CN112669186B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN112669186B CN112669186B CN202011633030.8A CN202011633030A CN112669186B CN 112669186 B CN112669186 B CN 112669186B CN 202011633030 A CN202011633030 A CN 202011633030A CN 112669186 B CN112669186 B CN 112669186B
- Authority
- CN
- China
- Prior art keywords
- intervention
- event
- emotion
- positive
- negative
- 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.)
- Active
Links
- 230000008451 emotion Effects 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 81
- 208000015181 infectious disease Diseases 0.000 claims abstract description 64
- 238000011084 recovery Methods 0.000 claims abstract description 52
- 230000007704 transition Effects 0.000 claims abstract description 52
- 230000008569 process Effects 0.000 claims abstract description 47
- 238000004393 prognosis Methods 0.000 claims abstract description 16
- 230000002860 competitive effect Effects 0.000 claims abstract description 14
- 230000002996 emotional effect Effects 0.000 claims description 79
- 230000006870 function Effects 0.000 claims description 23
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 8
- 230000001629 suppression Effects 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 230000035876 healing Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 abstract description 3
- 241000257303 Hymenoptera Species 0.000 description 16
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 230000036651 mood Effects 0.000 description 6
- 235000012907 honey Nutrition 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000001737 promoting effect Effects 0.000 description 3
- 241001091282 Trimorphodon lambda Species 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 235000013305 food Nutrition 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002458 infectious effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007115 recruitment Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本公开提供了一种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,获取人群中的总人数,得到积极情绪感染事件、消极情绪感染事件、积极情绪恢复事件和消极情绪恢复事件的发生概率;根据各个事件的发生概率得到各个事件在预设时间段内仅发生一次状态转移的概率,得到当前时刻的人群状态;以收益率最低为目标,得到最优干预事件发生强度,基于当前时刻的人群状态,根据得到的最优干预事件发生强度进行人群干预,得到干预后的人群状态;本公开实现了积极情绪和消极情绪的竞争传播过程的分析,实现了最优干预事件发生强度的人群干预,提高了干预精度和干预效率。
Description
技术领域
本公开涉及数据处理技术领域,特别涉及一种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。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术,并不必然构成现有技术。
