CN107665282A - 基于异构情绪感染模型的人群疏散仿真方法及系统 - Google Patents

Abstract

本发明公开了基于异构情绪感染模型的人群疏散仿真方法及系统，首先，设计了一种基于Durupinar模型的异构情绪感染计算方法，在该方法中，提出了一种基于分组的情绪感染计算方法，考虑个体间距离和关系两个因素对分组的影响，并利用人群分组算法对人群进行分组，研究分组对情绪感染计算的影响；在此基础上，提出基于特征的恐慌程度计算方法，根据个性、性别、年龄的特征差异将个体特殊化，并利用上述特征进行情绪恐慌程度计算。其次，将上述异构情绪感染模型与人群运动耦合，结合相对速度障碍法，利用情绪驱动人群运动。最后，使用真实感渲染的方法模拟人群疏散效果。本发明能较真实直观的观察人群运动中的情绪感染现象。

Description

基于异构情绪感染模型的人群疏散仿真方法及系统

技术领域

本发明涉及一种人群疏散仿真方法，尤其涉及基于异构情绪感染模型的人群疏散仿真方法及系统。

背景技术

运用人群运动仿真研究人群在突发情况下人群的运动特征与规律，能够帮助设计者对建筑物或者公共场所的人流疏散通道进行综合分析与评价，辅助建立紧急情况下人员的疏散方案，以及合理的建筑布局，以减少群体事件中拥挤、踩踏等不良事件的发生，有利于紧急情况下的人群疏散工作。在人群疏散过程中，个体往往会聚集成小的分组，而分组内部也存在个体差异，但现有的情绪感染模型大多没有考虑分组和个体差异对情绪的影响，个体之间的感染是同构的，即个体之间的感染速度相同，无法逼真地模拟人群运动过程。

发明内容

本发明的目的就是为了解决上述问题，提出了一种基于异构情绪感染模型的人群疏散仿真方法。该方法通过对情绪感染现象的仿真，实现了情绪感染下的人群运动，能够更好地反映现实情况下个体情绪的异构性，更真实地模拟人群运动过程，为解决公共安全问题提供了新的解决思路。

为了实现上述目的，本发明采用如下技术方案：

基于异构情绪感染模型的人群疏散仿真方法，包括以下步骤：

步骤(1)：输入人群信息、情绪信息和场景信息，分别对人群信息、情绪信息、场景信息初始化；

步骤(2)：基于Durupinar模型计算异构情绪感染程度；

步骤(3)：将步骤(2)得到的结果与相对速度障碍法RVO相耦合；

步骤(4)：结合真实感渲染平台对人群运动仿真结果进行真实感渲染。

所述步骤(2)采用社会比较理论的相似性计算方法，将个体之间的特征进行比较，并计算两者之间的相似度。利用一组有序的特征模拟每个个体，并对所有特征值加权线性求和来度量个体i，j之间的相似性s(i,j)，个体之间的相似性越高，越容易聚集在一起。

考虑个体的两个特征：距离和关系。其中，个体之间的距离越近，越容易聚在一起，而对于关系亲密性高的个体，必然会比无关系或亲密性低的个体更容易聚在一起。

在基于分组的情绪感染计算的基础上，进行基于特征的情绪恐慌程度计算。

在现实生活中，性别会影响个体情绪感染的强度，女性相对于男性更容易受到情绪感染；情绪感染的个体差异也与个性因素有关，有些人在人群中易被主流情绪影响，而有些人不易被影响；个体年龄越大，生活阅历越丰富，人们能够更好地调节情绪反应，更多地关注积极情绪，因此较少受到负面刺激的影响。因此，在人群恐慌情绪传染过程中，考虑个性、性别、年龄三个特征的影响。

所述人群信息，包括：人群的位置；所述情绪信息，包括：人群的情绪状态；所述场景信息，包括：场景的障碍物位置。

场景信息的初始化是输入障碍物信息并画出场景的Roadmap图。所述Roadmap图表示场景语义信息，通过Roadmap图将无障碍区域表示成图结构Graph，图结构Graph表示的是绕过障碍物的拓扑图；Roadmap图的顶点是场景内的随机点，Roadmap图的边是连接顶点的边，将任意两个顶点连接，同时在连接时要保证两个顶点之间的连线不经过任何障碍物；

