体组，并计算其每个智能体的行为作出决策。