当发生紧急事件时,人群中会同时传播积极情绪和消极情绪。积极情绪让人们冷静下来,消极情绪则让人们失去理智。如果不对消极情绪加以抑制,不对积极情绪加以扩大,将会产生很严重的后果。针对情绪干预的研究也越来越受到研究者们的关注。
在实现本公开的过程中,发明人发现现有技术中存在以下技术问题:
目前原有的情绪建模方法中,有的研究了负面情绪建模,有的研究了积极情绪建模。然而,现实的场景中情绪传播是复杂的,会同时存在积极情绪感染和消极情绪传播,之前的情绪研究方法都没有考虑积极情绪和消极情绪同时传播的场景。并且当前情绪动力学模型都是确定性的模型,即使用了平均场的理论,感染者是以确定性的等式演化发展,因此这个过程无法捕获人群情绪的动态演化过程。
发明内容
为了解决现有技术的不足,本公开提供了一种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,实现了积极情绪和消极情绪的竞争传播过程的分析,实现了最优干预事件发生强度的人群干预,提高了干预精度和干预效率。
为了实现上述目的,本公开采用如下技术方案:
本公开第一方面提供了一种人群疏散中积极情绪和消极情绪的最优化干预方法。
一种人群疏散中积极情绪和消极情绪的最优化干预方法,包括以下步骤:
获取人群中的总人数,得到积极情绪感染事件、消极情绪感染事件、积极情绪恢复事件和消极情绪恢复事件的发生概率;
根据各个事件的发生概率得到各个事件在预设时间段内仅发生一次状态转移的概率,得到当前时刻的人群状态;
以收益率最低为目标,得到最优干预事件发生强度,基于当前时刻的人群状态,根据得到的最优干预事件发生强度进行人群干预,得到干预后的人群状态。
作为可能的一些实现方式,根据各个事件的发生概率得到各个事件在预设时间段内仅发生一次状态转移的概率,利用马尔科夫过程分析积极情绪和消极情绪的竞争传播过程,得到当前时刻人群的马尔科夫状态。
作为可能的一些实现方式,干预事件包括消极情绪抑制事件、消极情绪治愈事件、积极情绪促进事件和积极情绪保护事件;
一个消极情绪抑制事件的发生对应单位时间每个消极情绪感染者的有效感染人数减1,一个消极情绪治愈事件的发生对应单位时间每个消极情绪感染者的恢复人数加1;
一个积极情绪促进事件的发生对应单位时间每个积极情绪感染者的有效感染人数加1,一个积极情绪保护事件的发生对应单位时间每个积极情绪感染者的恢复人数减1。
根据进一步的限定,利用霍克斯过程分别构建四种干预事件的事件发生强度,分别用于干预各个事件的状态转移概率中的参数;
得到施加干预措施后的消极情绪感染率、积极情绪感染率、消极情绪恢复率、积极情绪恢复率,进一步的得到新的状态转移概率,得到新的状态转移矩阵;
根据干预后的状态转移矩阵,得到干预之后积极情绪和消极情绪竞争传播过程,进一步得到干预后的人群状态。
作为可能的一些实现方式,以收益率最低为目标构建目标函数,采用人工蜂群最优干预积极/消极情绪感染算法求解目标函数,得到干预强度的最优参数,进而得到最优干预强度,根据最有干预强度进行人群干预。
作为可能的一些实现方式,干预事件的发生强度根据干预强度的基础影响强度、历史干预事件影响强度的缩放因子和历史干预事件影响强度的衰减因子构建。
作为可能的一些实现方式,收益率为收益函数与成本函数的比值,收益函数为干预前和干预后的积极情绪感染者人数差和消极情绪感染者人数差的和,成本函数为各个干预事件发生强度与对应的单位成本的乘积的和。
本公开第二方面提供了一种人群疏散中积极情绪和消极情绪的最优化干预系统,包括:
事件发生概率计算模块,被配置为:获取人群中的总人数,得到积极情绪感染事件、消极情绪感染事件、积极情绪恢复事件和消极情绪恢复事件的发生概率;
事件转移概率计算模块,被配置为:根据各个事件的发生概率得到各个事件在预设时间段内仅发生一次状态转移的概率,得到当前时刻的人群状态;
人群最优化干预模块,被配置为:以收益率最低为目标,得到最优干预事件发生强度,基于当前时刻的人群状态,根据得到的最优干预事件发生强度进行人群干预,得到干预后的人群状态。
本公开第三方面提供了一种计算机可读存储介质,其上存储有程序,,该程序被处理器执行时实现如本公开第一方面所述的人群疏散中积极情绪和消极情绪的最优化干预方法中的步骤。
本公开第四方面提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开第一方面所述的人群疏散中积极情绪和消极情绪的最优化干预方法中的步骤。
与现有技术相比,本公开的有益效果是:
1、本公开所述的方法、系统、介质或电子设备,构建了基于随机事件的积极/消极情绪竞争传播模型,利用多变量马尔科夫过程分析积极情绪和消极情绪的竞争传播过程,提高了竞争传播过程分析的准确度。
2、本公开所述的方法、系统、介质或电子设备,构建了基于Hawkes点过程的干预模型,该模型对干预的强度进行了建模,并且定义了干预强度函数来量化影响竞争传播模型的多个因素,实现了干预强度与竞争传播过程的有效关联。
3、本公开所述的方法、系统、介质或电子设备,本公开将干预优化问题定义为干预效用最大化的问题,并提出了一种启发式算法来求解,实现了最优干预事件发生强度的人群干预,提高了干预精度和干预效率。
本公开附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本公开的实践了解到。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1为本公开实施例1提供的人群疏散中积极情绪和消极情绪的最优化干预方法的流程示意图。
图2为本公开实施例1提供的积极情绪和消极情绪竞争状态转移示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开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公开的示例性实施方式。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,本公开中的实施例及实施例中的特征可以相互组合。