人群信息的初始化是综合考虑场景的障碍物信息，把个体随机初始化在场景范围内并避开所有的障碍物；

情绪信息的初始化则是依据个体初始化情绪值，把所有个体按情绪状态分为已感染情绪个体和未感染情绪个体。

步骤(2)中，将个体划分为两种类型：S表示易感染情绪状态，I表示已感染情绪状态。将S状态个体的情绪值e设定为0，I状态个体的情绪值e设定在(0，1]之间。定义个体i的感知半径R，以个体i为圆心，以半径R画圆，圆形区域为个体i的感知范围，在感知范围内的其他个体为个体i的邻居。在S状态个体的感知范围内，当处于S状态个体与I状态个体相接触时，S状态个体将接收来自I状态个体的恐慌情绪，一旦S状态个体的情绪值e超过个体情绪值设定阈值，则S状态个体将会变为I状态个体，按照个性、性别、年龄特征计算感染情绪个体的情绪值e，所述感染情绪个体的情绪值e用于对人群运动速度的计算，并根据情绪值e对个体的情绪恐慌程度进行划分。

对于每个个体定义{e,d,D,T}四个变量，其中e是个体的情绪值，其取值范围为e∈[0,1]；d是个体的恐慌量；D是个体的恐慌累积量，通过d的累加获得；T是个体的恐慌阈值。

所述步骤(2)，包括：基于分组的情绪感染计算个体与个体之间的情绪影响因子和基于特征的情绪恐慌程度计算个体的情绪恐慌程度两个步骤。

所述步骤(2)中基于分组的情绪感染计算个体与个体之间的情绪影响因子，步骤如下：

步骤(201)：从人群中选取前k个个体，作为k个簇的各自的中心；

步骤(202)：利用个体之间相似度计算公式计算剩余个体到k个簇心的相似度，将剩余个体划分到相似度最大的簇中；

步骤(203)：根据聚类结果，重新计算k个簇各自的虚拟中心O_v，

步骤(204)：计算簇内所有元素P_i到虚拟簇心O_v的相似度s(O_v，P_i)，其中，P_i∈cluster_m,1≤m≤k，m表示群组序号。选取与虚拟簇心相似度最大的元素P_i，将最大的元素P_i作为新的簇心。

步骤(205)：重复步骤(202)、步骤(203)和步骤(204)，直到k个簇心不再发生改变；

步骤(206)：人群划分为k个群组，个体i的所在分组为g(i)，其中，g(i)∈G，G＝{g(1),g(2),g(3)...g(k)}，G表示分组的集合。对于任意个体i，j，计算个体i，j两者之间的情绪影响因子w_e(i,j)，组内与组间个体的情绪影响因子不同。

所述步骤(202)中：

个体i，j之间的相似度s(i,j)计算公式如下：

其中，w_d表示距离相似性特征的权重，w_r表示关系相似性特征的权重；1/dis(i,j)表示个体i，j之间的距离特征值，个体i，j之间的距离dis(i,j)利用欧氏距离计算，rel(i,j)表示个体i，j之间的关系特征值，rel(i,j)＝U[0,1]，rel(i,j)均匀分布随机生成，rel(i,j)数值越大代表个体之间的关系越亲密。

所述步骤(203)的计算方法是对于每个簇，根据公式(2)(3)(4)，来产生一个虚拟簇心O_v，并将虚拟簇心O_v更新为簇心。

其中，1≤j≤agentnum，agentnum表示所有个体的总数，num表示该簇的个体数量。agent[i].pos_dx表示个体i的横坐标，agent[i].pos_dy表示个体i的纵坐标，agent[i].rel[j]表示个体i与个体j之间的关系值。

所述步骤(206)：个体i，j两者之间的情绪影响因子w_e(i,j)的计算公式：

所述步骤(2)在基于特征的情绪恐慌程度计算个体的情绪恐慌程度之前的步骤：

利用OCEAN个性模型，根据个性值N的大小，将人群个体划分为三类：敏感型、稳定型和冷静型；

定义个性感知因子P_N，个性感知因子P_N在(0，1)之间均匀随机产生，通过定义per₁，per₂的值来调整人群中不同个性的比例；

不同个性的人产生的恐慌程度是不同的，因此，定义个性恐慌因子f_p，表示个性对个体情绪恐慌程度的影响。

利用正态分布函数生成f_p，f_p∈(0,1)，μ_p和表示p的期望和方差；μ_p和σ_p的取值受个性感知因子P_N影响，如表1所示：

表1 个性恐慌因子划分

PN的值	个性分类	个性特质	μp的值	σp的值
					[0,per1]	敏感型	冲动、不安	0.9	0.2
(per1,per2]	稳定型	随和、较冷静	0.55	0.2
					(per2,1.0]	冷静型	冷静，保守	0.25	0.2

