CN107657345A - 一种基于马尔可夫状态跳变的行人行走行为预测方法 - Google Patents
一种基于马尔可夫状态跳变的行人行走行为预测方法 Download PDFInfo
- Publication number
- CN107657345A CN107657345A CN201710895401.1A CN201710895401A CN107657345A CN 107657345 A CN107657345 A CN 107657345A CN 201710895401 A CN201710895401 A CN 201710895401A CN 107657345 A CN107657345 A CN 107657345A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- msub
- mtd
- mrow
- state
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000008569 process Effects 0.000 claims abstract description 26
- 230000033001 locomotion Effects 0.000 claims abstract description 24
- 230000000007 visual effect Effects 0.000 claims abstract description 17
- 230000004888 barrier function Effects 0.000 claims abstract description 15
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000007246 mechanism Effects 0.000 claims description 11
- 230000008520 organization Effects 0.000 claims description 4
- 238000009826 distribution Methods 0.000 claims description 3
- 238000003475 lamination Methods 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000013461 design Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 238000011835 investigation Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 230000003542 behavioural effect Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
- G06Q50/265—Personal security, identity or safety
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Computer Security & Cryptography (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于马尔可夫状态跳变的行人行走行为预测方法，所述方法包括：S1：对密集状态下人群的移动特征进行调研，采集信息统计分析得到人群密度‑速度，密度‑流量关系；S2：根据行人在移动过程中视野条件、建筑物规模及信息获取等因素对人群运动行为的路径搜索和选择过程的影响，建立基于信息传递的方向选择模型；S3：根据关系图中人群移动速度的大小将其离散化，利用马尔可夫状态跳变的思想选取行人移动速度大小；S4：行人在遇到障碍物时会提前减速并与其保持一定的距离避免接触和碰撞。行人在此规则下的运动能够准确地预测密集人群的移动行为，为正确疏导人群提供参考，同时可以改善大型公共场所的空间结构设计，对提高人群疏散效率，保障生命安全具有重大意义。
Description
技术领域
本发明涉及城市行人交通安全领域，更具体地，涉及一种基于马尔可夫状态跳变的行人行走行为预测方法。
背景技术
近年来，随着经济与文化的发展，城市规模急剧膨胀，城市人口迅速增长，交通问题已经成为人们最为关注的一个问题之一。行人运动是道路交通中的一个重要组成部分，对交通流及交通管理有较大的影响，目前对道路交通中行人的研究越来越受到重视。人群聚集活动越来越多地出现在各种公共场所，当场所内人数增加、密度较高时，行人会相互交织、相互挤压，一个微小的扰动就会使人群进入不稳定的状态，如果不进行有效的控制和管理，很容易造成伤亡事故。此外，在这些人员密集的场所，一旦发生火灾、地震、危险源等紧急情况，如何将建筑物中的大量人员快速安全地疏散也是保证人员安全地重要手段。全世界每年都有数千人在聚集活动时发生的突发事件中丧生，因此针对于人群中行人行为的安全问题备受关注。