实施例1:
如图1所示,本公开实施例1提供了一种人群疏散中积极情绪和消极情绪的最优化干预方法,包括以下步骤:
获取人群中的总人数,得到积极情绪感染事件、消极情绪感染事件、积极情绪恢复事件和消极情绪恢复事件的发生概率;
根据各个事件的发生概率得到各个事件在预设时间段内仅发生一次状态转移的概率,得到当前时刻的人群状态;
以收益率最低为目标,得到最优干预事件发生强度,基于当前时刻的人群状态,根据得到的最优干预事件发生强度进行人群干预,得到干预后的人群状态。
具体的,包括以下内容:
S1:构建了基于随机事件的积极/消极情绪竞争传播模型(SE-NPEC),该模型利用多变量马尔科夫过程分析积极/消极情绪的竞争传播演化过程;
S2:提出了基于Hawkes点过程的干预模型,该模型对干预的强度进行了建模,并且定义了干预强度函数来量化影响竞争传播模型的多个因素;
S3:将干预优化问题定义为干预效用最大化的问题,并提出了一种启发式算法来求解。
S1中的基于随机事件的情绪传播模型的构建过程如下:
首先构建了积极/消极情绪竞争传播的规则。基于流行病模型SIS,构建了一个耦合积极情绪和消极情绪感染的竞争传播模型。在该模型中,S表示易感个体,N表示消极情绪感染者,P表示积极情绪感染者。消极情绪感染者与积极情绪感染者竞争感染无情绪个体,同时消极情绪感染者会以一定速率将积极感染者恢复为易感个体,积极情绪感染者会以一定速率将消极情绪恢复为易感个体。如表1所示定义了积极情绪和消极情绪感染者随着时间的变化竞争感染过程的参数。
表1:积极/消极情绪竞争过程的参数描述。
然后定义了随机事件并计算了随机事件的发生概率。为了准确地分析人群中积极情绪感染者和消极情绪感染者随着时间的变化,定义了积极/消极情绪感染事件和积极/消极情绪恢复事件,如下所示:
Definition 1:感染事件和恢复事件。在任意时间段上,发生一个消极情绪感染事件表示有一个易感个体感染为消极情绪个体,即从N(t)=n到N(t+Δt)=n+1。发生一个消极情绪恢复事件表示有一个消极情绪个体恢复为易感个体,即从N(t)=n到N(t+Δt)=n-1。发生一个积极情绪感染事件表示有一个易感个体感染为积极情绪个体,即从P(t)=p到P(t+Δt)=p+1。发生一个积极情绪恢复事件表示有一个积极情绪个体恢复为易感个体,即从P(t)=p到P(t+Δt)=p-1。
因为人群中的情绪感染都是随机的不确定的,所以定义1中的四种事件都是随机事件。人群中随机事件的发生直接导致了积极/消极情绪感染者人数的变化,进而推动了积极/消极情绪的竞争传播过程。为了准确描述两种情绪在人群中的竞争传播过程,需要求解人群中不同随机事件的发生概率。假设人群是随机混合的,并且每个感染者都能和剩余所有易感个体接触。下面给出了四种随机事件的发生概率。
其中T(t)表示历史发生的消极情绪感染事件,Pr{d(N(t)=1|T(t))}表示在历史消极情绪感染事件的条件下发生一个感染事件的概率。β1(t)表示t时刻消极情绪感染率(即单个消极感染者单位时间内有效感染的人数),表示在t时刻易感个体在总人数中的比例,β1(t)N(t)表示在单位时间所有消极情绪感染者能感染的有效人数,则β1(t)N(t)S(t)dt表示单位时间发生一个消极感染事件的概率。
消极恢复事件的发生概率:
Pr{d(N(t)=-1|T(t))}=γ1(t)N(t)dt (2)
其中Pr{d(N(t)=-1|T(t))}表示在历史消极情绪恢复事件的条件下发生一个消极情绪恢复事件的概率,γ1(t)表示t时刻消极情绪恢复率(即单位时间的消极情绪感染者恢复速率),γ1(t)N(t)表示积极感染者能让消极感染者情绪恢复易感者的速率,γ1(t)N(t)dt表示单位时间发生一个消极恢复事件的概率。
积极感染事件的发生概率:
其中Pr{d(P(t)=1|T(t))}表示在历史积极情绪感染事件的条件下发生一个积极情绪感染事件的概率。β2(t)表示t时刻消极情绪感染率(即单个消极感染者单位时间内有效感染的人数),其中表示在t时刻易感个体在总人数中的比例,β2(t)P(t)表示在单位时间所有积极情绪感染者能感染的有效人数,则β2(t)P(t)S(t)dt表示单位时间发生一个积极感染事件的概率。
积极恢复事件的发生概率:
Pr{d(P(t)=-1|T(t))}=γ2(t)P(t)dt (4)
其中Pr{d(P(t)=1|T(t))}表示在历史积极情绪感染事件的条件下发生一个积极情绪感染事件的概率,γ2(t)表示t时刻积极情绪恢复率(即单位时间的积极情绪感染者恢复速率),γ2(t)N(t)表示消极感染者能让积极感染者情绪恢复易感者的速率,γ2(t)N(t)dt表示单位时间发生一个积极恢复事件的概率。
最后进行人群状态转移计算,为了能更精确地干预积极/消极情绪感染,需要得到积极/消极情绪动态竞争传播过程,即积极情绪感染者和消极情绪感染者随着时间人数的变化情况。本实施例中定义了人群的状态,用人群状态描述各个时刻积极/消极情绪感染者的数量。然后构建了一个状态转移矩阵,计算随着时间人群状态的变化情况,进而分析两种情绪的竞争传播过程。
在SE-NPEC中,存在两个独立随机变量N(t)和P(t),用这两个随机变量来表示人群当前的竞争感染状态,定义{n,p}为人群的状态,表示当前状态消极情绪感染者的数量为n,积极情绪感染者的数量为p。通过人群状态变化,来分析人群中两种情绪的竞争传播过程。人群中发生了随机事件会导致积极/消极情绪感染者的数量变化,进而导致人群状态发生转移,四种随机事件对应四种状态转移。