定义性别感知因子gen，性别感知因子gen在(0，1)之间均匀随机产生，通过定义gen₁的值来调整人群中的性别比例；

由于性别的差异，不同性别的人产生的恐慌有所不同，定义性别恐慌因子f_g，表示性别对个体情绪恐慌程度的影响。

利用正态分布函数生成f_g，f_g∈(0,1)，μ_g和表示g的期望和方差；μ_g和σ_g的取值受gen影响，如表2所示：

表2 性别恐慌因子划分

gen的值	性别	μg的值	σg的值
				[0,gen1]	男	0	0.5
(gen1,1.0]	女	1.4	0.5

定义年龄感知因子age，年龄感知因子age在(0，1)之间均匀随机产生，通过设定age₁，age₂的值来调整人群中的年龄比例；

不同年龄阶段的人产生的恐慌是有所不同的，定义年龄恐慌因子f_a表示年龄对个体情绪恐慌程度的影响；

利用正态分布函数生成f_a，f_a∈(0,1)，μ_a和表示a的期望和方差，μ_a和σ_a的取值受age影响，如表3所示：

表3 年龄恐慌因子划分

步骤(2)中，基于特征的情绪恐慌程度计算个体的情绪恐慌程度，计算过程为：

步骤(211)：对所有个体的个性感知因子P_N、性别感知因子gen和年龄感知因子age的值进行随机初始化；

步骤(212)：利用per₁、per₂的值，根据表2初始化个性恐慌因子f_p；利用gen₁的值，根据表3初始化性别恐慌因子f_g；利用age₁、age₂的值，根据表4初始化年龄恐慌因子f_a；

步骤(213)：将所有个体划分为两类：已感染情绪的个体和易感染情绪个体；

步骤(214)：对于易感染情绪个体i，令个体的情绪值e＝0，个体的恐慌量d＝0，个体的恐慌累积量D＝0，利用和并计算个体i的恐慌阈值T_i；

步骤(215)：对于已感染情绪的个体j，令个体的恐慌累积量D＝0，个体的情绪值e＝1.0；利用和并根据公式(6)计算T_i，利用和并计算个体i的恐慌量d_i；

步骤(216)：在每个时间步t，对易感染情绪个体i的情绪值e_i进行更新；

步骤(217)：根据个体的情绪值e_i，利用表4将个体情绪划分为情绪状态。

表4 年龄恐慌因子划分

所述步骤(214)中计算个体i的恐慌阈值T_i的公式

其中，和分别表示期望和方差，是一个对数正态分布函数，也就是以e为底的函数。T_i通过对数正态分布函数计算可得。对数分布函数是对数为正态分布的任意随机变量的概率分布。

首先确定T_i是在[x₁,x₂]之间的任意随机数，把随机数T_i代入概率密度函数：

获得对数正态分布函数的概率密度y，在[0,y]之间产生一个随机数y₁，而T_i的取值必须满足y₁＞y；令x₁＝10，x₂＝70。

所述步骤(215)计算个体i的恐慌量d_i的公式：

其中，和分别表示期望和方差，是一个对数正态分布函数，d_i通过对数正态分布函数计算可得；令x₁＝2，x₂＝7。

所述步骤(216)：

步骤(2161)：利用欧氏距离公式计算个体i，j之间的距离dis(i,j)，如果dis(i,j)＜R，并且在彼此的感知范围内，则两个个体视彼此为邻居；

步骤(2162)：计算在感知范围内的第j个体对易感染情绪个体i的恐慌传播值d_j，根据公式(8)更新个体i接收的恐慌累积量D(i,R)；

其中，Neighbor(i)表示个体i的邻居。

步骤(2163)：如果D_i＜T_i，则易感染情绪个体i未被感染情绪，e_i＝0；如果D_i≥T_i，T_i是个体i的恐慌阈值，说明易感染情绪个体i被感染情绪，根据公式(9)计算个体的情绪值e_i：

e_i＝w_p×f_p+w_g×f_g+w_a×f_a (9)

其中，w_p表示个性特征的权重，w_g表示性别特征的权重，w_a表示年龄特征的权重，且w_p+w_g+w_a＝1，通过调节各权重的大小，来调节特征的影响程度。

所述步骤(3)中情绪感染模型与人群运动耦合的步骤如下：

步骤(31)：初始化个体参数：v^pref、v^max和a^max；其中，v^pref表示期望速度；表示个体的速度惩罚因子，的值与个体的活跃度成反比；v^max表示个体的最大速度；a^max表示个体的最大加速度；