交通事故以及人群聚集的风险是由多种因素共同构成的，具体涉及到场所类型、空间结构、组织管理、人群类型、人群运动特征、安全措施等方面。其中，行人在场所中的行为特征是影响行人安全风险的重要因素。人在公共场所中的行为受到社会、道德、环境、习惯、身体状况、心理、教育、文化、性格等各种因素的影响，既具有某种规律性，也带有很大的不确定性。行人的心理和行为等虽然存在着个体差异，但是当行人数量增多，人群密度增大时，行人的行为也存在一些共性，并体现出群体特性。行人流是由相互作用的行人构成的多主体复杂系统，行人彼此之间具有较强的非线性相互作用，相对于交通车辆流，行人流的运动更为复杂。
综上可知，对行人流的研究工作已经成为一件极为紧迫和相当重要的事情。行人动力学是研究正常及紧急情况下，公共场所中行人运动特征及人群管理的科学，研究成果可以为设计和优化步行设施，提高空间的使用效率及开发计算机行人仿真软件提供依据，为大型人群聚集活动中的人群管理提供理论指导。此外，系统科学地分析密集人群的移动过程，获取行人的行为特性并对行人疏散过程进行科学有效的管理，是人群管理的最直接手段。正常和恐慌情况下人群的运动行为和规律对事故的发生和演变也起着重要的作用。因此，对密集人群行为进行更深入的研究，分析行人动力学特性，制定科学有效的策略，合理规划和设计建筑物内部结构具有非常重要的科学意义和实际价值。
迄今为止，国内外对行人交通研究的深度远远不及机动车交通，其调查和分析方法需要不断地改进和完善。传统的研究方法包括元胞自动机模型和社会力模型，元胞自动机模型对空间的静态处理和单个行人规则同质化，社会力模型的算法复杂度随着人数的增加呈现指数型增长，且不能反映出单个行人行为的随机性。因此，需要提供一种能够准确预测密集人群行为和移动规律的有效方法，同时考虑单个行人的行走过程的灵活性和复杂性，更为准确地反映人群在不同真实环境下的行走过程的实时预测。
发明内容
为了解决以上问题的至少之一，本发明提供了一种基于马尔可夫状态跳变的行人行走行为预测方法，该方法采用一种智能的启发式规则选取行人的移动方向，并利用马尔可夫状态跳变的规则选取速度大小，同时考虑到行人在移动过程中的实时物理环境使用一种提前减速机制避免发生碰撞，能够更为准确地预测人群的移动行为，为正确进行人群疏散提供参考，提高行人交通的行走效率，保障行人安全。
为达到上述目的，本发明采用下述技术方案：
一种基于马尔可夫状态跳变的行人行走行为预测方法，所述方法包括：
S1：对密集状态下单个行人的移动特征和人群的移动特征进行调研，并采集密集人群的移动速度、密度和流量信息，统计分析所述信息得到人群密度-速度，密度-流量关系图；
S2：根据行人在移动过程中视野条件、建筑物规模及信息获取等因素对人群运动行为的路径搜索和选择过程的影响，建立基于信息传递的方向选择模型；
S3：根据关系图中人群移动速度的大小将其离散化，将单个行人的步伐状态Si分为S1、S2、S3、S4，行人会根据当前状态和状态转移矩阵决定下一个时刻的状态，其基本思想是行人将来的动作仅与其最近的行为有关；
S4：行人在遇到障碍物时会提前减速并与其保持一定的距离避免接触和碰撞。
优选地，所述单个行人的移动特征中包括移动速度、移动方向、人均占地面积、视野范围和年龄分布
优选的，所述人群移动特征包括人群平均移动速度、人群密度和人群在移动过程中呈现出的自组织现象，包括双向行人流的分层现象、瓶颈处拱形现象、交叉行人流的条纹现象。
优选地，步骤S1中所述移动速度、密度和流量信息包括人群密度-速度关系和人群密度-流量关系。
优选的，所述S2包括以下步骤：
S21：行人根据视野范围内的其他物体和环境情况做出反应，视野范围外的信息对行人行为的影响非常小。行人会根据当前的环境做出合理的决策以避开其他行人和障碍物并以最大的速度到达目的地，基于这一特征，使用一种简单的三角函数对行人的移动方向进行预测：
其中，α0代表行人当前行走方向与目的地方向的夹角，α代表行人将要行走的方向与目标点之间的夹角，D表示行人与目的地之间的距离，利用三角形函数公式可以得到行人在每个球与可以自由行走的最远长度偏离目标点的距离di(α)。三角函数充分体现了行人在移动过程中的智能型，称此三角函数为行人在移动过程中移动方向选择的一种启发式规则；
S22：根据调研观察现象，有两种特殊情况，行人将不会按照上面的启发式方法选择方向。当目标点不在行人视野范围的角度之内，丢失目标点，此时行人希望避开逆行的人流，跟随同方向的人流前进；
S23：根据调研观察现象，如果行人与其他行人或者障碍物存在身体接触碰撞，那么行人会在朝向目标点移动的同时原理障碍物以避免碰撞。
优选的，所述S3包括以下步骤：
S31：根据行人的移动速度大小将行人的步伐Si离散为四种状态S1、S2、S3、S4，行人会根据当前状态和状态转移矩阵决定下一个时刻的状态；
其中，P为行人在移动过程中使用的状态转移矩阵，Pij代表不同状态之间的转换概率；
S32：每一个状态对应一个速度区间，如果行人当前状态与上一状态相同则延续上一状态的速度大小值，如果状态发生了改变，行人会在确定状态后会在对应区间速度范围内结合截断高斯函数随机选取一个速度大小值。
其中，η为补偿系数，σ为标准差，vavg代表每个状态区间的速度均值；
优选的，所述步骤S4中，行人在遇到障碍物时会提前减速并与其保持一定的距离避免接触和碰撞。
v＝min(vi，d/t)
其中，v为行人将要行走的速度大小，vi代表通过步骤3选取出的最大速度，d代表当前方向可行走的，t代表每一步所用时间。
