CN110991120A - 一种排队场景下人群运动建模仿真方法 - Google Patents

一种排队场景下人群运动建模仿真方法 Download PDF

Info

Publication number
CN110991120A
CN110991120A CN201911125977.5A CN201911125977A CN110991120A CN 110991120 A CN110991120 A CN 110991120A CN 201911125977 A CN201911125977 A CN 201911125977A CN 110991120 A CN110991120 A CN 110991120A
Authority
CN
China
Prior art keywords
agent
queuing
modeling
crowd
queue
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.)
Pending
Application number
CN201911125977.5A
Other languages
English (en)
Inventor
薛均晓
李庆宾
徐明亮
殷辉
吕培
李亚飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhengzhou University
Original Assignee
Zhengzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhengzhou University filed Critical Zhengzhou University
Priority to CN201911125977.5A priority Critical patent/CN110991120A/zh
Publication of CN110991120A publication Critical patent/CN110991120A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明公开了一种排队场景下人群运动建模仿真方法。该方法包括场景建模、情绪感染建模和人群排队仿真,通过构建排队场景,确组成模块和人群成员类别,对参与排队的智能体赋予情绪参数和个性参数,采用元胞自动机模型作为排队人群行为的动力模型,通过外部环境、智能体心理状态和智能体物理状态实现对智能体的行为建模。该方法建模构建了个体情绪波动的影响因素对人群排队中个体的行为的影响,还加入管理员情绪参数,建立预防排队人群混乱模型,仿真方法稳健有效,很好地生成逼真的预防排队人群发生混乱模拟结果。