步骤(32)：在每个时间步t内，计算个体下一时刻的新速度；

步骤(33)：重复步骤(32)，直到个体到达目标位置。

所述步骤(32)的步骤：

步骤(321)：利用v^max，a^max，根据公式(10)来限制个体的速度，得到在下一时刻的候选速度集合AVⁱ(V_i)。

AVⁱ(V_i)＝{V′_i||V′_i||＜V_i ^max∩||V′_i-V_i||＜a^maxΔt} (10)

其中，个体下一时刻的候选速度V′_i受最大速度以及最大加速度的限制，||V′_i||＜V_i ^max表示候选速度值不能超过个体的最大速度值，||V′_i-V_i||＜a^maxΔt是由速度公式v_t+1＝v_t+at得到，即个体的候选速度也受最大加速度的限制。AVⁱ表示下一时刻的合理速度集合；V_i表示个体当前的速度；V_i′表示个体下一时刻的候选速度；v_t+1表示个体下一时刻的速度；v_t表示个体的当前速度；a表示个体的加速度。

步骤(322)：利用情绪值e_i根据公式(11)，更新个体i的期望速度V_i ^pref(e_i)，同时保证V_i ^pref(e_i)满足公式(12)的要求：

V_i ^pref(e_i)＝(1+e_i)V_i ^pref (11)

||V_i ^pref(e_i)||≤V_i ^max (12)

步骤(323)：根据公式(13)和(14)，利用期望速度V_i ^pref，在候选速度集合AVⁱ(V_i)中选择使速度惩罚值penalty_i(V′_i)最小的候选速度，作为下一时刻个体最佳的速度V_t+1。

其中，penalty_i(V′_i)表示个体的速度惩罚值；是个体的速度惩罚因子。tc′_i(V′_i)是个体i与周围个体的期望碰撞时间，||V_i ^pref-V′_i||表示期望速度V_i ^pref与候选速度V′_i的差值。个体的下一时刻速度V_t+1需要满足与其他个体碰撞时间最大，与期望速度的误差值最小两个条件。而情绪值e_i通过改变期望速度V_i ^pref来影响个体的运动。

所述步骤(4)中的仿真系统是基于XNA技术开发的跨平台仿真系统，三维实时真实感渲染平台以Microsoft.NET Framework 4.0、XNA 4.0为平台。

基于异构情绪感染模型的人群疏散仿真系统，包括：存储器、处理器以及存储在存储器上并在处理器上执行的计算机指令，所述计算机指令在处理器上运行时，完成以下步骤：

步骤(1)：输入人群信息、情绪信息和场景信息，分别对人群信息、情绪信息、场景信息初始化；

步骤(2)：基于Durupinar模型计算异构情绪感染程度；

步骤(3)：将步骤(2)得到的结果与相对速度障碍法RVO相耦合；

步骤(4)：结合真实感渲染平台对人群运动仿真结果进行真实感渲染。

一种计算机可读存储介质，其上存储有计算机指令，所述计算机指令在处理器上运行时，完成以下步骤：

步骤(1)：输入人群信息、情绪信息和场景信息，分别对人群信息、情绪信息、场景信息初始化；

步骤(2)：基于Durupinar模型计算异构情绪感染程度；

步骤(3)：将步骤(2)得到的结果与相对速度障碍法RVO相耦合；

步骤(4)：结合真实感渲染平台对人群运动仿真结果进行真实感渲染。

本发明的有益效果：本发明以社会比较理论为基础，提出了一种基于异构情绪感染模型的人群疏散仿真方法。为了实现该方法，本发明构建了基于Durupinar模型的异构情绪感染方法的人群运动框架：首先，在运动过程中，将K-Mediods聚类算法与社会比较理论结合，根据距离和关系对人群进行分组，利用分组结果研究组间和组内不同的情绪感染计算方法；其次，为了有效地体现情绪的个体差异性，根据个性、性别、年龄的差异将个体特殊化，计算个体之间不同的情绪恐慌程度。然后，将上述方法与相对速度障碍法耦合，利用情绪驱动人群运动。最后，使用真实感渲染的方法模拟人群疏散效果。该方法能够更加真实地模拟情绪感染下的人群运动，体现了个体情绪的异构性，提高了人群疏散效率，为解决公共安全问题提供了新的解决思路。

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为本发明模型简化的流程图。

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，本文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。