在此规则下，行人行走路径的步骤为：行人首先会根据视野内实时环境选取初始移动方向，以及选取初始状态和初始速度大小值，在此规则下行人开始运动；行人每隔一个步伐时间Δt状态都会根据视野内环境调整自身的移动方向，并根据状态转移矩阵选取速度大小值，使用提前减速机制避免发生碰撞，再次规则下行人继续运动；行人到达目标点，停止运动，若未达到目标点，重复上述步骤直至到达目标点停止运动。
本发明的有益效果如下：
本发明公开的一种密集人群下行人行走行为的预测方法，在大量调研统计信息和对人群动态特征行为研究的基础上，建立基于马尔可夫状态跳变的人群行走行为预测模型，考虑到行人的路径选择收到视野因素等影响，引入从众效应和信息传递等机制，并充分考虑到单个行人行走的随机性和复杂性，能够更为准确地预测密集人群的移动行为，为正确疏导人群提供参考，同时可以改善大型公共场所的空间结构设计，对提高人群疏散效率，保障生命安全具有重大意义。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1示出了本发明所述的一种基于马尔可夫状态跳变的行人行走行为预测方法流程示意图。
图2示出了密集人群密度-速度关系基本曲线。
图3示出了密集人群密度-流量关系基本曲线。
图4示出了行人移动方向选择的启发式规则示意图。
图5示出了行人在移动过程中发生身体碰撞后方向选择示意图。
图6示出了行人移动过程中的状态选择示意图。
图7示出了人群的移动过程示意图。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
如图1所示，本发明公开了一种基于马尔可夫状态跳变的行人行走行为的预测方法，所述方法包括：
S1：对密集状态下单个行人的移动特征和人群的移动特征进行调研，并采集密集人群的移动速度、密度和流量信息，统计分析所述信息得到人群密度-速度，密度-流量关系图，如图2和图3所示，图2示出了密集人群密度-速度关系基本曲线，图3示出了密集人群密度-流量关系基本曲线。
对不同地点的密集人群动态特征进行调研，所述信息包括行走速度、移动方向、相邻行人之间的信息交流、人均占地面积、是否携带行李和年龄分布等，所述信息可以通过现场采集数据或者监控设备获取。之后根据采集的所述信息绘制人群密度-速度与密度-流量关系的散点图，并将采集的所述信息经过分析、过滤、提取、转换、分类存储，形成实验所需的数据信息。所述人群移动特征包括行人在移动过程中的人均占地面积、视野范围长度和视野范围角度，以及人群在移动过程中呈现出的自组织现象，包括双向行人流的分层现象、瓶颈处拱形现象，交叉行人流的条纹现象等。
S2：根据人群的移动特征以及关系图，考虑到行人在移动过程中视野条件、建筑物规模及信息获取等因素对人群运动行为的路径搜索和选择过程的影响，建立考虑基于信息传递的方向选择模型，包括以下步骤：
S21：在密集人群状态下，行人在移动过程中会根据周围动态的环境选择目的地和最优路径，并且能够绕行障碍物最终达到自由运动的状态，进而避免与其他行人或者障碍物发生碰撞。图4说明了启发式规则中行人的运动机理，假设行人i和行人j的形状为圆形，平均占地半径为r，行人i的基准线为H，视野范围Ф＝[-θ，θ]。
假定，行人i沿着α方向运动，并与τ秒后与行人j恰好接触。虚线的圆表示了行人i和j在此时刻的位置。那么，f(α)代表行人沿此方向可以自由行走，并且不与其他行人或者障碍物相接触碰撞的最远距离。d(α)代表行人沿此方向自由移动的最远位置与目的地之间的距离。将行人视野范围[-θ，θ]离散为N个相同角度的小区域，判断每个区域可以走行的最远距离偏离目标点的长度，并选取偏离距离最小的方向作为行人i的最优运动方向。
S22：根据调研观察现象，有两种特殊情况，行人将不会按照上面的启发式方法选择方向：
当目标点不在行人视野范围的角度之内，丢失目标点，此时行人希望避开逆行的人流，跟随同方向的人流前进。假如单个行人逆着人流行走，他会受到来自各个方向上的阻抗和冲突，难以前进。因此，多数行人都有这样的心理，希望能够避开逆行的人流，跟随同方向的人流向前移动。尤其是在不明确目标时或者与其他行人有相同目标位置时会选择跟随其他行人前进，也就是从众心理。行人在移动过程中产生的从众行为存在三种特殊情况：
(1)团体效应：这一现象通常在有组织的人群或熟悉的人中出现，这类行人中往往有熟悉场景的引导者，了解运动路线，有明确的路径规划，其他行人跟随该引导者运动；
(2)无信息交流的从众效应：这一现象是假设行人与周围行人无信息交互，只根据周围行人的状态进行评估，选择最优路径。一般情况下，行人下一步会向左行走，即跟随人数多的方向；
(3)有信息交流的从众效应：这一现象是指行人与周边行人进行有效沟通，获取信息，根据信息选择路径，在这种情况下，当信息中包含明确指引时，所有行人会共享目标点，并且路径选择是趋于一致。
S23：行人不按照启发式规则选择移动方向的另一种特殊情况是如果行人与其他行人或者障碍物存在身体接触碰撞，那么行人会沿着两个行人中心反向延长线与行人与目标点连接线的角平分线进行运动，如图5所示。
α1＝α2
S3：根据关系图中行人移动速度的大小，将行人的步伐状态Si分为S1、S2、S3、S4，行人会根据当前状态和状态转移矩阵决定下一个时刻的状态，其基本思想是行人将来的动作仅与其最近的行为有关。包括以下步骤：
