CN107463751A - 一种基于折半dbscan聚类算法的人群分组疏散仿真方法及系统 - Google Patents
一种基于折半dbscan聚类算法的人群分组疏散仿真方法及系统 Download PDFInfo
- Publication number
- CN107463751A CN107463751A CN201710682250.1A CN201710682250A CN107463751A CN 107463751 A CN107463751 A CN 107463751A CN 201710682250 A CN201710682250 A CN 201710682250A CN 107463751 A CN107463751 A CN 107463751A
- Authority
- CN
- China
- Prior art keywords
- crowd
- evacuation
- individual
- group
- scene
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于折半DBSCAN聚类算法的人群分组疏散仿真方法及系统,该方法包括:创建疏散场景模型和人群个体模型,分别对疏散场景信息及人群个体信息进行初始化,得到初始化参数;根据初始化参数利用折半DBSCAN算法将人群分为若干群组,得到人群分组结果;将人群分组结果作为人群运动的初始化状态,采用社会力模型进行局部路径规划,得到疏散场景内每个个体的运动路径,进行人群疏散仿真。本发明将折半DBSCAN聚类算法和社会力模型进行结合,完成复杂场景下的人群疏散仿真,真实有效地实现复杂场景下的人群疏散仿真,提高了人群疏散仿真的准确度,逼真的演示了疏散过程中分组现象。
Description
技术领域
本发明属于人群疏散仿真的技术领域,尤其涉及一种基于折半DBSCAN聚类算法的人群分组疏散仿真方法及系统。
背景技术
全球人口的增长以及世界城市化进程的加快,在中国大陆,城市发展己进入快速增长期,城市规模迅速膨胀,高层、大型建筑物日益增多。人员高度密集,在开放场合和建筑物密集区域内的突发火灾、地震以及遭遇恐怖袭击等突发事件时最容易发生拥挤踩踏事故,使得社会公共安全和人民生命财产安全面临严峻挑战。深入挖掘突发事件下密集人群的行动规律,对可能引发的拥挤骚乱甚至践踏等事件场所进行隐患排查形成有效的预警和干预机制,对恐怖袭击或突发灾害后的人群疏散形成完善的硬件支持和高效的现场疏导策略具有重大意义。
为了逼近真实的人群行为结果,最有效的方法是通过真人模拟演练来获取群体运动中各种参数,然后应用到仿真算法中,但这种方法需要耗费大量的人力和物力,且难以保证参与人员的安全。通过运用计算机仿真技术进行场景建模、路径寻优以及人群运动行为建模,来模拟公共场所应急疏散,可以在达到疏散演练效果的同时将成本最小化;对人群进行疏散仿真的具有重要价值,通过模拟人群在疏散过程中的行为特征和运动规律,研究人员可以预先对公共场所存在的风险进行评估,制定出相应的应急疏散预案,同时为建筑设计者提供科学的指导,预防和减少灾难发生时人员的伤亡。
从众心理,即指个人受到外界人群行为的影响,而在自己的知觉、判断、认识上表现出符合于公众舆论或多数人的行为方式。在遇到突发事件时,有关系的人群之间盲目从众的特征更明显。具体表现为紧急情况下关系密切的人在疏散的过程中聚集成簇。现有的社会力模型能很好地模拟出口成拱、快即是慢等现象,但是,却不能模拟突发事件中亲人、朋友及同事间的分组聚团运动。现有的人群仿真方法中,前人提出一种基于距离和关系的多影响因子的k-Medoids算法对人群进行分组的模型,即紧急情况下人群疏散的过程中,亲密度高的距离近的总是趋于一个组。亲密度越高、距离越近,人群的聚集程度远大。但在,基于距离和关系的多影响因子的k-Medoids算法对人群进行分组的模型在准确率上不尽人意。
综上所述,在现有技术的人群疏散仿真中对于如何提高紧急情况下人群疏散中亲人、朋友及同事间的分组聚团运动的仿真模拟准确率的问题,尚缺乏有效的解决方案。
发明内容
本发明为了解决上述问题,为了实现人群分组的目标,依据人群的特性,利用聚类算法对个体进行聚类,同时结合聚类算法和社会力模型,提供一种基于折半DBSCAN聚类算法的人群分组疏散仿真方法及系统。本发明有效提高了单一因子聚类算法和多影响因子的K-Medoids分类结果的准确性,体现出了行人在运动过程中的群组行为;同时很好地展现孤立粒子的运动过程,提高了人群疏散仿真的准确度,逼真的演示了疏散过程中分组现象,为进一步人研究人群疏散做好了分组准备,更加真实、生动的模拟了群体运动。
本发明的第一目的是提供一种基于折半DBSCAN聚类算法的人群分组疏散仿真方法。
为了实现上述目的,本发明采用如下一种技术方案:
一种基于折半DBSCAN聚类算法的人群分组疏散仿真方法,该方法包括:
创建疏散场景模型和人群个体模型,分别对疏散场景信息及人群个体信息进行初始化,得到初始化参数;
根据初始化参数利用折半DBSCAN算法将人群分为若干群组,得到人群分组结果;
将人群分组结果作为人群运动的初始化状态,采用社会力模型进行局部路径规划,得到疏散场景内每个个体的运动路径,进行人群疏散仿真。
作为进一步的优选方案,在该方法中,初始化参数具体包括场景初始化参数和人群初始化参数;
场景初始化参数包括场景范围、出口以及场景内障碍物的坐标;
人群初始化参数包括人群的位置和人群个体间的关系值。
作为进一步的优选方案,在该方法中,具体根据人群初始化参数中的人群的位置计算人群个体间的距离;人群个体间的关系值即人群个体间的亲密度,通过人群关系矩阵表示。
作为进一步的优选方案,在该方法中,根据人群关系矩阵将人群进行预分组,将有关系值的个体划分至同一群组,形成若干个有关系的群组;
利用折半DBSCAN算法根据人群个体间的距离和人群个体间的关系值对预分组后的人群进行聚类,将人群分为若干群组,确定每个个体所归属的群组。
在本发明中,利用多影响因子的折半DBSCAN聚类算法,同时依据个体信息中包含的距离和亲密度这两种因素对个体进行聚类,确定每个个体所归属的分组。对分组后的群组利用社会力模型实现人群运动。采用这种方法提高了单一因子聚类算法和多影响因子的K-Medoids分类结果的准确性,现出了行人在运动过程中的群组行为。能很好地展现孤立粒子的运动过程,提高了人群疏散仿真的准确度,逼真的演示了疏散过程中分组现象,为进一步人研究人群疏散做好了分组准备。
作为进一步的优选方案,在该方法中,利用折半DBSCAN算法根据人群个体间的距离和人群个体间的关系值对预分组后的人群进行聚类的具体步骤为:
针对一组有关系的群组,根据人群个体间的距离和人群个体间的亲密度对仅包含该组有关系的群组的整个疏散场景进行二分划分,将该组有关系的群组的个体都被切分至相同的网格,将切分后的个体所在网格作为新的疏散场景进行进一步二分划分,递归上述操作直至有关系的个体无法划分至相同的网格,得到该组有关系的群组的最终疏散场景;
在该组有关系的群组的最终疏散场景中遍历所有个体,计算每个个体与其最近的第三个个体的距离,并按距离大小进行排序,绘制成二维图,将二维图中离散的点连成平滑的曲线,计算该曲线的导函数变化最快的点,该点的横坐标即为邻域半径;
将该组有关系的群组的最终疏散场景中的所有个体根据DBSCAN算法进行聚类;
迭代执行上述步骤,直至所有预分组后有关系的群组完成聚类。
作为进一步的优选方案,在该方法中,二分划分的具体步骤为:
对疏散场景进行对半竖切,若竖切之后有关系的群组的个体被切分至不同的网格,则撤销此次竖切,重新对疏散场景进行对半横切。
作为进一步的优选方案,采用社会力模型进行局部路径规划的具体步骤为:
对于每个个体根据距离出口距离选定出口;
对于将人群分组结果作为人群运动的初始化状态后的每个群组内的个体行人,通过社会力受力公式计算行人自身的驱动力、行人之间的排斥力和行人受墙或障碍物的力的所受合力;
群组内的个体行人按照计算的所受合力进行行为运动,得到疏散场景内每个行人个人到达选定出口的运动路径。
在本发明中,当疏散人群数量较多时,个体之间不可避免地会发生碰撞,采用社会力模型进行微观人群运动指导,产生无碰撞的人群运动。
作为进一步的优选方案,在该方法中,对得到疏散场景内每个个体的运动路径进行渲染并实时展示仿真效果;
同时实时存储疏散人群总数、疏散时间、人群疏散路径,存储的信息可导出保存,用于后续人群疏散的运动展示和对比分析。
本发明的第二目的是提供一种计算机可读存储介质。
为了实现上述目的,本发明采用如下一种技术方案:
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备设备的处理器加载并执行以下处理:
创建疏散场景模型和人群个体模型,分别对疏散场景信息及人群个体信息进行初始化,得到初始化参数;
根据初始化参数利用折半DBSCAN算法将人群分为若干群组,得到人群分组结果;
将人群分组结果作为人群运动的初始化状态,采用社会力模型进行局部路径规划,得到疏散场景内每个个体的运动路径,进行人群疏散仿真。
本发明的第三目的是提供一种终端设备。
为了实现上述目的,本发明采用如下一种技术方案:
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行以下处理:
创建疏散场景模型和人群个体模型,分别对疏散场景信息及人群个体信息进行初始化,得到初始化参数;
根据初始化参数利用折半DBSCAN算法将人群分为若干群组,得到人群分组结果;
将人群分组结果作为人群运动的初始化状态,采用社会力模型进行局部路径规划,得到疏散场景内每个个体的运动路径,进行人群疏散仿真。
本发明的有益效果:
(1)本发明的一种基于折半DBSCAN聚类算法的人群分组疏散仿真方法及系统,针对基于关系和距离的人群分组模型,考虑到常用的多影响因子的K-Mediods聚类算法对噪声敏感、只能发现球状簇且对输入记录的顺序敏感,在聚类准确度上不尽人意,结合DBSCAN算法处理噪声能力强、可发现任意形状的簇、对输入记录的顺序不敏感等优点;在基于折半DBSCAN聚类算法的人群分组疏散仿真方法中提出了多影响因子折半DBSCAN聚类算法,折半DBSCAN算法处理个体信息时依据距离和亲密度对个体进行分组,能够精确的聚类人群中关系值比较大距离较近的粒子,也能很好地展现孤立粒子的运动过程,提高了人群疏散仿真的准确度,特别是提高紧急情况下人群疏散中亲人、朋友及同事间的分组聚团运动的仿真模拟准确率,逼真的演示了疏散过程中分组现象,为进一步人研究人群疏散做好了分组准备。
(2)本发明的一种基于折半DBSCAN聚类算法的人群分组疏散仿真方法及系统,将折半DBSCAN聚类算法和社会力模型进行结合,利用折半DBSCAN聚类算法对人群依据距离和关系进行分组以实现真实场景人群疏散过程中的结伴同行现象,利用社会力模型进行微观个体的路径规划和碰撞避免,完成复杂场景下的人群疏散仿真。实验结果表明,该方法能够真实有效地实现复杂场景下的人群疏散仿真,能很好地展现孤立粒子的运动过程,提高了人群疏散仿真的准确度,逼真的演示了疏散过程中分组现象,为进一步人研究人群疏散做好了分组准备。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。
图1为本发明的基于折半DBSCAN聚类算法的人群分组疏散仿真方法流程示意图;
图2为本发明的折半DBSCAN分组方法流程图;
图3为本发明的人群在MATLAB场景中用多影响因子的折半DBSCAN初始化分组的示意图;
图4为本发明的人群在MATLAB场景中运动10s时刻示意图;
图5为本发明的人群在MATLAB场景中运动15s时刻示意图;
图6为人群在仿真场景中用多影响因子的折半DBSCAN初始化分组的示意图;
图7为本发明的人群在仿真场景中运动10s时刻示意图;
图8为本发明的人群在仿真场景中运动15s时刻示意图;
图9为本发明的人群真实场景中人群流动示意图一;
图10为本发明的人群真实场景中人群流动示意图二;
图11为本发明的人群真实场景中人群流动示意图三;
图12为本发明的方法与其他聚类算法的聚类效果对比图;
图13为本发明的方法与其他聚类算法的聚类时间对比图二;
图14为本发明的一种基于折半DBSCAN聚类算法的人群分组疏散仿真系统示意图。
具体实施方式:
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面结合附图与实施例对本发明作进一步说明。
DBSCAN(Density-Based Spatial Clustering of Applications with Noise,具有噪声的基于密度的聚类方法)是一种基于密度的空间聚类算法。该算法将具有足够密度的区域划分为簇,并在具有噪声的空间数据库中发现任意形状的簇,它将簇定义为密度相连的点的最大集合。该算法利用基于密度的聚类的概念,即要求聚类空间中的一定区域内所包含对象(点或其他空间对象)的数目不小于某一给定阈值。DBSCAN算法的显著优点是聚类速度快且能够有效处理噪声点和发现任意形状的空间聚类。
本发明为了解决背景技术所介绍的问题,为了实现人群分组的目标,依据人群的特性,利用聚类算法对个体进行聚类,同时结合聚类算法和社会力模型,提供一种基于折半DBSCAN聚类算法的人群分组疏散仿真方法及系统。考虑到普通聚类算法划分因子的单一性和多影响因子的K-Medoids算法聚类效果的准确性低,本发明利用一种多影响因子的折半DBSCAN聚类算法,算法同时依据个体信息中包含的距离和亲密度这两种因素对个体进行聚类,确定每个个体所归属的分组。对分组后的群体利用社会力模型实现人群运动。本发明有效提高了单一因子聚类算法和多影响因子的K-Medoids分类结果的准确性,体现出了行人在运动过程中的群组行为;同时很好地展现孤立粒子的运动过程,提高了人群疏散仿真的准确度,逼真的演示了疏散过程中分组现象,为进一步人研究人群疏散做好了分组准备,更加真实、生动的模拟了群体运动。