如图1所示，基于异构情绪感染模型的人群疏散仿真方法，包括以下几个过程：

过程1：初始化。这里的初始化包括对场景信息，个体的位置信息和情绪的初始化。

首先对场景障碍物进行初始化，画出场景的roadmap图。本发明使用Roadmap表示场景语义信息，通过Roadmap将无障碍区域表示成图(Graph)结构，表示的是绕过障碍物的拓扑图。该拓扑图由顶点和边组成G＝(V,E)。其中V表示顶点的集合，E表示边的集合，每条边e(v₁,v₂)∈E，其中顶点v₁和顶点v₂是边e的两个端点。Roadmap的边是连接顶点的，将任意两个距离为r的顶点连接，同时在连接时要保证两个顶点之间的连线不经过任何障碍物。

个体位置的初始化是综合考虑场景信息和障碍物信息，把个体随机初始化在场景范围内并避开所有的障碍物。情绪的初始化则是对个体初始化情绪值，把所有个体的情绪分为已感染和易感两种状态。

过程1：模拟基于分组的情绪感染计算过程。

第一步：从人群中选取前k个个体，作为k个簇的各自的中心，其中k表示分组个数；；

第二步：利用公式(1)计算剩余个体到k个簇心的相似度，将这些个体划分到相似度最大的簇中；

其中，w_d表示距离相似性特征的权重(非负)，w_r表示关系相似性特征的权重(非负)；1/dis(i,j)表示个体i，j之间的距离特征值，rel(i,j)表示个体i，j之间的关系特征值。

第三步：根据聚类结果，重新计算k个簇各自的中心，计算方法是对于每个簇，根据公式(2)(3)(4)，来产生一个虚拟簇心O_v，并将虚拟簇心O_v更新为簇心。

其中，1≤j≤agentnum，agentnum表示所有个体的总数，num表示该簇的个体数量，agent[i].pos_dx表示个体i的横坐标，agent[i].pos_dy表示个体i的纵坐标，agent[i].rel[j]表示个体i与个体j之间的关系值。

第四步：利用公式(1)计算簇内所有元素到虚拟簇心的相似度s(O_v,P_i)，其中，P_i∈cluster_m,1≤m≤k，m表示群组序号。选取与虚拟簇心相似度最大的元素P_i，将其作为新的簇心。

第五步：重复2、3、4步，直到k个簇心不再发生改变；

第六步：将人群划分为k个群组，个体i的所在分组为g(i)，其中g(i)∈G,G＝{g₁,g₂,g₃...g_k}。对于任意个体i，j，利用公式(5)计算两者之间的情绪影响因子w_e，即组内与组间个体的情绪影响因子不同。

过程2：模拟基于特征的情绪恐慌程度计算过程。

第一步：对所有个体的P_N、gen、age的值进行随机初始化。

第二步：在一个场景中，不同内在状态的个体具有不同的情绪恐慌程度。本发明定义个体性别影响因子f_g，年龄影响因子f_a，个性影响因子f_p，其取值设置在(0，1)内。结合实际场景，调整per₁，per₂的值控制不同个性的个体数量，调整age₁，age₂的值控制不同年龄段的个体数量，调整gen₁的值控制不同性别的个体数量，并利用正态分布函数对其初始化。

第三步：对未感染情绪个体进行初始化，其中情绪值e＝0，恐慌量d＝0，恐慌累积量D＝0，阈值T可通过μ_T和根据公式(6)得到。

其中，μ_T和分别表示T的期望和方差；是一个对数正态分布函数。

第四步：对已感染情绪的个体进行初始化，其中情绪值e＝1.0，恐慌累积量D＝0，阈值T可通过μ_T和根据公式(6)得到，恐慌量d可通过公式(7)计算得到。

其中，μ_d和分别表示d的期望和方差；是一个对数正态分布函数。

第五步：对于易感个体，计算个体的邻居。邻居的定义是以个体i为圆心画圆，同时定义个体的可视域，所有在圆内并且满足可视域范围的都是个体i的邻居。在实验中，个体与其邻居的距离通过半径R进行控制。根据现实生活中个体的影响范围，我们设置R＜＝40。在本次实验中，我们设置R＝30。

在运动过程中，利用欧氏距离公式计算个体j与i之间的距离dis，若dis＜R，并且j在i的可视域范围内，则j即为i的邻居。个体接收感知范围内的邻居的恐慌量，并根据公式(8)更新恐慌累积量D(i,R)。