S31：将行人的步伐状态Si分为S1、S2、S3、S4，行人会根据当前状态和状态转移矩阵决定下一个时刻的状态行人在行走时，其状态的改变可以用图1来表示。箭头表示可以从一个状态直接转变为箭头连接的另一个状态，没有箭头连接的两个状态不能直接转换，而要经过中间状态才能完成转换。例如S1不能直接转换为S4，而需要通过S2或者S3间接转换。
其中，P为状态转移矩阵，Pij代表不同状态之间的转换概率。
S32：每一个状态对应一个速度区间，如果行人当前状态与上一状态相同则延续上一状态的速度大小值，如果状态发生了改变，行人会在确定状态后会在对应区间内速度范围并结合截断高斯函数随机的选取一个速度大小值。
其中，η为补偿系数，为标准差，vavg代表每个状态区间的速度均值；
S4：行人在遇到障碍物时会提前减速并与其保持一定的距离避免接触和碰撞。
V＝min(vi，d/t)
其中，vi代表通过步骤3选取出的最大速度，d代表当前方向可行走的，t代表每一步所用时间。
密集人群的行走行为如图7所示。在此规则下，行人行走路径的步骤为：
(1)行人首先会根据视野内实时环境选取初始移动方向，以及选取初始状态和初始速度大小值，在此规则下行人开始运动；
(2)行人每隔一个步伐时间Δt状态都会根据视野内环境调整自身的移动方向，并根据状态转移矩阵选取速度大小值，使用提前减速机制避免发生碰撞，再次规则下行人继续运动；
(3)行人到达目标点，停止运动，若未达到目标点，重复(2)步骤直至到达目标点停止运动。
下面通过一个优选实施例对本发明作进一步的说明，采用本发明公开了一种基于马尔可夫状态跳变的行人行走行为预测方法建立密集人群运动行为的预测模型，所述方法包括：
S1：对北京地铁玄武门站换乘通道和候车大厅的乘客移动特征进行调研，并采集密集人群的移动速度、密度和流量信息，统计分析所述信息得到人群密度-速度，密度-流量关系图，如图2和图3所示
S2：根据人群的移动特征以及关系图，考虑到行人在移动过程中视野条件、建筑物规模及信息获取等因素对人群运动行为的路径搜索和选择过程的影响，建立考虑基于信息传递的方向选择模型，包括以下步骤：
S21：行人在移动过程中会根据周围动态的环境选择目的地和最优路径，并且能够绕行障碍物最终达到自由运动的状态，进而避免与其他行人或者障碍物发生碰撞，根据这一规则，建立一种启发式方法对行人行走的方向选择模型。图4说明了启发式规则中行人的运动机理，假设行人i和行人j的形状为圆形，平均占地半径为r为0.25米，行人i的视野基准线为H，视野范围Ф＝[-180，180]。将行人视野范围离散为9个角度为30度的相同区域，行人的视野有效视野长度为5米，视野范围外的环境对行人当前行为影响较小可忽略不计；
S22：根据实地调研观察现象发现，有两种特殊情况，行人将不会按照上面的启发式方法选择方向：
当目标点不在行人视野范围之内，丢失目标点，此时行人会希望避开逆行的人流，跟随同方向的人流前进。假如单个行人逆着人流行走，他会受到来自各个方向上的阻抗和冲突，难以前进。因此，多数行人都有这样的心理，希望能够避开逆行的人流，跟随同方向的人流向前移动。尤其是在不明确目标时或者与其他行人有相同目标位置时会选择跟随其他行人前进，也就是从众心理。行人在移动过程中产生的从众行为存在三种特殊情况：团体效应、无信息交流的从众效应和有信息交流的从众效应。
S23：如果行人与其他行人或者障碍物存在身体接触碰撞，那么行人会沿着两个行人中心反向延长线与行人与目标点连接线的角平分线进行运动，如图6所示。
α1＝α2
S3：根据关系图中行人移动速度的大小，将行人的步伐状态Si分为S1、S2、S3、S4，行人会根据当前状态和状态转移矩阵决定下一个时刻的状态，其基本思想是行人将来的动作仅与其最近的行为有关。包括以下步骤：
S31：将行人的步伐状态Si分为S1、S2、S3、S4，行人会根据当前状态和状态转移矩阵决定下一个时刻的状态行人在行走时，其状态的改变可以用图1来表示。箭头表示可以从一个状态直接转变为箭头连接的另一个状态，没有箭头连接的两个状态不能直接转换，而要经过中间状态才能完成转换。例如S1不能直接转换为S2，而需要经S3或者S4间接转换。通过对实地调研现象和统计数据，单个状态转移矩阵无法很好地描述人群运动，因此，在本发明中使用三个不同的状态转移矩阵提高模型精度。行人在移动过程中会根据当前所在位置人群密度选择使用哪一个状态转移矩阵。当所处人群密度小于1人/平方米时使用P1，当大于1人/平方米并且小于3.5人/平方米时使用P2，当人群密度大于3.5人/平方米时使用P3作为状态选择的依据。其中人群密度为行人视野内的人数与视野面积的商。
S32：每一个状态对应一个速度区间，状态S1对应速度区间为[0，0.1]，S2对应速度区间为[0.1，0.6]，S3对应速度区间为[0.6，1.2]，S4对应速度区间为[1.2，1.8]，单位为米/秒。如果行人当前状态与上一状态相同则延续上一状态的速度大小值，如果状态发生了改变，行人会在确定状态后会在对应区间内速度范围并结合截断高斯函数随机的选取一个速度大小值。
其中，η为补偿系数，为标准差取值1，vavg代表每个状态区间的速度均值；
S4：行人在遇到障碍物时会提前减速并与其保持一定的距离避免接触和碰撞。
V＝min(vi，d/t)
其中，vi代表通过步骤3选取出的最大速度，d代表当前方向可行走的，t代表每一步所用时间。