实施例1:
本发明的第一目的是提供一种基于折半DBSCAN聚类算法的人群分组疏散仿真方法。
为了实现上述目的,本发明采用如下一种技术方案:
一种基于折半DBSCAN聚类算法的人群分组疏散仿真方法,该方法包括:
创建疏散场景模型和人群个体模型,分别对疏散场景信息及人群个体信息进行初始化,得到初始化参数;
根据初始化参数利用折半DBSCAN算法将人群分为若干群组,得到人群分组结果;
将人群分组结果作为人群运动的初始化状态,采用社会力模型进行局部路径规划,得到疏散场景内每个个体的运动路径,进行人群疏散仿真。
本实施例在区域大小为300*200pix的房间进行疏散仿真,粒子个数为300,用多影响因子的折半DBSCAN聚类算法进行聚类。用MATLAB2016a平台展示聚类效果,聚类后在社会力平台上模拟人群疏散的过程。
在本实施例中,具体通过五个步骤实现人群疏散仿真。
如图1所示是本发明的一种基于折半DBSCAN聚类算法的人群分组疏散仿真方法流程图。如图1所示的基于折半DBSCAN聚类算法的人群分组疏散仿真方法,至少包括以下五个步骤:
步骤(1):利用Maya来设计场景模型和人物模型,在社会力平台上接收场景模型及人群个体信息,分别对场景及人群个体信息进行初始化;包括场景范围、出口以及场景内障碍物的坐标,人群的位置和关系值;
步骤(2):利用折半DBSCAN算法对人群中个体依据的距离和关系进行分组,得到人群的分组情况;
在步骤(2)中采用折半DBSCAN算法对人群中个体依据的距离和关系进行分组的过程为:
(2-1)对有关系的群组进行二分划分,划分的原则是先对整个场景对半竖切,如果切完之后发现有关系的群组内的粒子被切分到了不同的网格,则撤销这次竖切,改为对半横切;如果切完之后发现有关系的群组内的粒子都被切分相同的网格,则将粒子被切到的网格作为新的场景递归的进行上面的操作,直到新的场景无论是横切还是竖切都会将有关系的粒子划分到不同的网格为止。此时的场景为该有关系的群组的最终场景。
(2-2)在最终的场景上遍历所有粒子,计算每个粒子的k-dist值.在本发明中k取3(3-dist意味着离某粒子i最近的第三个粒子的距离)。dist计算公式为:
(2-3)将所有粒子的3-dist按从大到小进行排序,然后绘制排序后的3-dist图,横坐标代表排序后的对象,纵坐标为对应的3-dist值。将离散的点连成平滑的曲线,计算该曲线的导函数变化最快的点,该点的横坐标即为所求的邻域半径。
(2-4)接着对这个最终场景上所有粒子用DBSCAN算法进行聚类。
(2-5)迭代,根据人群关系矩阵遍历所有关系值之间不为0的群组,对每个有关系的群组重复以上步骤(2-1)至步骤(2-4)。
步骤(3):将人群分组结果作为人群运动的初始化状态,采用社会力模型进行局部路径规划和碰撞避免,求得每个个体的加速度和速度,求得场景内每个个体到达选定出口的运动路径;
社会力是指行人在人群中受到的心理作用和外界环境产生的物理作用的合力,将行人运动描述为力相互作用的结果,包括行人自身驱动力、行人之间的相互作用力和行人与障碍物的相互作用力共同驱动。
在行人主观意愿作用下,行人总是期望以最优行走速度朝着期望目的地移动,所以行人自身的驱动力可以看作行人施加在自身的一个虚拟心理力.行人自身驱动力公式为:
当行人在人群中行走时,无法避免会与其他行人发生相互作用,当与其他行人过近,其他行人就会产生一个排斥力。而当行人间距离较大时,行人之间的作用力则变为引力。行人之间的相互作用力公式为:
行走过程中,为保证自身安全和舒适性,行人会与障碍物保持一定的距离。这意味着行人运动中会受到障碍物对行人的作用力。行人与障碍物的相互作用力公式为:
根据牛顿第二定律,社会力模型公式为:
步骤(4):对运动路径进行渲染并实时展示仿真效果;
步骤(5):将疏散人数、疏散时间、疏散路径等参数信息导出并保存,用于人群疏散的运动展示和对比分析。
其中,步骤(2)中的多影响因子的折半DBSCAN分组方法流程图的具体流程如图2所示,
算法伪代码为:
输入:数据集D,参数MinPts=3
输出:簇集合、噪声
其中,关系定义:
在本实施例中,区域大小为300*200pix的房间进行疏散仿真,粒子个数为300,用多影响因子的折半DBSCAN聚类算法进行聚类。用MATLAB2016a平台展示聚类效果,聚类后在社会力平台上模拟人群疏散的过程。
如图3所示,是聚类分组后的结果,聚类后相同颜色粒子为一组。其中存在孤立粒子,它不属于任何组。如图4、图5所示,分别是粒子在社会力模型的基础上粒子不同时刻的疏散状态。可以看出在疏散过程中,相同颜色的人群在疏散过程中逐渐聚集在一起,即同组内亲密的个体在不断向出口运动的同时也在渐渐聚集靠拢,从同一个门口逃生,孤立粒子选择就近的门口逃生。同时出现了“出口成拱”,“快即是慢”的效应。更能真实的模拟人群疏散的过程。
如图6所示,通过该仿真结果可以看出,初始化结果为距离较近、关系较大的个体被归为一组,同组粒子颜色一致,组内若有不同颜色的粒子则该粒子为孤立粒子。如图7所示,在社会力模型上疏散过程中同组的个体逐渐靠拢,同组个体选择从同一门口逃生。组内个体聚集程度明显,门口出现拥堵现象。在图8中,部分分组已从同一门口成功逃离,部分分组已成功逃离了部分个体,此时组内未成功逃离的个体聚集程度更高,拥堵现象更明显,出现了“出口成拱”、“快即是慢”的现象。
仿真实验结果证明,本文提出的折半DBSCAN算法能够精确的聚类人群中关系值比较大距离较近的粒子,也能很好地展现孤立粒子的运动过程,提高了人群疏散仿真的准确度,逼真的演示了疏散过程中分组现象,为进一步人研究人群疏散做好了分组准备。
为了进一步验证本文方法的逼真性,本文对人群流动监控录像进行分析。如图9-图11所示。以截图中用不同颜色圆圈圈出的群组作为具体分析对象。通过监控视频可以发现,人群在运动的过程中会出现聚集成组现象,而且关系越亲密的个体聚集的团体更紧密,并且群组现象在整个运动过程中一直存在。
在本实施例中,为了验证本发明提出的折半DBSCAN算法的有效性,将其与多影响因子的K-Medoids算法、多影响因子的最大密度峰值聚类算法在对多种规模下的人群进行聚类,并对比聚类效果。
因为人群中的社会关系是客观存在的,所以仿真程序会事先给定人群的关系矩阵,为了便于比较,人群里个体间并非人人都有关系,而是分成人数不等的多个朋友圈和一部分孤立的个人,并且这些朋友圈间两两没有交集,于是每个朋友圈就是一个事先给定的分组,单个孤立的个人不属于任何朋友圈,但在聚类的过程中可能由于距离某个朋友圈较近而与他们归为一簇。