在公式(8)中，Neighbor(i)表示个体i的邻居，D(i,R)表示个体i接收邻居恐慌量的累加值。邻居包括已感染个体和未感染个体，其中未感染个体的恐慌量d为0，已感染个体的恐慌量d通过对数正态分布函数计算得到。如果D≥T，说明个体被感染情绪，情绪值得到更新。这里的T是个体的阈值，通过对数正态分布函数得到。

第六步：根据第三步计算得到的阈值T和第五步计算得到的恐慌累加量D，如果D＞＝T，说明个体被感染情绪，根据公式(9)计算个体的情绪值。

e_i＝w_p×f_p+w_g×f_g+w_a×f_a (9)

其中，w_p，w_g，w_a分别表示个性、性别、年龄特征的权重，且w_p+w_g+w_a＝1，通过调节各权重的大小，来调节特征的影响程度。

第七步：如果D＜T，则e_i＝0，个体继续进行第五步和第六步的操作，直到个体到达目标位置。

第八步：对于已感染情绪个体，在每个时间步t内其情绪值e不再变化。

过程4：人群运动计算，在这一过程中，将情绪感染加入人群运动计算，控制整个人群的运动速度。个体的运动方向为出口所在方向。运动通过路径图进行导航，每一个图的顶点可看作一个临时目标点，个体的运动方向即向着临时目标点运动。

第一步：初始化个体参数：v^pref、v^max和a^max。

其中，v^pref是个体的期望速度，v^max和a^max分别是是个体的最大速度和个体的最大加速度，表示个体的速度惩罚因子，的值与个体的活跃度成反比。

第二步：利用最大速度v^max，最大加速度a^max，根据运动学和动力学公式(10)来限制个体的速度，得到在下一时刻的合理速度集合AV。

AVⁱ(V_i)＝{V′_i||V′_i||＜V_i ^max∩||V′_i-V_i||＜a^maxΔt} (10)

其中，V_i表示个体i的当前速度，V′_i表示个体i下一时刻的候选速度，AVⁱ表示个体的所有候选速度集合，所有符合条件的速度都属于AVⁱ。||V′_i-V_i||表示候选速度相对于当前速度的变化值的大小，t表示时间步，a^maxt表示单位时间内最大速度变化值。在公式中，候选速度的大小受最大速度V^max和最大加速度a^max的制约。因此，||V′_i||应小于最大速度值V^max，且其速度变化值||V′_i-V_i||也应小于a^maxt。

第三步：利用情绪值e根据公式(11)，更新个体i的期望速度v^pref，同时保证v^pref满足公式(12)的要求；个体的期望速度值v^pref，它是一个矢量，它的大小等于期望速度在目标方向上的值。个体的期望速度和情绪有关，个体情绪值越高，期望速度值越大。但是期望速度值并不是无限大，它始终小于最大速度值。

V_i ^pref(e_i)＝(1+e_i)V_i ^pref (11)

||V_i ^pref(e_i)||≤V_i ^max (12)

第四步：根据公式(13)和(14)，利用期望速度v^pref，在合理速度集合AV中选择使速度惩罚值penalty最小的速度，作为下一时刻个体最佳的速度V_t+1。

其中，penalty_i是个体i的惩罚度量，tc′_i(V′_i)是个体i与周围个体的期望碰撞时间，是个体的速度惩罚因子，的值与个体的活跃度成反比。个体的penalty_i是由期望速度与候选速度的绝对偏差以及期望避障时间共同决定。个体的最佳运动速度就是使得penalty_i最小的候选速度。

第五步：如果个体没有到达目标，则继续更新情绪和速度，否则个体停止运动。

过程5：结合真实感渲染技术，将人群运动计算结果进行渲染得到人群疏散仿真动画。

具体地，在真实感渲染平台中导入人群运动路径，生成人群运动的动画效果。该真实感渲染平台是基于XNA/MonoGame平台实现的支持跨平台的实时人群运动仿真系统。采用XNA Game Studio2013，以Microsoft Visual Studio2013为平台进行人群运动仿真。已生成的路径文件导入到该仿真平台，可以更加直观的观察人群运动效果，分析人群运动的情况。

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.基于异构情绪感染模型的人群疏散仿真方法，其特征是，包括以下步骤：

步骤(1)：输入人群信息、情绪信息和场景信息，分别对人群信息、情绪信息、场景信息初始化；

步骤(2)：基于Durupinar模型计算异构情绪感染程度；

步骤(3)：将步骤(2)得到的结果与相对速度障碍法RVO相耦合；

步骤(4)：结合真实感渲染平台对人群运动仿真结果进行真实感渲染。

2.如权利要求1所述的基于异构情绪感染模型的人群疏散仿真方法，其特征是，所述人群信息，包括：人群的位置；所述情绪信息，包括：人群的情绪状态；所述场景信息，包括：场景的障碍物位置；