如图2所示,图中的有序实数对表示人群的状态,其中箭头指向的四个方向人群下一步可以转移的状态。人群发生了一次积极感染事件人群状态会向上转移,发生了一次积极恢复事件人群状态会向下转移,发生了一次消极恢复事件人群状态会向左转移,发生了一次消极感染事件人群状态会向右转移。
Definition 2:人群状态转移。
{n,p}→{n+1,p}:发生了一次消极情绪感染事件,{n,p}→{n-1,p}:发生了一次消极情绪恢复事件,{n,p}→{n,p+1}:发生了一次积极情绪感染事件,{n,p}→{n,p-1}:发生了一次积极情绪恢复事件。
令Δt为足够小的时间间隔,在Δt内能发生且仅能发生一次随机事件,定义公式(1)-公式(4)四种随机事件发生概率之和为发生事件的概率用O表示,可以在发生随机事件的条件下求四种状态转移发生的概率,如下所示。
{n,p}→{n+1,p}的状态转移,即在Δt内发生事件的条件下,仅发生一次消极情绪感染事件,其他三种感染事件都不发生,该转移概率如下所示:
为了简化书写,用a(n,p)表示pr({n,p}→{n+1,p}|O)。
{n,p}→{n-1,p}的状态转移,即在Δt内发生事件的条件下,仅发生一次消极情绪恢复事件,其他三种随机事件都不发生,该转移概率如下所示:
为了简化书写,用b(n,p)表示pr({n,p}→{n-1,p}|O)。
{n,p}→{n,p+1}的状态转移,即在Δt内发生事件的条件下,仅发生一次积情绪感染事件,其他三种随机事件都不发生,则该转移概率如下所示:
为了简化书写,用c(n,p)表示pr({n,p}→{n,p+1}|O)。
{n,p}→{n,p-1}的状态转移,即在Δt内发生事件的条件下,仅发生一次积极情绪恢复事件,其他三种随机事件都不发生,该转移概率如下所示:
为了简化书写,用d(n,p)表示pr({n,p}→{n,p-1}|O)。
由公式(5)-公式(8)得:
其中pr({n,p}→{n+k,p+m}|O)表示状态转移{n,p}→{n+k,p+m},通过公式(9)构建了状态转移矩阵,如下所示:
pr({n,p}→{n+k,p+m}|O)是Pr(Δt)的一个元素({n+k,p+m},{n,p})。该矩阵表示列状态向行状态转移的概率,例如矩阵的(1,1)元素表示状态{0,0}转移为{0,0}的概率,元素(1,2)表示状态{0,1}转移为{0,0}的概率。状态{0,0}表示当前人群无感染者,人群状态不会发生变化因此状态{0,0}转移为的概率{0,0}为1。在该矩阵中每一列的概率之和相加为1。
在积极情绪和消极情绪的动态竞争中,当前的感染状态仅仅和上一时刻有关,下一时刻的状态转移仅与当前状态有关,这个过程符合马尔科夫过程,下面使用多变量马尔科夫过程分析积极/消极情绪的竞争传播过程。
Definition 3:人群的马尔科夫状态,定义积极/消极情绪竞争场景下人群的状态向量为v(t)=(pr{0,0}(t),pr{0,1}(t),.....pr{M-1,1}(t),pr{M,0}(t))T,其中pr{n,p}(t)表示在t时刻人群状态为{n,p}的概率。
利用马尔科夫性质,pr{n,p}(t+Δt)满足的差分方程表示为:
由此可以得到,给定状态向量v(t),则下一个时间步的状态可以通过pr(Δt)v(t)求得,给定一个场景可以定义它的初始状态向量v(0),然后根据状态转移矩阵求解下一个时间步的人群状态向量,具体求解如下所示:
v(Δt)=Pr(Δt)v(0) (12)
v(t+Δt)=Pr(Δt)v(t)=Prn+1(Δt)v(0) (13)
得到当前的状态向量之后,将概率最大的pr{n,p}(t)下标{n,p}作为人群在t时刻的状态。
S2中的干预模型的构建过程如下:
使用Hawkes过程为人工干预建模。在积极/消极情绪干预过程中,当前人工干预的投入受到历史干预结果的制约。这个过程符合霍克斯分布。霍克斯过程可以很好地描述历史干预事件对当前干预强度的影响。因此,选择Hawkes过程来模拟干预强度,希望紧急情况下最大限度地减少消极情绪的感染,增大积极情绪的感染,干预事件分为以下四种:
消极情绪抑制事件(控制危险源等):该事件的作用是减少消极情绪感染者的感染速率,一个事件的发生对应单位时间每个消极情绪感染者的有效感染人数减1。
消极情绪治愈事件(出动安全员等):该事件的作用是治愈消极情绪感染者,使其恢复平静,提高人群中消极情绪感染者的恢复速率,一个事件的发生对应单位时间每个消极情绪感染者的恢复人数加1。
积极情绪促进事件(广播积极信息等):该事件的作用是增大积极情绪的传播速率,提高积极情绪感染者的感染速率,一个事件的发生对应单位时间每个积极情绪感染者的有效感染人数加1。
积极情绪保护事件(隔离消极感染者等):该事件的作用是减小消极情绪对积极情绪的影响程度,减小积极情绪感染者恢复为易感个体的速率,一个事件的发生对应单位时间每个积极情绪感染者的恢复人数减1。
利用霍克斯过程分别构建四种干预事件的事件发生强度,如下所示:
其中,μ1、μ2、μ3、μ4分别表示四种干预强度的基础影响强度。κ1、κ2、κ3、κ4分别表示四种历史干预事件影响强度的缩放因子,即四种历史干预事件对当前干预事件影响程度的缩放比例。θ1、θ2、θ3、θ4分别表示四种历史干预事件影响强度的衰减因子,即随着时间发展四种历史干预事件对未来干预事件的影响会逐渐降低。λ1(t)表示消极情绪抑制事件发生强度,即在t时刻发生消极情绪抑制事件的次数。λ2(t)表示积极情绪促进事件发生强度,即在t时刻发生积极情绪促进事件的次数。λ3(t)表示消极情绪治愈事件发生强度,即在t时刻发生消极情绪治愈事件的次数。λ4(t)表示积极情绪保护事件发生强度,即在t时刻发生积极情绪保护事件的次数,这四种干预强度分别干预SE-NPEC中的β1、β2、γ1、γ2四个参数,因此得到:
β1 *(t)=β1(t)-λ1(t) (20)
β2 *(t)=β2(t)+λ2(t) (21)
γ1 *(t)=γ1(t)+λ3(t) (22)
γ2 *(t)=γ2(t)-λ4(t) (23)
其中β1 *(t)、β2 *(t)、γ1 *(t)、γ2 *(t)分别表示施加干预措施后的消极情绪感染率、积极情绪感染率、消极情绪恢复率、积极情绪恢复率。进一步地,可以得到新的状态转移概率。
加入干预后,发生一次消极情绪感染事件,{n,p}→{n+1,p}的状态转移概率为:
为了简化书写,用a*(n,p)表示pr*({n,p}→{n+1,p}|O)。
加入干预后,发生一次消极情绪恢复事件,{n,p}→{n-1,p}的状态转移概率为:
为了简化书写,用b*(n,p)表示pr*({n,p}→{n-1,p}|O)。
加入干预后,发生一次积极情绪感染事件,{n,p}→{n,p+1}的状态转移概率为:
为了简化书写,用c*(n,p)表示pr*({n,p}→{n,p+1}|O)。
加入干预后,发生一次积极情绪恢复事件,{n,p}→{n,p-1}的状态转移概率为:
为了简化书写,用d*(n,p)表示pr*({n,p}→{n,p-1}|O)。
由此得到了加入干预措施之后的状态转移矩阵,如下所示:
根据干预后的状态转移矩阵,可以求得干预之后积极/消极情绪竞争传播过程,如下所示:
v(Δt)=Pr*(Δt)v(0) (29)
v(t+Δt)=Pr*(Δt)v(t)=Pr*n+1(Δt)v(0) (30)
根据状态向量可以求得干预后的人群状态。
S3中的干预优化过程如下:
首先,将干预优化问题定义为干预效用最大化的问题。在现实世界中,干预措施的施加必然带来资源的消耗。如果投入了过量的干预强度会导致资源的浪费,投入了过小的干预强度则对积极/消极情绪竞争传播过程产生干预作用很小。
本实施例中,定义了一个最优收益率问题,寻找人工干预收益和成本花费的最优平衡。有了最优收益率的约束,能够根据人群状态的变化自适应地调整干预强度,达到最优干预效果。
本实施例将干预前和干预后的积极情绪感染者人数差和消极情绪感染者人数差作为干预收益,收益函数如下所示:
G(t+Δt)=(N(t)-N*(t+Δt))+(P*(t+Δt)-P(t)) (31)
等式(31)中N*(t+Δt)和P*(t+Δt)分别表示在t到t+Δt时间段加入干预后的消极情绪感染者和积极情绪感染者的数量,G(t+Δt)表示t到t+Δt时间段的干预收益。当使用人工干预时,必须支付人工干预的成本。
成本函数如下:
C(t+Δt)=ηλ1(t)Δt+σλ2(t)Δt+ξλ3(t)Δt+ρλ4(t)Δt (32)
其中C(t)表示在t时刻采取四种干预措施产生的代价,其中η表示λ1(t)的单位成本,σ表示λ2(t)的单位成本,ξ表示λ3(t)的单位成本,ρ表示λ4(t)的单位成本。提出的最优化干预问题是尽可能最大化收益最小化成本,因此定义了一个收益率来衡量优化的效果,收益率形式如下所示:
其中E(t+Δt)表示在t+Δt时刻的收益率,通过求解干预强度的最优参数,使干预强度达到最优,从而使收益率达到最大。
定义:
式(34)中参数为t时刻干预强度的12个最优参数,通过它们,可以计算最优干预强度,定义λ1 *(t),λ2 *(t),λ3 *(t),λ4 *(t)为最优干预强度。
下面是最优化问题定义:
等式(35)中E*(λ* 1(t),λ* 2(t),λ* 3(t),λ* 4(t))表示t时刻的最优收益率。
本实施例中,通过NP-ABC算法求解最优干预强度。
人工蜂群算法(ABC)是一种基于群体智能的全局优化算法,其直观的背景来自大自然中蜜蜂采蜜的行为。蜜蜂群体分工明确,根据不同的分工完成不同的使命,并且蜜蜂之间消息互通,最终找到最合适的蜜源。人工蜂群算法通过模拟蜜蜂寻找蜜源来寻找最优解,算法中把蜜蜂分为三类分别是引领蜂、跟随蜂、侦查蜂。引领蜂采到花蜜之后,回到蜂巢跟蜜蜂们分享信息,跟随蜂根据蜜源的信息决定要不要跟随引领蜂去采集蜜源,如果蜜源的质量一直不能得到改善,引领蜂将会放弃它,变为侦查蜂继续寻找蜜源。侦查蜂在蜂巢附近寻找蜜源一旦发现好的蜜源立刻变为引领蜂并且重复上述过程。
为了解决最优问题,提出了一种人工蜂群最优干预积极/消极情绪感染算法(NP-ABC)。算法的初始阶段需要进行初始化,包括确定种群数、最大迭代数控制参数limit。并且在初始空间随机生成初始解xi(i=1,2,3,……,SN),SN为食物源个数,每个解xi是一个12维的向量,xij(j=1,2,3...12)代表人工控制强度的12个参数之一,用xi能确定一个候选控制强度。定义fit为适应度值,将这些候选解带入到目标函数计算适应度值,并记录了最大适应度值对应的解,fiti表示第i个解的适应度值,形式如下所示:
接下来蜂群进入了搜索阶段,引领蜂在已知解的附近寻找新的解,并将其记录下来,计算它的适应度值,搜寻新的解的等式如下所示:
wij=xij+φij(xij-xkj) (37)
等式(37)中k∈﹛1,2,...,SN﹜,j∈{1,2,...,12}i∈﹛1,2,...,SN﹜,且k≠i,φij为[-1,1]之间的随机数。接下来,算法计算新解并求该解的适应度值,若新解的fiti优于旧解,则引领蜂记住新解忘记旧解。反之,它将保留旧解。在所有引领蜂完成搜寻过程之后,引领蜂会在招募区跳摇摆舞把解的信息及信息与跟随蜂分享。跟随蜂计算每个解的选择概率进行选择,本实施例提出的计算等式如下所示:
然后在区间[-1,1]内随机产生一个数,如果Pri大于该随机数,则跟随蜂由等式(37)产生一个新解,并检验新解的适应度值,若新解的fiti比之前好,则跟随蜂将记住新解忘掉旧解;反之,它将保留旧解。如果Pri小于该随机数则不会产生新的解。最后如果解决方案xi没有在预定数量的迭代中得到改进,那么相应的引领蜂i放弃该解决方案,并成为一个侦察蜂。当迭代次数达到最大值时,算法停止。该算法可以多次执行,以提高算法的鲁棒性。