在此规则下，行人行走路径的步骤为：
(1)行人首先会根据视野内实时环境选取当前移动方向，以及选取初始状态S和初始速度大小值v0，在此规则下行人开始运动；
(2)行人每隔一个步伐时间Δt＝0.5s状态都会随机调整自身的移动方向，并根据状态转移矩阵发生一次转变进而选取速度大小值，使用提前减速机制避免发生碰撞，行人继续运动；
(3)行人到达目标点，停止运动，若未达到目标点，重复(2)步骤直至到达目标点停止运动。
本发明公开的一种基于马尔可夫状态跳变的人群行走行为预测方法建立密集人群运动特性的预测模型对行人行为和运动轨迹进行求解，考虑到行人的路径选择收到视野因素的影响，引入从众效应和信息传递等机制，并充分考虑到行走的随机性和复杂性，能够更为准确地预测密集人群的移动行为，为正确疏导人群提供参考，同时可以改善大型公共场所的结构设计，提高人群疏散效率，保障生命安全。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。
Claims (7)
1.一种基于马尔可夫状态跳变的行人行走行为预测方法，其特征在于，所述方法包括：
S1：对密集状态下单个行人的移动特征和人群的移动特征进行调研，并采集人群的移动速度、密度和流量信息；
S2：根据行人在移动过程中视野条件、建筑物规模及信息获取因素对人群运动行为的路径搜索和选择过程的影响，建立基于信息传递的方向选择模型；
S3：根据关系图中人群移动速度的大小将其离散化，将单个行人的步伐状态Si分为S1、S2、S3、S4，行人会根据当前状态和状态转移矩阵决定下一个时刻的状态，建立行人在移动过程中的速度选择模型；
S4：行人在遇到障碍物时会提前减速并与其保持一定的距离避免接触和碰撞，使用一种提前减速机制，行人在此规则下的运动能够准确地预测密集人群的移动行为。
2.根据权利要求1所述的预测方法，其特征在于，步骤S1中所述单个行人的移动特征包括移动速度、移动方向、人均占地面积、视野范围和年龄分布。
3.根据权利要求1所述的预测方法，其特征在于，步骤S1中所述人群的移动特征包括人群平均移动速度、人群密度和人群在移动过程中呈现出的自组织现象，包括双向行人流的分层现象、瓶颈处拱形现象、交叉行人流的条纹现象。
4.根据权利要求1所述的预测方法，其特征在于，步骤S1中所述移动速度、密度和流量信息包括人群密度-速度关系和人群密度-流量关系。
5.根据权利要求1所述的预测方法，其特征在于，步骤S2中所述基于信息传递的方向选择模型为：
<mrow>
<msubsup>
<mi>d</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>&alpha;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msup>
<mi>D</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<msubsup>
<mi>f</mi>
<mi>i</mi>
<mn>2</mn>
</msubsup>
<mrow>
<mo>(</mo>
<mi>&alpha;</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mn>2</mn>
<mi>D</mi>
<mo>&CenterDot;</mo>
<msub>
<mi>f</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&alpha;</mi>
<mo>)</mo>
</mrow>
<mo>&CenterDot;</mo>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<mi>&alpha;</mi>
<mo>-</mo>
<msub>
<mi>&alpha;</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中，α0代表行人当前行走方向与目的地方向的夹角，α代表行人将要行走的方向与目标点之间的夹角，D表示行人与目的地之间的距离，di(α)行走的最远长度偏离目标点的距离；
有两种特殊情况，行人将不会按照上述方法选择方向：当目标点不在行人视野范围的角度之内，或当行人与其他行人或者障碍物存在身体接触碰撞时。
6.根据权利要求1所述的预测方法，其特征在于，步骤S3具体包括以下步骤：
S31：根据行人的移动速度大小将行人的步伐Si离散为四种状态S1、S2、S3、S4，行人会根据当前状态和状态转移矩阵决定下一个时刻的状态：
<mrow>
<mi>P</mi>
<mo>=</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>P</mi>
<mn>11</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>P</mi>
<mn>12</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>P</mi>
<mn>13</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>P</mi>