场景信息的初始化是输入障碍物信息并画出场景的Roadmap图；所述Roadmap图表示场景语义信息，通过Roadmap图将无障碍区域表示成图结构Graph，图结构Graph表示的是绕过障碍物的拓扑图；Roadmap图的顶点是场景内的随机点，Roadmap图的边是连接顶点的边，将任意两个顶点连接，同时在连接时要保证两个顶点之间的连线不经过任何障碍物；

人群信息的初始化是综合考虑场景的障碍物信息，把个体随机初始化在场景范围内并避开所有的障碍物；

情绪信息的初始化则是依据个体初始化情绪值，把所有个体按情绪状态分为已感染情绪个体和未感染情绪个体。

3.如权利要求1所述的基于异构情绪感染模型的人群疏散仿真方法，其特征是，步骤(2)中，将个体划分为两种类型：S表示易感染情绪状态，I表示已感染情绪状态；将S状态个体的情绪值e设定为0，I状态个体的情绪值e设定在(0，1]之间；定义个体i的感知半径R，以个体i为圆心，以半径R画圆，圆形区域为个体i的感知范围，在感知范围内的其他个体为个体i的邻居；在S状态个体的感知范围内，当处于S状态个体与I状态个体相接触时，S状态个体将接收来自I状态个体的恐慌情绪，一旦S状态个体的情绪值e超过个体情绪值设定阈值，则S状态个体将会变为I状态个体，按照个性、性别、年龄特征计算感染情绪个体的情绪值e，所述感染情绪个体的情绪值e用于对人群运动速度的计算，并根据情绪值e对个体的情绪恐慌程度进行划分；

对于每个个体定义{e,d,D,T}四个变量，其中e是个体的情绪值，其取值范围为e∈[0,1]；d是个体的恐慌量；D是个体的恐慌累积量，通过d的累加获得；T是个体的恐慌阈值。

4.如权利要求1所述的基于异构情绪感染模型的人群疏散仿真方法，其特征是，所述步骤(2)，包括：基于分组的情绪感染计算个体与个体之间的情绪影响因子和基于特征的情绪恐慌程度计算个体的情绪恐慌程度两个步骤。

5.如权利要求4所述的基于异构情绪感染模型的人群疏散仿真方法，其特征是，所述步骤(2)中基于分组的情绪感染计算个体与个体之间的情绪影响因子，步骤如下：

步骤(201)：从人群中选取前k个个体，作为k个簇的各自的中心；

步骤(202)：利用个体之间相似度计算公式计算剩余个体到k个簇心的相似度，将剩余个体划分到相似度最大的簇中；

步骤(203)：根据聚类结果，重新计算k个簇各自的虚拟中心O_v，

步骤(204)：计算簇内所有元素P_i到虚拟簇心O_v的相似度s(O_v，P_i)，其中，P_i∈cluster_m,1≤m≤k，m表示群组序号；选取与虚拟簇心相似度最大的元素P_i，将最大的元素P_i作为新的簇心；

步骤(205)：重复步骤(202)、步骤(203)和步骤(204)，直到k个簇心不再发生改变；

步骤(206)：人群划分为k个群组，个体i的所在分组为g(i)，其中，g(i)∈G，G＝{g(1),g(2),g(3)...g(k)}，G表示分组的集合；对于任意个体i，j，计算个体i，j两者之间的情绪影响因子w_e(i,j)，组内与组间个体的情绪影响因子不同。

6.如权利要求4所述的基于异构情绪感染模型的人群疏散仿真方法，其特征是，所述步骤(2)在基于特征的情绪恐慌程度计算个体的情绪恐慌程度之前的步骤：

利用OCEAN个性模型，根据个性值N的大小，将人群个体划分为三类：敏感型、稳定型和冷静型；

定义个性感知因子P_N，个性感知因子P_N在(0，1)之间均匀随机产生，通过定义per₁，per₂的值来调整人群中不同个性的比例；

不同个性的人产生的恐慌程度是不同的，因此，定义个性恐慌因子f_p，表示个性对个体情绪恐慌程度的影响；

利用正态分布函数生成f_p，f_p∈(0,1)，μ_p和表示p的期望和方差；μ_p和σ_p的取值受个性感知因子P_N影响，如表1所示：

表1个性恐慌因子划分

P_N的值 个性分类 个性特质 μ_p的值 σ_p的值 [0,per₁] 敏感型 冲动、不安 0.9 0.2 (per₁,per₂] 稳定型 随和、较冷静 0.55 0.2 (per₂,1.0] 冷静型 冷静，保守 0.25 0.2