以下为本公实施例所述人工蜂群最优干预积极/消极情绪传播算法(NP-ABC):
输入:SN、max cycle、limit、N(0)、P(0)、β1、β2、γ1、γ2、M
输出:最优解xbest
1:初始化SN解;
2:用方程(36)计算所有解的适应度值,并记录最大适应度值和相应的最优解;
3:Cycle=0;
4:每一只引领蜂都按照等式(37)进行邻域搜索产生新解(食物源)vi,并按照等式(36)计算其适应度值;
5:每一只跟随蜂都按照等式(38)求解Pri;
6:如果在搜索限制中没有改进解,相应的被雇用的蜜蜂将放弃解,并转化为侦察蜂,重新初始化解;
7:用方程(38)计算所有解的适应度值,并记录最大适应度值和相应的最优解;
8:Cycle=Cycle+1;
9:重复步骤4-步骤9,直到Cycle=maxcycle。
实施例2:
本公开实施例2提供了一种人群疏散中积极情绪和消极情绪的最优化干预系统,包括:
事件发生概率计算模块,被配置为:获取人群中的总人数,得到积极情绪感染事件、消极情绪感染事件、积极情绪恢复事件和消极情绪恢复事件的发生概率;
事件转移概率计算模块,被配置为:根据各个事件的发生概率得到各个事件在预设时间段内仅发生一次状态转移的概率,得到当前时刻的人群状态;
人群最优化干预模块,被配置为:以收益率最低为目标,得到最优干预事件发生强度,基于当前时刻的人群状态,根据得到的最优干预事件发生强度进行人群干预,得到干预后的人群状态。
所述系统的工作方法与实施例1提供的人群疏散中积极情绪和消极情绪的最优化干预方法相同,这里不再赘述。
实施例3:
本公开实施例3提供了一种计算机可读存储介质,其上存储有程序,,该程序被处理器执行时实现如本公开实施例1所述的人群疏散中积极情绪和消极情绪的最优化干预方法中的步骤。
实施例4:
本公开实施例4提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开实施例1所述的人群疏散中积极情绪和消极情绪的最优化干预方法中的步骤。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (7)
1.一种人群疏散中积极情绪和消极情绪的最优化干预方法,其特征在于:包括以下步骤:
获取人群中的总人数,得到积极情绪感染事件、消极情绪感染事件、积极情绪恢复事件和消极情绪恢复事件的发生概率;
根据各个事件的发生概率得到各个事件在预设时间段内仅发生一次状态转移的概率,利用马尔科夫过程分析积极情绪和消极情绪的竞争传播过程,得到当前时刻人群的马尔科夫状态;
以收益率最低为目标构建目标函数,采用人工蜂群最优干预积极/消极情绪感染算法求解目标函数,得到干预强度的最优参数,进而得到最优干预事件发生强度;基于当前时刻的人群状态,根据得到的最优干预事件发生强度进行人群干预,得到干预后的人群状态;
其中,所述干预事件包括消极情绪抑制事件、消极情绪治愈事件、积极情绪促进事件和积极情绪保护事件;
利用霍克斯过程分别构建四种干预事件的事件发生强度,分别用于干预各个事件的状态转移概率中的参数;
可得到施加干预措施后的消极情绪感染率、积极情绪感染率、消极情绪恢复率、积极情绪恢复率,进一步得到新的状态转移概率,得到新的状态转移矩阵;
根据干预后的状态转移矩阵,得到干预之后积极情绪和消极情绪竞争传播过程,进一步得到干预后的人群状态。
2.如权利要求1所述的人群疏散中积极情绪和消极情绪的最优化干预方法,其特征在于:
所述干预事件中一个消极情绪抑制事件的发生对应单位时间每个消极情绪感染者的有效感染人数减1,一个消极情绪治愈事件的发生对应单位时间每个消极情绪感染者的恢复人数加1;
一个积极情绪促进事件的发生对应单位时间每个积极情绪感染者的有效感染人数加1,一个积极情绪保护事件的发生对应单位时间每个积极情绪感染者的恢复人数减1。
3.如权利要求1所述的人群疏散中积极情绪和消极情绪的最优化干预方法,其特征在于:
干预事件的发生强度根据干预强度的基础影响强度、历史干预事件影响强度的缩放因子和历史干预事件影响强度的衰减因子构建。
4.如权利要求1所述的人群疏散中积极情绪和消极情绪的最优化干预方法,其特征在于:
收益率为收益函数与成本函数的比值,收益函数为干预前和干预后的积极情绪感染者人数差和消极情绪感染者人数差的和,成本函数为各个干预事件发生强度与对应的单位成本的乘积的和。
5.一种人群疏散中积极情绪和消极情绪的最优化干预系统,其特征在于:包括:
事件发生概率计算模块,被配置为:获取人群中的总人数,得到积极情绪感染事件、消极情绪感染事件、积极情绪恢复事件和消极情绪恢复事件的发生概率;
事件转移概率计算模块,被配置为:根据各个事件的发生概率得到各个事件在预设时间段内仅发生一次状态转移的概率,利用马尔科夫过程分析积极情绪和消极情绪的竞争传播过程,得到当前时刻人群的马尔科夫状态;人群最优化干预模块,被配置为:以收益率最低为目标构建目标函数,采用人工蜂群最优干预积极/消极情绪感染算法求解目标函数,得到干预强度的最优参数,进而得到最优干预事件发生强度;基于当前时刻的人群状态,根据得到的最优干预事件发生强度进行人群干预,得到干预后的人群状态;
其中,所述干预事件包括消极情绪抑制事件、消极情绪治愈事件、积极情绪促进事件和积极情绪保护事件;
利用霍克斯过程分别构建四种干预事件的事件发生强度,分别用于干预各个事件的状态转移概率中的参数;
可得到施加干预措施后的消极情绪感染率、积极情绪感染率、消极情绪恢复率、积极情绪恢复率,进一步得到新的状态转移概率,得到新的状态转移矩阵;