<mn>14</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>P</mi>
<mn>21</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>P</mi>
<mn>22</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>P</mi>
<mn>23</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>P</mi>
<mn>24</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>P</mi>
<mn>31</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>P</mi>
<mn>32</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>P</mi>
<mn>33</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>P</mi>
<mn>34</mn>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>P</mi>
<mn>41</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>P</mi>
<mn>42</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>P</mi>
<mn>43</mn>
</msub>
</mtd>
<mtd>
<msub>
<mi>P</mi>
<mn>44</mn>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中，P为行人在移动过程中使用的状态转移矩阵，Pij代表不同状态之间的转换概率；
S32：每一个状态对应一个速度区间，如果行人当前状态与上一状态相同则延续上一状态的速度大小值；如果状态发生了改变，行人在确定状态后会在对应区间速度范围内结合截断高斯函数随机选取一个速度大小值：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>&eta;</mi>
<mo>&CenterDot;</mo>
<mfrac>
<mn>1</mn>
<mrow>
<msqrt>
<mrow>
<mn>2</mn>
<mi>&pi;</mi>
</mrow>
</msqrt>
<mo>&CenterDot;</mo>
<mi>&sigma;</mi>
</mrow>
</mfrac>
<mo>&CenterDot;</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>v</mi>
<mo>-</mo>
<msub>
<mi>v</mi>
<mrow>
<mi>a</mi>
<mi>v</mi>
<mi>g</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mrow>
<mn>2</mn>
<mo>&CenterDot;</mo>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
</mrow>
</msup>
</mrow>
其中，η为补偿系数，σ为标准差，vavg代表每个状态区间的速度均值。
7.根据权利要求1所述的预测方法，其特征在于，步骤S4中所述提前减速机制具体为：
v＝min(vi，d/t)
其中，v为行人将要行走的速度大小，vi代表通过步骤3选取出的最大速度，d代表当前方向可行走的，t代表每一步所用时间；
在此规则下，行人行走路径的步骤为：行人首先会根据视野内实时环境选取初始移动方向，以及选取初始状态和初始速度大小值，在此规则下行人开始运动；行人每隔一个步伐时间Δt状态都会根据视野内环境调整自身的移动方向，并根据状态转移矩阵选取速度大小值，使用提前减速机制避免发生碰撞，再次规则下行人继续运动；行人到达目标点，停止运动，若未达到目标点，重复上述步骤直至到达目标点停止运动。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710895401.1A CN107657345B (zh) | 2017-09-28 | 2017-09-28 | 一种基于马尔可夫状态跳变的行人行走行为预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710895401.1A CN107657345B (zh) | 2017-09-28 | 2017-09-28 | 一种基于马尔可夫状态跳变的行人行走行为预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107657345A true CN107657345A (zh) | 2018-02-02 |
| CN107657345B CN107657345B (zh) | 2020-11-03 |