Description

一种排队场景下人群运动建模仿真方法
技术领域
本发明涉及计算机应用技术领域,尤其涉及一种排队场景下人群运动建模仿真方法。
背景技术
目前在人群仿真技术研究中,主要针对人群在暴徒、火灾等突发意外情形下,模拟人群恐慌情绪传染与人群疏散,以及高密度人群场景下的拥挤运动研究,并且目前大多数人群仿真场景主要包括车站广场、体育馆等比较大型空旷场景,而小场景下的人群仿真却是很少,尤其在排队场景下的人群运动仿真的研究很少。另外,排队场景的类型也不尽相同,不同的排队场景下人群运动规则也不同,而目前大多数人群仿真,人群运动方向都是远离危险源,方向比较单一。而且人群仿真模拟大多关注在意外事故后的人群疏散,却没有做到事故前的预防模拟。目前相关的研究与仿真内容中很少能够综合全面考虑这些因素。
发明内容
本发明主要解决的技术问题是提供一种排队场景下人群运动建模仿真方法,解决现有技术中对排队场景下人群运动仿真缺乏建模模型、不能进行预防性仿真,以及仿真中缺乏针对排队人员情绪感染的问题。
为解决上述技术问题,本发明采用的一个技术方案是提供一种排队场景下人群运动建模仿真方法,包括以下步骤:场景建模,构建排队场景,确定场景中组成模块,以及排队人群中的成员类别;情绪感染建模,对参与排队的智能体赋予情绪参数和个性参数,根据所述情绪参数和个性参数,确定情绪感染对所述智能体在排队中的位置更新趋势的影响;人群排队仿真,采用元胞自动机模型作为排队人群行为的动力模型,通过外部环境、智能体心理状态和智能体物理状态实现对智能体的行为建模。
在本发明排队场景下人群运动建模仿真方法另一实施例中,在所述场景建模步骤中,所述组成模块包括服务点、智能体、建筑物、障碍物以及等候区模块,所述排队人群中的智能体分为五种:排队者、非排队人员、接受服务人员、完成服务人员以及插队者。
在本发明排队场景下人群运动建模仿真方法另一实施例中,所述情绪参数包括(eneg,epos),来随机赋予每个智能体对应的情绪值,其中eneg代表消极情绪值,epos代表积极情绪值,智能体的情绪值满足以下关系:
0.5≤epos≤1
0≤eneg<0.5。
epos+eneg=1
在本发明排队场景下人群运动建模仿真方法另一实施例中,所述个性参数包括耐心度ωi,迫切度ui,友好度fi,其中i指表示智能体编号,针对智能体的迫切度ui,定义参数eu,表示智能体i因为希望接受服务的迫切度带来的消极情绪值,在时间t时,智能体i由于迫切需要服务带来的消极情绪值定义为:
Figure BDA0002276835050000021
其中
Figure BDA0002276835050000022
代表时间指数,表明迫切度影响的消极情绪值会随着时间的增长而成指数倍的增加。
在本发明排队场景下人群运动建模仿真方法另一实施例中,当插队行为出现时,插队者会影响其他智能体的消极情绪值,通过参数Dji来表示插队者j对于智能体i的消极情绪值影响,并且使用下式来计算所述智能体i获得的消极情绪值:
Figure BDA0002276835050000023
其中,L表示智能体i与插队者j之间的距离,Ei代表智能体i的情绪表达强度,取值范围为(0,1),Aji代表插队者j给予智能体i的情绪强度属性,Bij代表接收到智能体i反馈给插队者j的情绪强度属性。
在本发明排队场景下人群运动建模仿真方法另一实施例中,当智能体的两种消极情绪值来源eu和Dji计算结束后,在时间点t更新智能体i的消极情绪eneg为:
Figure BDA0002276835050000031
其中K代表智能体i感知范围内插队者的个数。
在本发明排队场景下人群运动建模仿真方法另一实施例中,排队场景下智能体消极情绪爆概率参数p为:
Figure BDA0002276835050000032
其中,Δt代表智能体i在队列中等待的时间,τ代表常数。
在本发明排队场景下人群运动建模仿真方法另一实施例中,元胞自动机模型中的每个元胞包括3种状态,分别是有人、无人、建筑物;外界环境包括:管理员、插队者、队列通道、障碍物以及服务点;个体心理状态包括:迫切度、耐心度、性格与友好度;个体物理状态包括:行为决策与路径规划。
在本发明排队场景下人群运动建模仿真方法另一实施例中,当管理员参与排队管理时,智能体的积极情绪值为epos,设置管理员的积极情绪值为eα,则智能体的积极情绪值在管理员的作用下的增量Δep为:
Figure BDA0002276835050000033
在本发明排队场景下人群运动建模仿真方法另一实施例中,当排队场景下处于积极情绪值较低的智能体,通过与管理员情绪感染后,对应的消极情绪值eneg更新为:
eneg=1-epos+Δep
本发明的有益效果是:本发明公开了一种排队场景下人群运动建模仿真方法。该方法包括场景建模、情绪感染建模和人群排队仿真,通过构建排队场景,确组成模块和人群成员类别,对参与排队的智能体赋予情绪参数和个性参数,采用元胞自动机模型作为排队人群行为的动力模型,通过外部环境、智能体心理状态和智能体物理状态实现对智能体的行为建模。该方法建模构建了个体情绪波动的影响因素对人群排队中个体的行为的影响,还加入管理员情绪参数,建立预防排队人群混乱模型,仿真方法稳健有效,很好地生成逼真的预防排队人群发生混乱模拟结果。
附图说明
图1是根据本发明排队场景下人群运动建模仿真方法一实施例的流程图;
图2是根据本发明排队场景下人群运动建模仿真方法另一实施例中的人群转换示意图;
图3是根据本发明排队场景下人群运动建模仿真方法另一实施例中的排队场景转换流程图;
图4是根据本发明排队场景下人群运动建模仿真方法另一实施例中的排队场景组成模块图;
图5是根据本发明排队场景下人群运动建模仿真方法另一实施例中的管理员在情绪爆发前仿真干预曲线图;
图6是根据本发明排队场景下人群运动建模仿真方法另一实施例中的管理员在情绪爆发后仿真干预曲线图。
具体实施方式
为了便于理解本发明,下面结合附图和具体实施例,对本发明进行更详细的说明。附图中给出了本发明的较佳的实施例。但是,本发明可以以许多不同的形式来实现,并不限于本说明书所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
需要说明的是,除非另有定义,本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是用于限制本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
图1显示了本发明排队场景下人群运动建模仿真方法一实施例的流程图。在图1中,包括:
步骤S101:场景建模,构建排队场景,确定场景中组成模块,以及排队人群中成员类别;
步骤S102:情绪感染建模,对参与排队的智能体赋予情绪参数和个性参数,根据所述情绪参数和个性参数,确定情绪感染对所述智能体在排队中的位置更新趋势的影响;步骤S103:人群排队仿真,采用元胞自动机模型作为排队人群行为的动力模型,通过外部环境、智能体心理状态和智能体物理状态实现对智能体的行为建模。
优选的,在步骤S101中,针对排队场景下的人群运动,个体的运动始终受到其他个体的情绪、自身心理特征、周围环境以及初始目的等因素的影响。
优选的,排队人群分为五种:排队者、非排队人员、接受服务人员、完成服务人员以及插队者,这些都属于智能个体,简称智能体。其中排队者是指正在队列中等候接受服务的人员,非排队者是指未进入排队队列人员,接受服务人员是指正在接受服务的人员,完成服务人员是指已经结束服务并离开的人员,插队者是指排队者或者非排队人员进行插队行为的人员。这五种角色是可以相互转换的,其转换关系如图2所示。排队场景下的人群初始状态都是非排队人员,正常状态下,非排队人员会进入排队队列成为排队者,反之,非排队人员由于自身因素以及外界环境的影响,而产生消极情绪发生插队行为,成为插队者。排队场景下的人群最终都要成为接受服务人员,在接受完服务后,成为完成服务人员,最后离开服务场景。
排队场景有很多,而且种类丰富,规模参差不齐,但是它们有着相同之处,那便是都拥有服务点以及等候区。排队场景的不同之处大多体现在三点:服务点的个数、队列的形式以及隔离栏的摆放。其中服务点的服务形式有两种:一种是一对一服务形式,另一种是多对多服务形式。队列的形式有两种:一列或者多列。隔离栏的摆放体现在两个方面:在有隔离栏情况下,个体的移动受到影响;无隔离栏情况下,个体的移动自由。
优选的,选择2个比较相似的排队场景:室内带有隔离栏的服务窗口与室外不带隔离栏的服务窗口。隔离栏属于排队场景最常见的基础设施,隔离栏在地铁进站口,火车进站口很常见,它的作用是规范人群队列的方向和位置,并且个体无法穿越隔离栏进行插队,因此它能有效地防止人群混乱。排队场景有五个模块:服务点、智能体、建筑物、障碍物以及等候区模块。其中服务点模块在不同场景下,它的数目不同,比如在ATM场景中,服务点只有一个,而在地铁场景中,服务点很多个。对于智能体模块,还可以对应包括3种类型,分别是青年人、老年人、小孩。