根据干预后的状态转移矩阵,得到干预之后积极情绪和消极情绪竞争传播过程,进一步得到干预后的人群状态。
6.一种计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-4任一项所述的人群疏散中积极情绪和消极情绪的最优化干预方法中的步骤。
7.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-4任一项所述的人群疏散中积极情绪和消极情绪的最优化干预方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011633030.8A CN112669186B (zh) | 2020-12-31 | 2020-12-31 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011633030.8A CN112669186B (zh) | 2020-12-31 | 2020-12-31 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112669186A CN112669186A (zh) | 2021-04-16 |
CN112669186B true CN112669186B (zh) | 2022-10-11 |
Family
ID=75413190
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011633030.8A Active CN112669186B (zh) | 2020-12-31 | 2020-12-31 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112669186B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113290567B (zh) * | 2021-04-19 | 2023-04-18 | 山东师范大学 | 基于群体情绪识别的人群疏散引导机器人 |
CN117275676B (zh) * | 2023-11-21 | 2024-02-09 | 深圳市健怡康医疗器械科技有限公司 | 一种神经内科监护安全隐患分析方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609717A (zh) * | 2017-10-12 | 2018-01-19 | 南京航空航天大学 | 社交网络中一种基于Kalman滤波器的帖子转发量预测方法 |
CN108009573A (zh) * | 2017-11-24 | 2018-05-08 | 北京物灵智能科技有限公司 | 一种机器人情绪模型生成方法、情绪模型以及交互方法 |
CN108446469A (zh) * | 2018-03-07 | 2018-08-24 | 山东师范大学 | 一种基于视频驱动的群组行为疏散仿真方法及装置 |
CN109460591A (zh) * | 2018-10-24 | 2019-03-12 | 山东师范大学 | 基于优化积极情绪感染的人群疏散仿真方法及装置 |
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 |
CN110991120A (zh) * | 2019-11-18 | 2020-04-10 | 郑州大学 | 一种排队场景下人群运动建模仿真方法 |
CN111407255A (zh) * | 2020-04-01 | 2020-07-14 | 四川大学华西医院 | 一种通过心率变化与语音来记录、评估和干预情绪的方法 |
-
2020
- 2020-12-31 CN CN202011633030.8A patent/CN112669186B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609717A (zh) * | 2017-10-12 | 2018-01-19 | 南京航空航天大学 | 社交网络中一种基于Kalman滤波器的帖子转发量预测方法 |
CN108009573A (zh) * | 2017-11-24 | 2018-05-08 | 北京物灵智能科技有限公司 | 一种机器人情绪模型生成方法、情绪模型以及交互方法 |
CN108446469A (zh) * | 2018-03-07 | 2018-08-24 | 山东师范大学 | 一种基于视频驱动的群组行为疏散仿真方法及装置 |
CN109460591A (zh) * | 2018-10-24 | 2019-03-12 | 山东师范大学 | 基于优化积极情绪感染的人群疏散仿真方法及装置 |
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 |
CN110991120A (zh) * | 2019-11-18 | 2020-04-10 | 郑州大学 | 一种排队场景下人群运动建模仿真方法 |
CN111407255A (zh) * | 2020-04-01 | 2020-07-14 | 四川大学华西医院 | 一种通过心率变化与语音来记录、评估和干预情绪的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112669186A (zh) | 2021-04-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334843B (zh) | 一种时变注意力改进Bi-LSTM的住院就医行为预测方法及装置 | |