Family
ID=61116270
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710895401.1A Active CN107657345B (zh) | 2017-09-28 | 2017-09-28 | 一种基于马尔可夫状态跳变的行人行走行为预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107657345B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109447337A (zh) * | 2018-10-23 | 2019-03-08 | 重庆扬升信息技术有限公司 | 一种智慧云会议数据共享交换平台路径优化方法 |
| CN109615140A (zh) * | 2018-12-14 | 2019-04-12 | 中国科学技术大学 | 一种预测行人运动的方法及装置 |
| CN110633819A (zh) * | 2018-06-22 | 2019-12-31 | 北京京东尚科信息技术有限公司 | 人群疏散引导方法、装置、介质及电子设备 |
| CN110827316A (zh) * | 2019-10-29 | 2020-02-21 | 贵州民族大学 | 人群恐慌四散检测方法、系统、可读存储介质和电子设备 |
| CN113177535A (zh) * | 2021-05-28 | 2021-07-27 | 视伴科技(北京)有限公司 | 一种在赛事活动中模拟人群队列形态的方法及装置 |
| US20220282980A1 (en) * | 2021-03-03 | 2022-09-08 | International Business Machines Corporation | Pedestrian route guidance that provides a space buffer |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005050117A (ja) * | 2003-07-28 | 2005-02-24 | Univ Waseda | 歩行者シミュレーションシステム |
| CN103093283A (zh) * | 2013-01-12 | 2013-05-08 | 天津市市政工程设计研究院 | 行人引导标志设置优化方法 |
| JP6143077B2 (ja) * | 2013-05-09 | 2017-06-07 | 清水建設株式会社 | 避難行動予測システム及び避難行動予測プログラム |
-
2017
- 2017-09-28 CN CN201710895401.1A patent/CN107657345B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005050117A (ja) * | 2003-07-28 | 2005-02-24 | Univ Waseda | 歩行者シミュレーションシステム |
| CN103093283A (zh) * | 2013-01-12 | 2013-05-08 | 天津市市政工程设计研究院 | 行人引导标志设置优化方法 |
| JP6143077B2 (ja) * | 2013-05-09 | 2017-06-07 | 清水建設株式会社 | 避難行動予測システム及び避難行動予測プログラム |
Non-Patent Citations (2)
| Title |
|---|
| C.F. WAKIM ET AL.: "A Markovian model of pedestrian behavior", 《2004 IEEE INTERNATIONAL CONFERENCE ON SYSTEMS, MAN AND CYBERNETICS》 * |
| LOUIS KRATZ ET AL.: "Going with the Flow: Pedestrian Efficiency in Crowded Scenes", 《EUROPEAN CONFERENCE ON COMPUTER VISION》 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110633819A (zh) * | 2018-06-22 | 2019-12-31 | 北京京东尚科信息技术有限公司 | 人群疏散引导方法、装置、介质及电子设备 |
| CN110633819B (zh) * | 2018-06-22 | 2024-03-05 | 北京京东尚科信息技术有限公司 | 人群疏散引导方法、装置、介质及电子设备 |
| CN109447337A (zh) * | 2018-10-23 | 2019-03-08 | 重庆扬升信息技术有限公司 | 一种智慧云会议数据共享交换平台路径优化方法 |
| CN109447337B (zh) * | 2018-10-23 | 2022-04-15 | 重庆扬升信息技术有限公司 | 一种智慧云会议数据共享交换平台路径优化方法 |