定义性别感知因子gen，性别感知因子gen在(0，1)之间均匀随机产生，通过定义gen₁的值来调整人群中的性别比例；

由于性别的差异，不同性别的人产生的恐慌有所不同，定义性别恐慌因子f_g，表示性别对个体情绪恐慌程度的影响；

利用正态分布函数生成f_g，f_g∈(0,1)，μ_g和表示g的期望和方差；μ_g和σ_g的取值受gen影响，如表2所示：

表2性别恐慌因子划分

gen的值 性别 μ_g的值 σ_g的值 [0,gen₁] 男 0 0.5 (gen₁,1.0] 女 1.4 0.5

定义年龄感知因子age，年龄感知因子age在(0，1)之间均匀随机产生，通过设定age₁，age₂的值来调整人群中的年龄比例；

不同年龄阶段的人产生的恐慌是有所不同的，定义年龄恐慌因子f_a表示年龄对个体情绪恐慌程度的影响；

利用正态分布函数生成f_a，f_a∈(0,1)，μ_a和表示a的期望和方差，μ_a和σ_a的取值受age影响，如表3所示：

表3年龄恐慌因子划分

7.如权利要求4所述的基于异构情绪感染模型的人群疏散仿真方法，其特征是，步骤(2)中，基于特征的情绪恐慌程度计算个体的情绪恐慌程度，计算过程为：

步骤(211)：对所有个体的个性感知因子P_N、性别感知因子gen和年龄感知因子age的值进行随机初始化；

步骤(212)：利用per₁、per₂的值，根据表2初始化个性恐慌因子f_p；利用gen₁的值，根据表3初始化性别恐慌因子f_g；利用age₁、age₂的值，根据表4初始化年龄恐慌因子f_a；

步骤(213)：将所有个体划分为两类：已感染情绪的个体和易感染情绪个体；

步骤(214)：对于易感染情绪个体i，令个体的情绪值e＝0，个体的恐慌量d＝0，个体的恐慌累积量D＝0，利用和并计算个体i的恐慌阈值T_i；

步骤(215)：对于已感染情绪的个体j，令个体的恐慌累积量D＝0，个体的情绪值e＝1.0；利用和并根据公式(6)计算T_i，利用和并计算个体i的恐慌量d_i；

步骤(216)：在每个时间步t，对易感染情绪个体i的情绪值e_i进行更新；

步骤(217)：根据个体的情绪值e_i，利用表4将个体情绪划分为情绪状态；

表4年龄恐慌因子划分

8.如权利要求1所述的基于异构情绪感染模型的人群疏散仿真方法，其特征是，所述步骤(3)中情绪感染模型与人群运动耦合的步骤如下：

步骤(31)：初始化个体参数：v^pref、v^max和a^max；其中，v^pref表示期望速度；表示个体的速度惩罚因子，的值与个体的活跃度成反比；v^max表示个体的最大速度；a^max表示个体的最大加速度；

步骤(32)：在每个时间步t内，计算个体下一时刻的新速度；

步骤(33)：重复步骤(32)，直到个体到达目标位置。

9.基于异构情绪感染模型的人群疏散仿真系统，其特征是，包括：存储器、处理器以及存储在存储器上并在处理器上执行的计算机指令，所述计算机指令在处理器上运行时，完成以下步骤：

步骤(1)：输入人群信息、情绪信息和场景信息，分别对人群信息、情绪信息、场景信息初始化；

步骤(2)：基于Durupinar模型计算异构情绪感染程度；

步骤(3)：将步骤(2)得到的结果与相对速度障碍法RVO相耦合；

步骤(4)：结合真实感渲染平台对人群运动仿真结果进行真实感渲染。

10.一种计算机可读存储介质，其特征是，其上存储有计算机指令，所述计算机指令在处理器上运行时，完成以下步骤：

步骤(1)：输入人群信息、情绪信息和场景信息，分别对人群信息、情绪信息、场景信息初始化；

步骤(2)：基于Durupinar模型计算异构情绪感染程度；

步骤(3)：将步骤(2)得到的结果与相对速度障碍法RVO相耦合；

步骤(4)：结合真实感渲染平台对人群运动仿真结果进行真实感渲染。