优选的,在步骤S102中,进一步将智能体的性格分为两类:消极个体与积极个体。消极性格的个体容易被周围环境所影响,比如插队这个行为更容易带来情绪上的波动,而积极性格的个体相反,插队行为可能并没有导致该个体的情绪上大的波动。
优选的,用两种情绪参数(eneg,epos)来随机赋予每个智能体的情绪值,其中eneg代表个体的消极情绪值,epos代表个体的积极情绪值。该情绪值是可变的,只是在随机赋予智能体情绪值后,对应的智能体性格也被随机确定了,那么智能体的性格在整个模拟过程中将会是不变的,因此这里主要是通过这两种情绪参数(eneg,epos)来表明智能体的性格。智能体的情绪值满足以下关系:
0.5≤epos≤1
0≤eneg<0.5
epos+eneg=1
从上式可以看出,初始时,每个智能体的积极与消极情绪值的总和都是1,情绪值越接近1的智能体,代表该智能体的积极程度越高,处于正常的排队。反之,如果情绪值越接近0的智能体,代表该智能体的消极程度越高,引发插队行为的可能性越大。
在排队场景中,如果一个人着急等待服务,或者是在队列中等待时间过久,或者由于自己的耐心度不够,即使在没有其他插队者出现时,该个体也会成为插队者。可以看出,个体的负面情绪有可能是自身因素引起的,针对排队场景,提出了3个具有个性色彩的参数,即个性参数,包括耐心度ωi,迫切度ui,友好度fi,其中i指的是智能体编号。
首先,耐心度代表智能体在一个队列中愿意去等待的时间,耐心度值越大表示该智能体愿意等待的时间越长,顾客放弃排队等待的概率与平均等待时间(耐心度)有着一定的关系,那么个体能够忍受的排队等待时间究竟有多长不可能有具体数字,因为因人而异、因时而异。优选的,随机赋予每个智能体耐心度值,成为一个不变的个体属性。
关于迫切度,观察在不同的时间紧迫度、不同的工作量等一些压力变量下,实验人员的工作效率变化情况。结果发现在超出一定的外在工作量、内在心理压力下,实验人员的工作效率受到阻碍以及出现个体解决事情的能力出现下降等非正常的表现。针对排队场景,将这种压力引申为迫切度,它表示个体希望接受服务的紧迫性,这种迫切度会影响智能体处理事情的表现,一定程度的迫切度,可能会导致智能体产生插队这种行为。
友好度表示个体对他人的亲切度,亲密度高的个体更容易得到其他人的接近。而在排队场景中,插队个体在进行插队时,会选择队列中友好度更高的个体前方进行插队,这里选择该个性因素,是为了计算插队者进行插队位置。
通过以上的定义与分析,针对个体的迫切度ui,定义了一个参数eu,它指的是个体因为希望接受服务的迫切度带来的消极情绪值。在时间t时,个体由于迫切需要服务带来的消极情绪值的定义:
Figure BDA0002276835050000081
由公式可知,由于迫切度的影响而产生的特定的消极情绪值eu,会随着时间t的增长而增加,并且是一种随着时间不断累加的过程。其中
Figure BDA0002276835050000082
代表时间指数,它也说明了迫切度影响的消极情绪值会随着时间的增长而成指数倍的增加。
在排队场景中,智能体的消极情绪值的来源,除了所定义的迫切度等自身因素外,还要考虑部分由于其他事件带来的影响,比如插队者的行为以及其他排队者的情绪等。这里提出的个性参数迫切度ui,智能体i的消极情绪值的变化来源有2种类型:自身的迫切度ui,其他个体的行为与情绪。
在分析智能体消极情绪值的影响因子后,个体的行为与情绪会影响其他个体,那么我们要考虑的是如何进行个体之间的情绪传染。
优选的,在情绪传染的模拟中,优选SIR模型,在原始SIR模型中,人群被分为三类:易感人群(S)、感染人群(I)和恢复人群(R)。这个模型清楚地反映了宏观机制,易感人群通过与感染人群的交互作用,导致易感个体的数量减少,感染者的数量必然增加。相反,当一些个体被治愈时,感染个体的数量相应地下降,从而填充那些被恢复的人群。由于原始SIR模型是一个宏观的,基于常微分方程的静态数学模型,它可能不适合描述具有异常情绪的人群,特别是具有移动个体的人群。因此,这里提出的排队模型,原有的SIR模型应该被修改为微观和动态的,能够反映场景中个体情绪感染的系统,以反映动态人群排队模拟中的情感传染问题。
当插队行为出现时,插队者会影响其他智能体的消极情绪值,这里提出参数Dji来表示插队者j对于智能体i的消极情绪值影响,并且使用下式来计算该个体获得的消极情绪值:
Figure BDA0002276835050000091