| CN109615140A (zh) * | 2018-12-14 | 2019-04-12 | 中国科学技术大学 | 一种预测行人运动的方法及装置 |
| CN109615140B (zh) * | 2018-12-14 | 2024-01-09 | 中国科学技术大学 | 一种预测行人运动的方法及装置 |
| CN110827316A (zh) * | 2019-10-29 | 2020-02-21 | 贵州民族大学 | 人群恐慌四散检测方法、系统、可读存储介质和电子设备 |
| US20220282980A1 (en) * | 2021-03-03 | 2022-09-08 | International Business Machines Corporation | Pedestrian route guidance that provides a space buffer |
| CN113177535A (zh) * | 2021-05-28 | 2021-07-27 | 视伴科技(北京)有限公司 | 一种在赛事活动中模拟人群队列形态的方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107657345B (zh) | 2020-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107657345A (zh) | 一种基于马尔可夫状态跳变的行人行走行为预测方法 | |
| CN103823466B (zh) | 一种动态环境下移动机器人路径规划方法 | |
| CN108564234B (zh) | 一种智能网联汽车的交叉口无信号自组织通行控制方法 | |
| CN103106302B (zh) | 一种基于地理元胞自动机的行人流仿真方法 | |
| CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
| Li et al. | A modified social force model for high-density through bicycle flow at mixed-traffic intersections | |
| CN104121903B (zh) | 一种基于边界值问题的滚动航路规划方法 | |
| CN108710719A (zh) | 基于冲突区侵占度的交叉口内部冲突消解仿真模拟方法 | |
| CN106023344A (zh) | 基于驾驶模式转换概率的驾驶风格估计方法 | |
| Eisele et al. | Estimating the safety and operational impact of raised medians and driveway density: experiences from Texas and Oklahoma case studies | |
| CN107168342A (zh) | 一种用于机器人路径规划的行人轨迹预测方法 | |
| CN110182217A (zh) | 一种面向复杂超车场景的行驶任务复杂度量化评估方法 | |
| CN105083333A (zh) | 一种地铁交通流优化控制方法 | |
| Xu et al. | Group vehicle trajectory prediction with global spatio-temporal graph | |
| CN106781464A (zh) | 一种道路拥堵情况测试方法 | |
| CN109658694A (zh) | 一种卷积神经网络高危车辆交通流预测方法和系统 | |
| CN106530691A (zh) | 一种考虑车辆占有空间的混合车型多车道元胞自动机模型 | |
| Yang et al. | Modeling and evaluation of speed guidance strategy in VII system | |
| CN113393488A (zh) | 一种基于量子游走的行为轨迹序列多特征模拟方法 | |
| Pan et al. | Research on the behavior decision of connected and autonomous vehicle at the unsignalized intersection | |
| CN105083334A (zh) | 地铁列车冲突预警方法 | |
| Hua et al. | Modeling and simulation of approaching behaviors to signalized intersections based on risk quantification | |
| CN105083335A (zh) | 地铁交通流优化控制方法 | |
| CN105083322A (zh) | 一种地铁列车冲突预警方法 | |
| Xu et al. | PV-TSC: Learning to control traffic signals for pedestrian and vehicle traffic in 6G era |
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 |