轮廓系数(Silhouette Coefficient)是一种评价聚类效果好坏的方式,它结合内聚度和分离度两种因素,能够在相同原始数据的基础上评价不同算法以及算法不同运行方式对聚类结果所产生的影响。其基本流程如下:
(1)计算样本i到同簇内其他样本的平均距离ai,称为样本i的簇内不相似度,且ai越小,说明样本i越应该被聚类到该簇;
(2)计算样本i到其他各个簇cj的所有样本的平均距离bij,定义为样本i的簇间不相似度:bi=min{bi1,bi2,...,bik},bi越大,说明样本i越不属于其他簇;
(3)根据样本i的簇内不相似度ai和簇间不相似度bi,计算样本i的轮廓系数s(i),公式如下:
(4)根据s(i)的值,判断样本聚类是否合理:
(a)若s(i)接近1,则说明样本i聚类合理。
(b)若s(i)接近-1,则说明样本i更应该分类到另外的簇。
(c)若s(i)近似为0,则说明样本i在两个簇的边界上。
(5)所有样本的s(i)的均值称为聚类结果的轮廓系数,来度量聚类分组是否合理有效。
本发明实验采用的机器配置为奔腾双核处理器,主频为2.60G HZ,4GB内存.根据轮廓系数函数,对各人群规模做50组实验,得到折半DBSCAN、最大密度峰值聚类、K-Medoids三种算法的聚类效果,取均值得到图12折线图。
如图12所示,K-Mediods聚类效果值最低。这是由于该算法结果对初始聚类中心的选择和噪声较为敏感、容易陷入局部最优、只能发现球状簇导致的。但它能识别不同密度的簇。折半DBSCAN聚类效果值最高.原因是它能识别任意形状的簇、不需要指定初始聚类中心的个数和位置、对噪音不敏感、划分网格后能识别不同密度的簇。最大密度峰值聚类效果值处于两者之间。原因是虽然它能识别任意形状的簇和不同密度的簇,但在数据集中的噪声数据太多或簇间存在明显噪声干扰情况下,本发明提出算法的聚类效果明显优于最大密度峰值聚类算法。粒子个数较少的情况下轮廓系数相对较高。原因是粒子个数比较少,簇与簇之间的距离较远,b(i)、a(i)相差较大,轮廓系数中分子b(i)-a(i)较大,所以s(i)会高.随着粒子个数的增加,簇与簇之间的距离逐渐缩小。b(i)与a(i)差异逐渐缩小。当粒子个数特别多时,b(i)与a(i)的差异中距离越来越小,b(i)与a(i)的差异几乎只体现在关系上.轮廓系数中分子b(i)-a(i)较小,所以s(i)会低。三个聚类效果值都不是很高,改进的DBSCAN算法大概在0.38左右。表示这个数据集中的簇不是很聚合,而是比较松散的一个簇。
如图13所示,三个算法的运行时间都随着数据集的增加而增大。K-Medoids算法运行时间最短。因为它不需计算每个粒子两两之间的距离,只需计算所有粒子与聚类中心点的距离然后进行迭代,当迭代到某一次的误差总和距离它的前一次的误差总和小于设定的阈值时结束迭代。最大密度峰值聚类算法运行时间最长,它虽然不需要迭代,但它需要计算所有数据的局部密度和与某粒子最相近的、局部密度比该粒子大的粒子之间的距离,这个过程需要遍历数据集中所有的数据,计算任意两个粒子之间的相异度,耗时严重.折半DBSCAN算法处于两者之间,它只需要计算出各个有关系的粒子群的小区域,对每个小区域求其邻域半径ε值,接着以所求的ε值对小区域中的所有粒子执行DBSCAN聚类算法,只需计算每个小区域内部任意两个粒子之间的相异度,而小区域内部的数据个数远小于整个数据集的个数。
实施例2:
本发明的第二目的是提供一种计算机可读存储介质。
为了实现上述目的,本发明采用如下一种技术方案:
一种计算机可读存储介质,其中存储有多条指令,所述指令适于由终端设备设备的处理器加载并执行以下处理:
创建疏散场景模型和人群个体模型,分别对疏散场景信息及人群个体信息进行初始化,得到初始化参数;
根据初始化参数利用折半DBSCAN算法将人群分为若干群组,得到人群分组结果;
将人群分组结果作为人群运动的初始化状态,采用社会力模型进行局部路径规划,得到疏散场景内每个个体的运动路径,进行人群疏散仿真。
在本实施例中,初始化参数具体包括场景初始化参数和人群初始化参数;
场景初始化参数包括场景范围、出口以及场景内障碍物的坐标;
人群初始化参数包括人群的位置和人群个体间的关系值。
在本实施例中,具体根据人群初始化参数中的人群的位置计算人群个体间的距离;人群个体间的关系值即人群个体间的亲密度,通过人群关系矩阵表示。
在本实施例中,根据人群关系矩阵将人群进行预分组,将有关系值的个体划分至同一群组,形成若干个有关系的群组;
利用折半DBSCAN算法根据人群个体间的距离和人群个体间的关系值对预分组后的人群进行聚类,将人群分为若干群组,确定每个个体所归属的群组。
在本实施例中,利用多影响因子的折半DBSCAN聚类算法,同时依据个体信息中包含的距离和亲密度这两种因素对个体进行聚类,确定每个个体所归属的分组。对分组后的群组利用社会力模型实现人群运动。采用这种方法提高了单一因子聚类算法和多影响因子的K-Medoids分类结果的准确性,现出了行人在运动过程中的群组行为。能很好地展现孤立粒子的运动过程,提高了人群疏散仿真的准确度,逼真的演示了疏散过程中分组现象,为进一步人研究人群疏散做好了分组准备。
在本实施例中,利用折半DBSCAN算法根据人群个体间的距离和人群个体间的关系值对预分组后的人群进行聚类的具体步骤为:
针对一组有关系的群组,根据人群个体间的距离和人群个体间的亲密度对仅包含该组有关系的群组的整个疏散场景进行二分划分,将该组有关系的群组的个体都被切分至相同的网格,将切分后的个体所在网格作为新的疏散场景进行进一步二分划分,递归上述操作直至有关系的个体无法划分至相同的网格,得到该组有关系的群组的最终疏散场景;
在该组有关系的群组的最终疏散场景中遍历所有个体,计算每个个体与其最近的第三个个体的距离,并按距离大小进行排序,绘制成二维图,将二维图中离散的点连成平滑的曲线,计算该曲线的导函数变化最快的点,该点的横坐标即为邻域半径;
将该组有关系的群组的最终疏散场景中的所有个体根据DBSCAN算法进行聚类;
迭代执行上述步骤,直至所有预分组后有关系的群组完成聚类。
在本实施例中,二分划分的具体步骤为:
对疏散场景进行对半竖切,若竖切之后有关系的群组的个体被切分至不同的网格,则撤销此次竖切,重新对疏散场景进行对半横切。
在本实施例中,采用社会力模型进行局部路径规划的具体步骤为:
对于每个个体根据距离出口距离选定出口;
对于将人群分组结果作为人群运动的初始化状态后的每个群组内的个体行人,通过社会力受力公式计算行人自身的驱动力、行人之间的排斥力和行人受墙或障碍物的力的所受合力;