CN112669186B (zh) | 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 | |
Acharjya | A hybrid scheme for heart disease diagnosis using rough set and cuckoo search technique | |
CN108268638A (zh) | 一种基于Spark框架的生成对抗网络分布式实现方法 | |
Ba-Alwi et al. | Comparative study for analysis the prognostic in hepatitis data: data mining approach | |
Zhu et al. | Evolutionary convolutional neural networks using abc | |
Huang et al. | Computational modeling of emotion-motivated decisions for continuous control of mobile robots | |
Jakka | Forecasting COVID-19 cases in India using machine learning models | |
CN111191728A (zh) | 基于异步或同步的深度强化学习分布式训练方法及系统 | |
Muezzinoglu et al. | Transients versus attractors in complex networks | |
van der Westhuizen et al. | Bayesian LSTMs in medicine | |
US20060167654A1 (en) | Identification of effective elements in complex systems | |
Li et al. | Study on prediction model of HIV incidence based on GRU neural network optimized by MHPSO | |
Tryhuba et al. | Prediction of the Duration of Inpatient Treatment of Diabetes in Children Based on Neural Networks | |
Shukla et al. | Optimization assisted bidirectional gated recurrent unit for healthcare monitoring system in big-data | |
CN112488399A (zh) | 电力负荷预测方法及装置 | |
Shokouhifar et al. | Real-time task scheduling in heterogeneous multiprocessor systems using artificial bee colony | |
Wickramasinghe et al. | Continual learning: A review of techniques, challenges and future directions | |
Parveen et al. | Probabilistic Model‐Based Malaria Disease Recognition System | |
Wakeland et al. | A computational model for recovery from traumatic brain injury | |
CN112347626B (zh) | 一种人群疏散中恐慌情绪的最优化干预仿真方法及系统 | |
Gowthami et al. | Knowledge Based System for Immunity Improvement Against Covid-19 Infection | |
Dakhno et al. | Dynamic Model of the Spread of Viruses in a Computer Network Using Differential Equations | |
Lavanya et al. | Application of fractional order abc and ga for neural network training and clustering process | |
CN116588776B (zh) | 电梯客流预测与优化调度方法及系统 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231206 Address after: No. 1823, Building A2-5, Hanyu Jingu, No. 7000 Jingshi East Road, High tech Zone, Jinan City, Shandong Province, 250000 Patentee after: Shandong Data Trading Co.,Ltd. Address before: 250014 No. 88, Wenhua East Road, Lixia District, Shandong, Ji'nan Patentee before: SHANDONG NORMAL University |
|
TR01 | Transfer of patent right |