其中,L表示智能体i与插队者j之间的距离,距离越远的两个个体,情绪传染能力越弱;Ei代表智能体i的情绪表达强度,它的取值范围为(0,1),越接近1代表该智能体的外向性越强,向外表达的情绪越强烈,反之,外向性越弱,情绪表达强度越弱;Aji代表插队者j给予智能体i的情绪强度属性,该强度属性与智能体的外向性有关,Bij代表接收到智能体i反馈给插队者j的情绪强度属性,该属性与接收智能体的同理性有关。
当智能体的两种消极情绪值来源eu和Dji计算结束后,在时间点t更新智能体i的消极情绪eneg为:
Figure BDA0002276835050000092
其中K代表智能体i感知范围内插队者的个数。
针对排队场景下的智能体消极情绪爆发问题,在更新智能体的消极情绪值eneg之后,智能体的消极情绪不会一定爆发,这里根据SIR模型中易感个体与感染个体接触,以一定概率转化成为感染个体的概念来定义智能体消极情绪值爆发的概率。然后再依据耐心度与时间的关系,定义了一种消极情绪爆发概率参数p,如下所示:
Figure BDA0002276835050000093
其中Δt代表智能体i在队列中等待的时间,τ代表常数。上式表示当智能体的最终消极情绪值计算结果大于0.5时,该智能体转变为积极状态,情绪爆发的概率为0。当智能体i为消极状态时,即eneg<0.5,并且等待时间Δt没有达到智能体i的耐心度值ωi时,如果智能体i的迫切度ui越高,等待时间越久,那么该智能体的消极情绪爆发的概率会越高。当智能体i为消极状态时,即eneg<0.5,而且在队列中等待的时间达到个体的耐心度值ωi时,该智能体的消极情绪爆发的概率为1。
正常排队情况下,新个体总是向排队队列中最后一个位置方向移动。但是当智能体的消极情绪爆发后,该智能体将要向队列前方移动并进行插队,插队的位置取决于该个体消极情绪值的强度大小,我们必须定义一个规则去考虑负面情绪的衰弱过程,以及情绪爆发后如何选择插队的位置。
根据胡克定律(f=-kl)了解到,其中f是弹性势能,k是弹性模量,l是弹簧压缩或者拉长的长度。根据能量守恒定律,当弹簧长度变化量为l时,弹性势能转变为动能,当弹簧长度恢复到正常长度时,弹性势能为零。将胡克定律运用在个体情绪值的计算,情绪在一定程度上能够作为智能体发生行为的动力,所以这里将智能体i在t时刻的消极情绪值eneg(i,t)作为弹簧的弹性势能f,如下式所示,其中k作为消极情绪值的变化系数,l作为智能体的行走距离。
eneg(i,t)=-kl
假若插队个体在队列中,l的移动规则是先走出队列,然后以个体与服务点之间为方向向量进行移动,如果插队个体不在队列中,则直接以智能体与服务点之间为方向向量进行移动。通过上式计算出插队者移动距离后,智能体会向着队列前方移动,当消极情绪爆发的智能体到达目标地点时,此时智能体移动距离为l。该智能体会搜索该点一定范围内的、处在队列中的、友好度fi最高的智能体的前方位置进行插队,从目标地点移动到插对位置时,智能体移动距离为α。所以从情绪爆发到插队成功时,智能体一共移动距离为l+α。当插队成功后,更新该智能体的积极与消极情绪值,其变化如下式所示:
Figure BDA0002276835050000101
在各个排队场景中,每个智能体的行为都各不相同,而影响智能体行为的因素有很多,包括智能体自身的因素:性格、情绪、耐心度、迫切度、视野范围等;也包括外部环境的因素:障碍物、其他智能体的行为以及情绪等。
优选的,在步骤S103中,这里采用元胞自动机模型来模拟人群排队场景,每个元胞有3种状态,分别是有人、无人、建筑物。每个智能体在每个时间步长中只能移动到相邻的无人元胞中,如果多个智能体选择同一个元胞作为下一次移动目标,这里根据这些智能体的情绪值强度进行排序,使智能体拥有选择位置的优先权,消极情绪值高的智能体优先选择。
在排队过程中,每个智能体有6种状态:q1,q2,q3,q4,q5,q6。它们分别代表智能体非排队、排队、插队、等待服务、接受服务、结束服务状态,它们的关系如图3所示。
当智能体首次进入场景后是非排队q1状态,通过模型计算后更新自身情绪值,如果消极情绪未触发,该智能体会向队列中最后一个位置方向进行移动,在移动过程中保持排队q2状态,否则进行插队,保持插队q3状态。排队q2状态也会因为消极情绪爆发成为插队q3状态。当智能体进入队列后,将保持等待服务q4状态,在队列中等待服务的个体也会因为消极情绪爆发而成为插队q3状态。当智能体到达服务点时,开始接受服务,即接受服务q5状态,当智能体结束服务时,即q6状态,智能体离开场景。
优选的,这里将个体的行为建模模块分为3大类:外界环境、自身心理状态和物理状态。其中外界环境模块包括:管理员、插队者、队列通道、障碍物以及服务点;个体心理状态模块有4类:迫切度、耐心度、性格与友好度;个体物理状态模块有2类:行为决策与路径规划。