群组内的个体行人按照计算的所受合力进行行为运动,得到疏散场景内每个行人个人到达选定出口的运动路径。
在本实施例中,当疏散人群数量较多时,个体之间不可避免地会发生碰撞,采用社会力模型进行微观人群运动指导,产生无碰撞的人群运动。
在本实施例中,对得到疏散场景内每个个体的运动路径进行渲染并实时展示仿真效果;
同时实时存储疏散人群总数、疏散时间、人群疏散路径,存储的信息可导出保存,用于后续人群疏散的运动展示和对比分析。
实施例3:
本发明的第三目的是提供一种终端设备。
为了实现上述目的,本发明采用如下一种技术方案:
一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,所述指令适于由处理器加载并执行以下处理:
创建疏散场景模型和人群个体模型,分别对疏散场景信息及人群个体信息进行初始化,得到初始化参数;
根据初始化参数利用折半DBSCAN算法将人群分为若干群组,得到人群分组结果;
将人群分组结果作为人群运动的初始化状态,采用社会力模型进行局部路径规划,得到疏散场景内每个个体的运动路径,进行人群疏散仿真。
在本实施例中,该终端设备及一种基于折半DBSCAN聚类算法的人群分组疏散仿真系统包括信息接收模块、人群分组模块、运动路径求取模块、渲染及展示模块和数据导出模块共五个模块。
如图14所示,
其中:
信息接收模块,利用Maya来设计场景模型和人物模型,在社会力平台上接收场景模型及人群个体信息,分别对场景及人群个体信息进行初始化;包括场景范围、出口以及场景内障碍物的坐标,人群的位置和关系值;
人群分组模块,利用折半DBSCAN算法对人群中个体依据的距离和关系进行分组,得到人群的分组情况;
运动路径求取模块,将人群分组结果作为人群运动的初始化状态,采用社会力模型进行局部路径规化来实现群组行为和碰撞避免,求得场景内每个个体到达选定出口的运动路径;
渲染及展示模块,对运动路径进行渲染并实时展示仿真效果;
数据导出模块,将疏散人数、疏散时间、疏散路径等参数信息导出并保存,用于人群疏散的运动展示和对比分析。
所述人群分组模块还包括:
对有关系的群组进行二分划分,划分的原则是先对整个场景对半竖切,如果切完之后发现有关系的群组内的粒子被切分到了不同的网格,则撤销这次竖切,改为对半横切;如果切完之后发现有关系的群组内的粒子都被切分相同的网格,则将粒子被切到的网格作为新的场景递归的进行上面的操作,直到新的场景无论是横切还是竖切都会将有关系的粒子划分到不同的网格为止。此时的场景为该有关系的群组的最终场景;
在最终的场景上遍历所有粒子,计算每个粒子的k-dist值.在本发明中k取3(3-dist意味着离某粒子i最近的第三个粒子的距离);
将所有粒子的3-dist按从大到小进行排序,然后绘制排序后的3-dist图,横坐标代表排序后的对象,纵坐标为对应的3-dist值。将离散的点连成平滑的曲线,计算该曲线的导函数变化最快的点,该点的横坐标即为所求的邻域半径;
接着对这个最终场景上所有粒子用DBSCAN算法进行聚类;
迭代,根据关系矩阵遍历所有关系值之间不为0的群组,对每个有关系的群组重复上述步骤。
该系统还包括计数器,其配置在每个出口处,用于统计从相应出口疏散的个体数量。根据出口处的计数器的数值,得到出口的拥挤度;其中,拥堵度等于正常情况下通过相应出口的预设个数与出口相匹配的群组内个体总数的比值。
本发明的有益效果:
(1)本发明的一种基于折半DBSCAN聚类算法的人群分组疏散仿真方法及系统,针对基于关系和距离的人群分组模型,考虑到常用的多影响因子的K-Mediods聚类算法对噪声敏感、只能发现球状簇且对输入记录的顺序敏感,在聚类准确度上不尽人意,结合DBSCAN算法处理噪声能力强、可发现任意形状的簇、对输入记录的顺序不敏感等优点;在基于折半DBSCAN聚类算法的人群分组疏散仿真方法中提出了多影响因子折半DBSCAN聚类算法,折半DBSCAN算法处理个体信息时依据距离和亲密度对个体进行分组,能够精确的聚类人群中关系值比较大距离较近的粒子,也能很好地展现孤立粒子的运动过程,提高了人群疏散仿真的准确度,逼真的演示了疏散过程中分组现象,为进一步人研究人群疏散做好了分组准备。
(2)本发明的一种基于折半DBSCAN聚类算法的人群分组疏散仿真方法及系统,将折半DBSCAN聚类算法和社会力模型进行结合,利用折半DBSCAN聚类算法对人群依据距离和关系进行分组以实现真实场景人群疏散过程中的结伴同行现象,利用社会力模型进行微观个体的路径规划和碰撞避免,完成复杂场景下的人群疏散仿真。实验结果表明,该方法能够真实有效地实现复杂场景下的人群疏散仿真,能很好地展现孤立粒子的运动过程,提高了人群疏散仿真的准确度,逼真的演示了疏散过程中分组现象,为进一步人研究人群疏散做好了分组准备。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于折半DBSCAN聚类算法的人群分组疏散仿真方法,其特征是:该方法包括:
创建疏散场景模型和人群个体模型,分别对疏散场景信息及人群个体信息进行初始化,得到初始化参数;
根据初始化参数利用折半DBSCAN算法将人群分为若干群组,得到人群分组结果;
将人群分组结果作为人群运动的初始化状态,采用社会力模型进行局部路径规划,得到疏散场景内每个个体的运动路径,进行人群疏散仿真。
2.如权利要求1所述的一种基于折半DBSCAN聚类算法的人群分组疏散仿真方法,其特征是:
在该方法中,初始化参数具体包括场景初始化参数和人群初始化参数;
场景初始化参数包括场景范围、出口以及场景内障碍物的坐标;
人群初始化参数包括人群的位置和人群个体间的关系值。
3.如权利要求2所述的一种基于折半DBSCAN聚类算法的人群分组疏散仿真方法,其特征是:在该方法中,具体根据人群初始化参数中的人群的位置计算人群个体间的距离;人群个体间的关系值即人群个体间的亲密度,通过人群关系矩阵表示。
4.如权利要求3所述的一种基于折半DBSCAN聚类算法的人群分组疏散仿真方法,其特征是:
在该方法中,根据人群关系矩阵将人群进行预分组,将有关系值的个体划分至同一群组,形成若干个有关系的群组;
利用折半DBSCAN算法根据人群个体间的距离和人群个体间的关系值对预分组后的人群进行聚类,将人群分为若干群组,确定每个个体所归属的群组。
5.如权利要求4所述的一种基于折半DBSCAN聚类算法的人群分组疏散仿真方法,其特征是:在该方法中,利用折半DBSCAN算法根据人群个体间的距离和人群个体间的关系值对预分组后的人群进行聚类的具体步骤为:
针对一组有关系的群组,根据人群个体间的距离和人群个体间的亲密度对仅包含该组有关系的群组的整个疏散场景进行二分划分,将该组有关系的群组的个体都被切分至相同的网格,将切分后的个体所在网格作为新的疏散场景进行进一步二分划分,递归上述操作直至有关系的个体无法划分至相同的网格,得到该组有关系的群组的最终疏散场景;
在该组有关系的群组的最终疏散场景中遍历所有个体,计算每个个体与其最近的第三个个体的距离,并按距离大小进行排序,绘制成二维图,将二维图中离散的点连成平滑的曲线,计算该曲线的导函数变化最快的点,该点的横坐标即为邻域半径;
将该组有关系的群组的最终疏散场景中的所有个体根据DBSCAN算法进行聚类;
迭代执行上述步骤,直至所有预分组后有关系的群组完成聚类。
6.如权利要求5所述的一种基于折半DBSCAN聚类算法的人群分组疏散仿真方法,其特征是:在该方法中,二分划分的具体步骤为:
对疏散场景进行对半竖切,若竖切之后有关系的群组的个体被切分至不同的网格,则撤销此次竖切,重新对疏散场景进行对半横切。
7.如权利要求1所述的一种基于折半DBSCAN聚类算法的人群分组疏散仿真方法,其特征是:采用社会力模型进行局部路径规划的具体步骤为:
对于每个个体根据距离出口距离选定出口;
对于将人群分组结果作为人群运动的初始化状态后的每个群组内的个体行人,通过社会力受力公式计算行人自身的驱动力、行人之间的排斥力和行人受墙或障碍物的力的所受合力;
群组内的个体行人按照计算的所受合力进行行为运动,得到疏散场景内每个行人个人到达选定出口的运动路径。
8.如权利要求1所述的一种基于折半DBSCAN聚类算法的人群分组疏散仿真方法,其特征是:在该方法中,对得到疏散场景内每个个体的运动路径进行渲染并实时展示仿真效果;
同时实时存储疏散人群总数、疏散时间、人群疏散路径,存储的信息可导出保存,用于后续人群疏散的运动展示和对比分析。
9.一种计算机可读存储介质,其中存储有多条指令,其特征是:所述指令适于由终端设备设备的处理器加载并执行以下处理:
创建疏散场景模型和人群个体模型,分别对疏散场景信息及人群个体信息进行初始化,得到初始化参数;
根据初始化参数利用折半DBSCAN算法将人群分为若干群组,得到人群分组结果;
将人群分组结果作为人群运动的初始化状态,采用社会力模型进行局部路径规划,得到疏散场景内每个个体的运动路径,进行人群疏散仿真。
10.一种终端设备,包括处理器和计算机可读存储介质,处理器用于实现各指令;计算机可读存储介质用于存储多条指令,其特征是:所述指令适于由处理器加载并执行以下处理:
创建疏散场景模型和人群个体模型,分别对疏散场景信息及人群个体信息进行初始化,得到初始化参数;
根据初始化参数利用折半DBSCAN算法将人群分为若干群组,得到人群分组结果;
将人群分组结果作为人群运动的初始化状态,采用社会力模型进行局部路径规划,得到疏散场景内每个个体的运动路径,进行人群疏散仿真。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710682250.1A CN107463751B (zh) | 2017-08-10 | 2017-08-10 | 一种基于折半dbscan聚类算法的人群分组疏散仿真方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710682250.1A CN107463751B (zh) | 2017-08-10 | 2017-08-10 | 一种基于折半dbscan聚类算法的人群分组疏散仿真方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107463751A true CN107463751A (zh) | 2017-12-12 |
CN107463751B CN107463751B (zh) | 2021-01-08 |
Family
ID=60548737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710682250.1A Active CN107463751B (zh) | 2017-08-10 | 2017-08-10 | 一种基于折半dbscan聚类算法的人群分组疏散仿真方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107463751B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133185A (zh) * | 2017-12-21 | 2018-06-08 | 山东师范大学 | 基于轨迹数据判断行人关系的方法和系统 |
CN108280251A (zh) * | 2017-12-20 | 2018-07-13 | 同济大学 | 一种基于街道宽度比的丁字路口高风险区域标定方法 |
CN109448442A (zh) * | 2018-10-12 | 2019-03-08 | 天津大学 | 一种海域内多船碰撞危险度的高效监测方法 |
CN109489665A (zh) * | 2018-11-07 | 2019-03-19 | 深圳先进技术研究院 | 一种基于资源分配的人避难行踪的位置预测方法及其系统 |
CN109508657A (zh) * | 2018-10-29 | 2019-03-22 | 重庆中科云丛科技有限公司 | 人群聚集分析方法、系统、计算机可读存储介质及设备 |
CN109543285A (zh) * | 2018-11-20 | 2019-03-29 | 山东师范大学 | 一种融合数据驱动与强化学习的人群疏散仿真方法和系统 |
CN111339668A (zh) * | 2020-02-28 | 2020-06-26 | 西南交通大学 | 基于情绪认知的人群疏散可视化方法 |
CN111444786A (zh) * | 2020-03-12 | 2020-07-24 | 五邑大学 | 基于无人机群的人群疏散方法、装置、系统及存储介质 |
CN111639561A (zh) * | 2020-05-17 | 2020-09-08 | 西北工业大学 | 基于类别自适应聚类的无监督行人重识别方法 |
CN111723862A (zh) * | 2020-06-18 | 2020-09-29 | 广东电网有限责任公司清远供电局 | 开关柜状态评估方法和装置 |
CN111832796A (zh) * | 2020-02-29 | 2020-10-27 | 上海电力大学 | 一种针对居民用电负荷模式的精细分类及预测方法及系统 |
CN113299068A (zh) * | 2021-05-28 | 2021-08-24 | 银江股份有限公司 | 一种融合社会力模型与粒子群算法的交通路网拥堵状态预测方法及系统 |
CN113536597A (zh) * | 2021-08-12 | 2021-10-22 | 浙江大学 | 一种通过数据驱动优化的基于速度的动态人群模拟方法 |