首先,智能体具有感知外部环境的功能,通过智能体与外部环境参数的交互,得到其他智能体、队列、障碍物以及服务点的信息,然后结合自身心理状态信息,通过这里提出的情绪感染模型来综合计算这两大类信息,根据模型计算出的结果,来合理分配制定智能体的物理状态,包括行为决策与路径规划功能。在完成所有操作后,智能体将自身最新的信息反馈到外部环境中,更新外部环境参数。
如图4所示,仿真模型中对应包含4个模块:外界环境参数、模型计算、行为决策以及路径规划。智能体在一切行为开始前,需要经过感知功能从外部环境中得到一些重要参数,比如其他智能体位置与情绪值信息、障碍物位置信息、服务点信息。在智能体得到这些参数后,在模型计算模块中进行计算,其中还标示出了各个模型涉及的参数,如ui等。在模型计算模块中,智能体先从外界提取的信息中计算来自其他智能体的情绪影响Dji,然后结合自身因素,包括迫切度ui、友好度fi、耐心度ωi等,最后更新自身最终的消极情绪值eneg。接下来判断该智能体的消极情绪概率p是否会爆发,如果情绪没有爆发,该智能体按照最初的目标进行行为决策,即正常排队,如果情绪爆发,判断该场景有没有管理员,如果没有,进行行为决策,如插队,如果有管理员,那么计算来自管理员情绪的影响,后续会进一步说明,进行下一步的行为决策,如正常排队或者插队。在完成下一步行为决策后,智能体会根据自身最新的目标进行路径规划,路径规划最重要的目的是智能体根据场景信息,躲避其他智能体与障碍物。
优选的,这里还对管理员情绪模型进行了定义和分析,为了预防排队场景发生混乱,预防混乱最有效措施是派出管理员及时控制人群,管理员会有效降低人群中的消极情绪的扩散,并且使带有消极情绪的个体行为趋向稳定。场景人群产生混乱后,如果加入管理员,此时管理员相当于人群中的积极情绪源,其他个体的消极情绪会被抑制,积极情绪会被强化,有效降低人群的消极情绪的扩散,最终人群情绪会保持稳定状态。
已知个体的积极情绪值为epos,这里设置管理员的积极情绪值为eα,只有当管理员的积极情绪高于该个体的积极情绪,管理员的作用才能体现出来,所以假设eα≥epos,则该智能体的积极情绪值在管理员的作用下的增量为Δep,如果eα≤epos,则管理员对该个体无法产生正面影响,管理员对个体的积极情绪的影响增量为Δep,如下所示:
Figure BDA0002276835050000121
可以看出,当管理员作用范围内的智能体与管理员的积极情绪值的差值较大时,智能体将获得更多的积极情绪增量,实际上就表示管理员更加注意那些带有消极情绪的智能体或者是积极情绪不高的智能体,通过影响这些特殊人群来控制人群的消极情绪的扩散;而当范围内的智能体与管理员的积极情绪值的差值较小时,特别是对于有较高积极情绪的智能体,管理员不需要过多关注。
优选的,当场景下处于积极情绪值低于管理员积极情绪值的个体,通过与管理员情绪感染后,自身的消极情绪值eneg更新如下式所示:
eneg=1-epos+Δep
由此可以看出,个体的消极情绪值会随着Δep的增加而增加,即消极情绪值越小,消极程度越严重。
优选的,这里选择排队场景中的4个个体的实验数据,对应4条曲线。分析这些个体在2种情况下的情绪变化趋势,如图5和图6所示,其中图5代表管理员在情绪爆发前出现,图6代表管理员在情绪爆发后出现。
从图5中可以看出,当管理员在消极情绪爆发前出现时,个体的消极情绪值在管理员的作用下,一直保持增长状态(情绪值越大代表情绪越积极)。在图6中,当消极情绪出现扩散后,并且发生插队的行为,此时没有管理员出现,个体的消极情绪值一直保持降低(数值越低代表消极情绪越严重),当管理员在t=5时刻出现后,个体的消极情绪值由下降趋势变为增长趋势,个体的消极情绪逐步减弱,最后甚至达到了积极的状态,最后保持稳定水平。
由此可见,本发明排队场景下人群运动建模仿真方法包括场景建模、情绪感染建模和人群排队仿真,通过构建排队场景,确组成模块和人群成员类别,对参与排队的智能体赋予情绪参数和个性参数,采用元胞自动机模型作为排队人群行为的动力模型,通过外部环境、智能体心理状态和智能体物理状态实现对智能体的行为建模。该方法建模构建了个体情绪波动的影响因素对人群排队中个体的行为的影响,还加入管理员情绪参数,建立预防排队人群混乱模型,仿真方法稳健有效,很好地生成逼真的预防排队人群发生混乱模拟结果。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。

Claims (10)

1.一种排队场景下人群运动建模仿真方法,其特征在于,包括以下步骤:
场景建模,构建排队场景,确定场景中组成模块,以及排队人群中的成员类别;
情绪感染建模,对参与排队的智能体赋予情绪参数和个性参数,根据所述情绪参数和个性参数,确定情绪感染对所述智能体在排队中的位置更新趋势的影响;
人群排队仿真,采用元胞自动机模型作为排队人群行为的动力模型,通过外部环境、智能体心理状态和智能体物理状态实现对智能体的行为建模。
2.根据权利要求1所述的排队场景下人群运动建模仿真方法,其特征在于,在所述场景建模步骤中,所述组成模块包括服务点、智能体、建筑物、障碍物以及等候区模块,所述排队人群中的智能体分为五种:排队者、非排队人员、接受服务人员、完成服务人员以及插队者。
3.根据权利要求2所述的排队场景下人群运动建模仿真方法,其特征在于,所述情绪参数包括(eneg,epos),来随机赋予每个智能体对应的情绪值,其中eneg代表消极情绪值,epos代表积极情绪值,智能体的情绪值满足以下关系:
Figure FDA0002276835040000011
4.根据权利要求3所述的排队场景下人群运动建模仿真方法,其特征在于,所述个性参数包括耐心度ωi,迫切度ui,友好度fi,其中i指表示智能体编号,针对智能体的迫切度ui,定义参数eu,表示智能体i因为希望接受服务的迫切度带来的消极情绪值,在时间t时,智能体i由于迫切度需要服务带来的消极情绪值定义为:
Figure FDA0002276835040000021
其中,
Figure FDA0002276835040000022
代表时间指数,表明迫切度影响的消极情绪值会随着时间的增长而成指数倍的增加。
5.根据权利要求4所述的排队场景下人群运动建模仿真方法,其特征在于,当插队行为出现时,插队者会影响其他智能体的消极情绪值,通过参数Dji来表示插队者j对于智能体i的消极情绪值影响,并且使用下式来计算所述智能体i获得的消极情绪值:
Figure FDA0002276835040000023
其中,L表示智能体i与插队者j之间的距离,Ei代表智能体i的情绪表达强度,取值范围为(0,1),Aji代表插队者j给予智能体i的情绪强度属性,Bij代表接收到智能体i反馈给插队者j的情绪强度属性。
6.根据权利要求5所述的排队场景下人群运动建模仿真方法,其特征在于,当智能体的两种消极情绪值来源eu和Dji计算结束后,在时间点t更新智能体i的消极情绪eneg为:
Figure FDA0002276835040000024
其中,K代表智能体i感知范围内插队者的个数。
7.根据权利要求6所述的排队场景下人群运动建模仿真方法,其特征在于,排队场景下智能体消极情绪爆概率参数p为:
Figure FDA0002276835040000025
其中,Δt代表智能体i在队列中等待的时间,τ代表常数。
8.根据权利要求7所述的排队场景下人群运动建模仿真方法,其特征在于,元胞自动机模型中的每个元胞包括3种状态,分别是有人、无人、建筑物;外界环境包括:管理员、插队者、队列通道、障碍物以及服务点;个体心理状态包括:迫切度、耐心度、友好度和性格;个体物理状态包括:行为决策与路径规划。
9.根据权利要求8所述的排队场景下人群运动建模仿真方法,其特征在于,当管理员参与排队管理时,智能体的积极情绪值为epos,设置管理员的积极情绪值为eα,则智能体的积极情绪值在管理员的作用下的增量Δep为:
Figure FDA0002276835040000031
10.根据权利要求9所述的排队场景下人群运动建模仿真方法,其特征在于,当排队场景下处于积极情绪值较低的智能体,通过与管理员情绪感染后,对应的消极情绪值eneg更新为:
eneg=1-epos+Δep
CN201911125977.5A 2019-11-18 2019-11-18 一种排队场景下人群运动建模仿真方法 Pending CN110991120A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911125977.5A CN110991120A (zh) 2019-11-18 2019-11-18 一种排队场景下人群运动建模仿真方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911125977.5A CN110991120A (zh) 2019-11-18 2019-11-18 一种排队场景下人群运动建模仿真方法

Publications (1)

Publication Number Publication Date
CN110991120A true CN110991120A (zh) 2020-04-10

Family

ID=70084729

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911125977.5A Pending CN110991120A (zh) 2019-11-18 2019-11-18 一种排队场景下人群运动建模仿真方法

Country Status (1)

Country Link
CN (1) CN110991120A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112669186A (zh) * 2020-12-31 2021-04-16 山东师范大学 人群疏散中积极情绪和消极情绪的最优化干预方法及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108153945A (zh) * 2017-12-11 2018-06-12 中山大学 一种基于多Agent的人群疏散仿真模型
CN109697305A (zh) * 2018-11-23 2019-04-30 山东师范大学 一种基于个性化情绪感染模型的情绪感染模拟方法和装置
CN109740192A (zh) * 2018-12-12 2019-05-10 山东师范大学 基于阿诺德情绪模型的人群疏散仿真方法及系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108153945A (zh) * 2017-12-11 2018-06-12 中山大学 一种基于多Agent的人群疏散仿真模型
CN109697305A (zh) * 2018-11-23 2019-04-30 山东师范大学 一种基于个性化情绪感染模型的情绪感染模拟方法和装置
CN109740192A (zh) * 2018-12-12 2019-05-10 山东师范大学 基于阿诺德情绪模型的人群疏散仿真方法及系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘箴等: "人群拥挤事件中的一种情绪感染仿真模型研究", 《计算机研究与发展》 *
殷辉: "人群排队事件中的情绪感染分析与建模仿真研究", 《中国优秀硕士学位论文全文数据库(电子期刊)(信息科技辑)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112669186A (zh) * 2020-12-31 2021-04-16 山东师范大学 人群疏散中积极情绪和消极情绪的最优化干预方法及系统
CN112669186B (zh) * 2020-12-31 2022-10-11 山东师范大学 人群疏散中积极情绪和消极情绪的最优化干预方法及系统

Similar Documents

Publication Publication Date Title
Santos et al. A critical review of emergency evacuation simulation models
Hetu et al. A simulation framework for crisis management: Design and use
Pereira et al. Emergency evacuation models based on cellular automata with route changes and group fields
Averill Five grand challenges in pedestrian and evacuation dynamics
Chu et al. Computational framework incorporating human behaviors for egress simulations
Chen et al. Cellular automaton model for social forces interaction in building evacuation for sustainable society
Liu et al. A perception‐based emotion contagion model in crowd emergent evacuation simulation
Radianti et al. A spatio-temporal probabilistic model of hazard-and crowd dynamics for evacuation planning in disasters
Tavares Evacuation processes versus evacuation models:“Quo Vadimus”?
Zhang et al. Pedestrian evacuation modeling and simulation in multi-exit scenarios
Mao et al. Modeling group structures with emotion in crowd evacuation
Chu et al. Incorporating social behaviors in egress simulation
Lu et al. Guidance optimization of building evacuation considering psychological features in route choice
Chen Agent-based research on crowd interaction in emergency evacuation
Wu et al. Visual information based social force model for crowd evacuation
Mohd Ibrahim et al. The role of crowd behavior and cooperation strategies during evacuation
CN110991120A (zh) 一种排队场景下人群运动建模仿真方法
CN108388752B (zh) 一种适用于应急撤离的群体仿真方法
Huang et al. Cellular Automata Simulation Model for Emergency Evacuation Planning
Chen et al. Aligning simulation models of smallpox outbreaks
Ranganathan et al. An automated decision support system based on game theoretic optimization for emergency management in urban environments
Peköz Optimal policies for multi-server non-preemptive priority queues
Ma et al. Research on crowd dynamic risk management based on the psychological stress perception function
Formolo et al. Simulating collective evacuations with social elements
Xue et al. A personality-based model of emotional contagion and control in crowd queuing simulations

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