CN114263077A (zh) * | 2021-12-17 | 2022-04-01 | 无锡荷清数字建筑科技有限公司 | 一种3d打印模拟河流纹理铺地的建造方法 |
CN115474172A (zh) * | 2022-11-14 | 2022-12-13 | 成都大学 | 结合uwb采集的室内密集人流组群行人群体疏散方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106546A (zh) * | 2013-02-08 | 2013-05-15 | 同济大学 | 基于区域应急疏散能力评估的疏散应急方案选择方法 |
CN103679148A (zh) * | 2013-12-11 | 2014-03-26 | 哈尔滨工业大学深圳研究生院 | 一种基于聚类角点加权面积的群体聚散检测的方法与装置 |
CN105550484A (zh) * | 2016-02-26 | 2016-05-04 | 武汉大学 | 动态数据驱动的突发灾害下群体疏运行为建模仿真方法 |
CN105740510A (zh) * | 2016-01-22 | 2016-07-06 | 山东师范大学 | 基于网格-密度-关系的疏散人群行为仿真系统及其方法 |
CN106126681A (zh) * | 2016-06-29 | 2016-11-16 | 泰华智慧产业集团股份有限公司 | 一种增量式流式数据聚类方法及系统 |
CN106909940A (zh) * | 2017-02-20 | 2017-06-30 | 浙江工商大学 | 基于人群疏散的折半聚类方法 |
-
2017
- 2017-08-10 CN CN201710682250.1A patent/CN107463751B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103106546A (zh) * | 2013-02-08 | 2013-05-15 | 同济大学 | 基于区域应急疏散能力评估的疏散应急方案选择方法 |
CN103679148A (zh) * | 2013-12-11 | 2014-03-26 | 哈尔滨工业大学深圳研究生院 | 一种基于聚类角点加权面积的群体聚散检测的方法与装置 |
CN105740510A (zh) * | 2016-01-22 | 2016-07-06 | 山东师范大学 | 基于网格-密度-关系的疏散人群行为仿真系统及其方法 |
CN105550484A (zh) * | 2016-02-26 | 2016-05-04 | 武汉大学 | 动态数据驱动的突发灾害下群体疏运行为建模仿真方法 |
CN106126681A (zh) * | 2016-06-29 | 2016-11-16 | 泰华智慧产业集团股份有限公司 | 一种增量式流式数据聚类方法及系统 |
CN106909940A (zh) * | 2017-02-20 | 2017-06-30 | 浙江工商大学 | 基于人群疏散的折半聚类方法 |
Non-Patent Citations (3)
Title |
---|
YAN LI等: "A grouping method based on grid density and relationship for", 《PHYSICA A》 * |
康海源等: "一种基于自适应网格的DBSCAN聚类算法", 《太原师范学院学报(自然科学版)》 * |
李焱: "折半聚类算法在基于社会力的人群疏散仿真中的应用", 《计算机应用》 * |
Cited By (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108280251A (zh) * | 2017-12-20 | 2018-07-13 | 同济大学 | 一种基于街道宽度比的丁字路口高风险区域标定方法 |
CN108280251B (zh) * | 2017-12-20 | 2021-07-20 | 同济大学 | 一种基于街道宽度比的丁字路口高风险区域标定方法 |
CN108133185B (zh) * | 2017-12-21 | 2021-02-23 | 山东师范大学 | 基于轨迹数据判断行人关系的方法和系统 |
CN108133185A (zh) * | 2017-12-21 | 2018-06-08 | 山东师范大学 | 基于轨迹数据判断行人关系的方法和系统 |
CN109448442A (zh) * | 2018-10-12 | 2019-03-08 | 天津大学 | 一种海域内多船碰撞危险度的高效监测方法 |
CN109508657A (zh) * | 2018-10-29 | 2019-03-22 | 重庆中科云丛科技有限公司 | 人群聚集分析方法、系统、计算机可读存储介质及设备 |
CN109508657B (zh) * | 2018-10-29 | 2022-04-26 | 重庆中科云从科技有限公司 | 人群聚集分析方法、系统、计算机可读存储介质及设备 |
CN109489665A (zh) * | 2018-11-07 | 2019-03-19 | 深圳先进技术研究院 | 一种基于资源分配的人避难行踪的位置预测方法及其系统 |
CN109543285A (zh) * | 2018-11-20 | 2019-03-29 | 山东师范大学 | 一种融合数据驱动与强化学习的人群疏散仿真方法和系统 |
CN111339668A (zh) * | 2020-02-28 | 2020-06-26 | 西南交通大学 | 基于情绪认知的人群疏散可视化方法 |
CN111339668B (zh) * | 2020-02-28 | 2022-05-10 | 西南交通大学 | 基于情绪认知的人群疏散可视化方法 |
CN111832796A (zh) * | 2020-02-29 | 2020-10-27 | 上海电力大学 | 一种针对居民用电负荷模式的精细分类及预测方法及系统 |
CN111832796B (zh) * | 2020-02-29 | 2022-12-23 | 上海电力大学 | 一种针对居民用电负荷模式的精细分类及预测方法及系统 |
CN111444786A (zh) * | 2020-03-12 | 2020-07-24 | 五邑大学 | 基于无人机群的人群疏散方法、装置、系统及存储介质 |
CN111444786B (zh) * | 2020-03-12 | 2023-04-18 | 五邑大学 | 基于无人机群的人群疏散方法、装置、系统及存储介质 |
CN111639561A (zh) * | 2020-05-17 | 2020-09-08 | 西北工业大学 | 基于类别自适应聚类的无监督行人重识别方法 |
CN111723862A (zh) * | 2020-06-18 | 2020-09-29 | 广东电网有限责任公司清远供电局 | 开关柜状态评估方法和装置 |
CN113299068A (zh) * | 2021-05-28 | 2021-08-24 | 银江股份有限公司 | 一种融合社会力模型与粒子群算法的交通路网拥堵状态预测方法及系统 |
CN113536597A (zh) * | 2021-08-12 | 2021-10-22 | 浙江大学 | 一种通过数据驱动优化的基于速度的动态人群模拟方法 |
CN113536597B (zh) * | 2021-08-12 | 2024-02-20 | 浙江大学 | 一种通过数据驱动优化的基于速度的动态人群模拟方法 |
CN114263077A (zh) * | 2021-12-17 | 2022-04-01 | 无锡荷清数字建筑科技有限公司 | 一种3d打印模拟河流纹理铺地的建造方法 |
CN114263077B (zh) * | 2021-12-17 | 2023-01-24 | 无锡荷清数字建筑科技有限公司 | 一种3d打印模拟河流纹理铺地的建造方法 |
CN115474172A (zh) * | 2022-11-14 | 2022-12-13 | 成都大学 | 结合uwb采集的室内密集人流组群行人群体疏散方法 |
CN115474172B (zh) * | 2022-11-14 | 2023-01-24 | 成都大学 | 结合uwb采集的室内密集人流组群行人群体疏散方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107463751B (zh) | 2021-01-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107463751A (zh) | 一种基于折半dbscan聚类算法的人群分组疏散仿真方法及系统 | |
Song et al. | Crowd evacuation simulation for bioterrorism in micro-spatial environments based on virtual geographic environments | |
Li et al. | A grouping method based on grid density and relationship for crowd evacuation simulation | |
Alonso-Marroquín et al. | Simulation of counterflow pedestrian dynamics using spheropolygons | |
Radianti et al. | Crowd models for emergency evacuation: A review targeting human-centered sensing | |
Qingge et al. | Simulating crowd evacuation with a leader-follower model | |
Sarmady et al. | Modeling groups of pedestrians in least effort crowd movements using cellular automata | |
CN106650915B (zh) | 基于网格智能体的人群行为模拟方法 | |
Song et al. | A cellular automata evacuation model considering friction and repulsion | |
CN105550484A (zh) | 动态数据驱动的突发灾害下群体疏运行为建模仿真方法 | |
Dias et al. | Exploring pedestrian walking through angled corridors | |
CN107679306B (zh) | 视频驱动的人群疏散行为仿真方法及系统 | |
CN107423480A (zh) | 一种人群运动仿真方法及系统 | |
Zhao et al. | Panic propagation dynamics of high-density crowd based on information entropy and aw-rascle model | |
CN109104737A (zh) | 一种基于时变网络的集群对抗能力评估方法 | |
CN111400914A (zh) | 一种基于视域的人群分组及人群疏散仿真系统及方法 | |
Xie et al. | 3D indoor environments in pedestrian evacuation simulations | |
Baig et al. | Realistic modeling of agents in crowd simulations | |
CN114065614A (zh) | 基于麻雀搜索算法的体育馆人群疏散仿真方法、系统、电子设备和介质 | |
Hesham et al. | Observed Behavior in Simulated Close-range Pedestrian Dynamics | |
Cui et al. | A data driven approach to simulate pedestrian competitiveness using the social force model | |
Koumis et al. | A GPU implemented 3f cellular automata-based model for a 2D evacuation simulation pattern | |
Liu et al. | A modified social force model for sudden attack evacuation based on Yerkes–Dodson law and the tendency toward low risk areas | |
CN109977809A (zh) | 一种自适应人群分群检测方法 | |
Zheng et al. | Study of exit choice with fire based on cellular automaton |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |