CN113177347A - 一种人群运动模拟方法、装置、设备及存储介质 - Google Patents
一种人群运动模拟方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113177347A CN113177347A CN202110507843.0A CN202110507843A CN113177347A CN 113177347 A CN113177347 A CN 113177347A CN 202110507843 A CN202110507843 A CN 202110507843A CN 113177347 A CN113177347 A CN 113177347A
- Authority
- CN
- China
- Prior art keywords
- particle
- time
- physiological
- coefficient
- population
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000004088 simulation Methods 0.000 title claims abstract description 60
- 238000003860 storage Methods 0.000 title claims abstract description 12
- 239000002245 particle Substances 0.000 claims abstract description 411
- 230000001133 acceleration Effects 0.000 claims abstract description 51
- 230000008859 change Effects 0.000 claims abstract description 51
- 238000009826 distribution Methods 0.000 claims description 54
- 230000006870 function Effects 0.000 claims description 53
- 230000004044 response Effects 0.000 claims description 44
- 230000008569 process Effects 0.000 claims description 18
- 230000003993 interaction Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 230000007704 transition Effects 0.000 claims description 14
- 210000003205 muscle Anatomy 0.000 claims description 10
- 230000002860 competitive effect Effects 0.000 claims description 8
- 230000004888 barrier function Effects 0.000 claims description 6
- 230000019771 cognition Effects 0.000 claims description 6
- 230000004438 eyesight Effects 0.000 claims description 6
- 210000000952 spleen Anatomy 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000008901 benefit Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 13
- 230000006399 behavior Effects 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000011514 reflex Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005094 computer simulation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 210000005036 nerve Anatomy 0.000 description 2
- 230000004962 physiological condition Effects 0.000 description 2
- 230000035479 physiological effects, processes and functions Effects 0.000 description 2
- 230000006461 physiological response Effects 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000005653 Brownian motion process Effects 0.000 description 1
- 206010049976 Impatience Diseases 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005537 brownian motion Methods 0.000 description 1
- 230000001149 cognitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003393 splenic effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
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
- G06F30/25—Design optimisation, verification or simulation using particle-based methods
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q50/01—Social networking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Human Resources & Organizations (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Geometry (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Hardware Design (AREA)
- Molecular Biology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种人群运动模拟方法、装置、设备及存储介质,涉及人群行为模拟技术领域。能够解决现有的人群运动模拟方法无法反应不同个体差异的问题。所述方法包括:对预设人群动力学模型中的每个粒子设置初始期望速度;其中,所述粒子表示待模拟群体的个体;根据所述待模拟群体的个体差异,对每个粒子赋值随时间变化的生理系数和心理系数,并基于所述生理系数和所述心理系数,确定每个粒子的随时间变化的实时期望速度;根据所述实时期望速度和每个粒子的实时速度,确定每个粒子的加速度,以采用每个粒子的加速更新所述预设人群动力学模型中每个粒子的实时速度和实时位置,直到任意粒子的实际位置不在所述待模拟群体的预设运动区域中。
Description
技术领域
本申请涉及人群行为模拟技术领域,特别是涉及一种人群运动模拟方法、装置、设备及存储介质。
背景技术
人群行为模拟是指采用计算机仿真技术,根据人群或个体的行为特征与行为规律,建立模拟人群行为的模型,演示人群在特定场合的移动。人群行为模拟技术在人群疏散模拟、军事训练模拟、城市突发社会事件模拟等领域具有广泛的应用,并且模拟结果能够进一步对建筑物设计、城市规划、公共场所建设等方面具有指导意义。
目前,相关领域主要从宏观和微观两方面进行人群行为模拟。从宏观方面进行人群行为模拟是指,将人群整体作为模拟对象建立仿真模型,基于宏观角度建立的仿真模型无法充分地描述个体间的互动,适用性较低。从微观方面进行人群行为模拟是指,将人群中的个体作为模拟对象建立仿真模型,基于微观角度建立的仿真模型能够反应个体间相互作用对人群运动的影响,在一定程度上优于基于宏观角度建立的仿真模型的模拟效果,然而,目前基于微观角度建立的仿真模型不能反应个体差异对人群运动的影响,与现实场景的适配度仍然较低。
发明内容
本申请实施例提供一种人群运动模拟方法、装置、设备及存储介质,能够解决现有的人群运动模拟方法无法反应不同个体差异的问题。
本申请实施例第一方面提供一种人群运动模拟方法,所述方法包括:
对预设人群动力学模型中的每个粒子设置初始期望速度;其中,粒子表示待模拟群体的个体;
根据待模拟群体的个体差异,对每个粒子赋值随时间变化的生理系数和心理系数,并基于生理系数和心理系数,确定每个粒子的随时间变化的实时期望速度;
根据实时期望速度和每个粒子的实时速度,确定每个粒子的加速度,以采用每个粒子的加速更新预设人群动力学模型中每个粒子的实时速度和实时位置,直到任意粒子的实际位置不在待模拟群体的预设运动区域中。
可选地,根据待模拟群体的个体差异,对每个粒子赋值随时间变化的生理系数和心理系数,包括:
根据待模拟群体中不同个体的生理异质分布情况,对每个粒子的初始期望速度设置生理系数;
根据待模拟群体中不同个体针对障碍体选择的响应方式,对每个粒子的初始期望速度设置心理系数;其中,响应方式是合作或竞争;障碍体是指与当前个体距离小于阈值的其他个体或障碍物。
可选地,根据实时期望速度和每个粒子的实时速度,确定每个粒子的加速度,包括:
针对任意粒子,根据期望速度变化与其对应的个体适应期望速度变化的特定松弛时间的比值,得到任意粒子的自驱力;期望速度变化是任意粒子的实时期望速度和实时速度的差值;
根据自驱力、第一作用力、第二作用力,确定任意粒子的总体受力;第一作用力表示预设人群动力学模型中不同粒子之间的相互作用力;第二作用力表示预设人群动力学模型中障碍物与粒子之前的相互作用力;
根据总体受力,确定任意粒子的加速度。
可选地,根据待模拟群体中不同个体的生理异质分布情况,对每个粒子的初始期望速度设置生理系数,包括:
在当前时刻等于初始时刻时,确定每个粒子的初始生理值,并将每个粒子的初始生理值作为该粒子的生理系数;
在当前时刻不为初始时刻时,确定每个粒子对应的波动函数,并根据波动函数确定该粒子在运动过程中的生理系数;其中,波动函数为在初始生理值所对应的波动区间内变化的函数。
可选地,在当前时刻等于初始时刻时,确定每个粒子的初始生理值,并将每个粒子的初始生理值作为该粒子的生理系数,包括:
根据影响个体在待模拟群体中竞争优势的生理因素,确定预设人群动力学模型中多个粒子的生理强度分布;其中,生理因素包括:年龄、性别、身高、体重、体型、视力以及肌肉含量;
根据生理强度分布,得到每个粒子的初始生理值,将每个粒子的初始生理值作为该粒子的生理系数。
可选地,在当前时刻不为初始时刻时,确定每个粒子对应的波动函数,并根据波动函数确定该粒子在运动过程中的生理系数,包括:
根据待模拟群体的群体属性,和预设运动区域的环境,确定风险指数;
根据初始生理值,确定波动区间;
根据风险系数和待模拟群体的个体数量,获得初始生理值在波动区间内随时间变化的波动函数;
根据每个粒子的波动函数,对每个粒子设置生理系数。
可选地,方法还包括:
根据待模拟群体的群体属性,和预设运动区域的环境,确定风险指数;根据风险指数对预设人群动力学模型中恐慌参数的影响,获得压力参数;
根据待模拟群体中不同个体针对障碍体选择的响应方式,对每个粒子的初始期望速度设置心理系数,包括:
根据影响个体在待模拟群体中竞争趋势的心理因素,确定预设人群动力学模型中多个粒子的响应选择分布;其中,心理因素包括:身份、性格、脾气、熟悉度、社会心理以及主观认知;
确定当前时刻每个粒子的障碍体密度;其中,障碍体密度为粒子的阈值半径区域内障碍体的数量;
根据风险指数和心理因素,确定待模拟群体中每个个体的合作概率;
根据每个个体的合作概率,确定每个粒子选择的随机变量;随机变量是表示每个粒子对应的个体的实时选择,实时选择包括合作选择或竞争选择;
根据随机变量和障碍体密度,确定响应选择分布的状态转移量;
根据压力参数和响应选择分布的状态转移量,对每个粒子的初始期望速度设置心理系数。
本申请实施例第二方面提供一种人群运动模拟装置,所述装置包括:
设置模块,用于对预设人群动力学模型中的每个粒子设置初始期望速度;其中,粒子表示待模拟群体的个体;
赋值模块,用于根据待模拟群体的个体差异,对每个粒子赋值随时间变化的生理系数和心理系数,并基于生理系数和心理系数,确定每个粒子的随时间变化的实时期望速度;
更新模块,用于根据实时期望速度和每个粒子的实时速度,确定每个粒子的加速度,以采用每个粒子的加速更新预设人群动力学模型中每个粒子的实时速度和实时位置,直到任意粒子的实际位置不在待模拟群体的预设运动区域中。
可选地,赋值模块包括:
生理系数设置子模块,用于根据待模拟群体中不同个体的生理异质分布情况,对每个粒子的初始期望速度设置生理系数;
心理系数设置子模块,用于根据待模拟群体中不同个体针对障碍体选择的响应方式,对每个粒子的初始期望速度设置心理系数;其中,响应方式是合作或竞争;障碍体是指与当前个体距离小于阈值的其他个体或障碍物。
可选地,更新模块包括:
计算子模块,用于针对任意粒子,根据期望速度变化与其对应的个体适应期望速度变化的特定松弛时间的比值,得到任意粒子的自驱力;期望速度变化是任意粒子的实时期望速度和实际速度的差值;
第一确定子模块,用于根据自驱力、第一作用力、第二作用力,确定任意粒子的总体受力;第一作用力表示预设人群动力学模型中不同粒子之间的相互作用力;所述第二作用力表示预设人群动力学模型中障碍物与粒子之前的相互作用力;
第二确定子模块,用于根据总体受力,确定任意粒子的加速度。
可选地,生理系数设置子模块包括:
第一确定单元,用于在当前时刻等于初始时刻时,确定每个粒子的初始生理值,并将每个粒子的初始生理值作为该粒子的生理系数;
第二确定单元,用于在当前时刻不为初始时刻时,确定每个粒子对应的波动函数,并根据波动函数确定该粒子在运动过程中的生理系数;
其中,波动函数为中的初始生理值所对应的波动区间内变化的函数。
可选地,第一确定单元包括:
生理强度分布确定子单元,用于根据影响个体在待模拟群体中竞争优势的生理因素,确定预设人群动力学模型中多个粒子的生理强度分布;其中,生理因素包括:年龄、性别、身高、体重、体型、视力以及肌肉含量;
获得子单元,用于根据生理强度分布,得到每个粒子的初始生理值,将每个粒子的初始生理值作为该粒子的生理系数。
可选地,第二确定单元包括:
风险指数确定子单元,用于根据待模拟群体的群体属性,和预设运动区域的环境,确定风险指数;
波动区间确定子单元,用于根据初始生理值,确定波动区间;
获取子单元,用于根据风险系数和待模拟群体的个体数量,获得初始生理值在波动区间内随时间变化的波动函数;
设置子单元,用于根据每个粒子的波动函数,对每个粒子设置生理系数。
可选地,装置还包括:
风险指数确定模块,用于根据待模拟群体的群体属性,和预设运动区域的环境,确定风险指数;
获得模块,用于根据风险指数对预设人群动力学模型中恐慌参数的影响,获得压力参数;
心理系数设置子模块包括:
响应选择分布确定单元,用于根据影响个体在待模拟群体中竞争趋势的心理因素,确定预设人群动力学模型中多个粒子的响应选择分布;其中,心理因素包括:身份、性格、脾气、熟悉度、社会心理以及主观认知;
障碍体密度确定单元,用于确定当前时刻每个粒子的障碍体密度;其中,障碍体密度为粒子的阈值半径区域内障碍体的数量;
合作概率确定单元,用于根据风险指数和心理因素,确定待模拟群体中每个个体的合作概率;
随机变量确定单元,用于根据每个个体的合作概率,确定每个粒子选择的随机变量;随机变量是表示每个粒子对应的个体的实时选择,实时选择包括合作选择或竞争选择;
状态转移量确定单元,用于根据随机变量和障碍体密度,确定响应选择分布的状态转移量;
设置单元,用于根据压力参数和响应选择分布的状态转移量,对每个粒子的初始期望速度设置心理系数。本申请实施例第三方面提供一种可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现如本申请第一方面的方法中的步骤。
本申请实施例第四方面提供一种电子设备,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计算机程序,处理器执行计算机程序时,实现本申请第一方面的方法的步骤。
本申请实施例根据多个影响个体异质性因素作用在个体时的影响结果,得到随时间变化的生理系数和心理系数,以生理系数和心理系数从个体异质性的表现结果出发,在人群运动模拟全方面反应影响个体异质性的因素。具体地,本申请实施例将随时间变化的生理系数和心理系数作用在粒子的速度上,对粒子赋值随时间变化的实时期望速度,再根据实时期望速度与初始期望速度的差值,得到粒子实时期望的速度改变情况,即得到粒子在每个时刻的加速度,对应到粒子所表示的个体,可以看作获得个体在不同时间期望的加速度,根据粒子在每个时刻的加速度,更新粒子的实时速度和实时位置,直到粒子离开预设运动区域,以粒子运动的总时间作为人群运动模拟的结论。本申请实施例在上述人群运动模拟过程中,利用粒子的加速度实时更新粒子的运动速度,以获得粒子受异质性因素影响而动态变化的运动轨迹,进而以粒子的加速度量化其对应个体的异质性因素对个体运动趋势的影响,在采用社会力模型对人群运动进行模拟的过程中,不改变粒子的质量、半径,达到了对实际人群中存在差异的多个个体进行运动模拟的目的,更加符合人群中的不同个体在遇到障碍物、紧急情况时反应不同的实际情况。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例的描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请提出的人群运动模拟方法的步骤流程图;
图2是本申请一种示例中预设人群动力学模型的示意图;
图3是本申请一种示例中特定粒子的位置更新图;
图4是本申请一种示例中粒子的受力示例图;
图5是本申请一种示例的生理强度分布示意图;
图6是本申请一种示例中人群运动模拟的流程图;
图7是本申请实施例提出的人群运动模拟装置的功能模块图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
社会力模型(SFM)是目前广泛应用的人群动力学仿真模型,用于模拟人群在特定场合的运动形态。例如,模拟机场疏散乘客过程中人群的移动状态、模拟在体育场馆举办演唱会时,观众进场过程中人群的移动状态等。SFM模型采用相同的刚性粒子代表人群中不同的个体,初始化SFM模型,以设定刚性粒子的质量、半径、运动方向等;根据特定场合的障碍物分布特点,例如墙的转角角度、指示牌的摆放位置等,同时根据人群中不同个体间的相互作用,获得每个刚性粒子在不同时刻的受力,进而得到每个刚性粒子的实时速度,从而模拟人群在特定场合的运动状态。但实际的人群中不同个体之间存在差异,即人群中的个体是多样且异质的,尤其是不同个体遇到相同障碍物、或遇到相同的紧急情况时,反应是不同的,因此,社会力模型(SFM)用相同的刚性粒子代表人群中不同的个体显然不符合实际情况。
鉴于上述问题,本申请实施例提出一种人群运动模拟方法,从个体异质性影响人群运动的本质出发,采用每个个体的受力,量化其本身的个体差异,基于受力的变化,得到对个体速度和位置变化,从而完成人群运动模拟。
同时采用每个个体的受力量化个体差异,恰好能与现有的SFM模型进行人群运动模拟的步骤结合,无需对SFM模型进行修改,就能使得SFM模型对人群运动的模拟符合现实情况存在的个体差异。
图1是本申请提出的人群运动模拟方法的步骤流程图,如图1所示,步骤如下:
步骤S11:对预设人群动力学模型中的每个粒子设置初始期望速度;其中,所述粒子表示待模拟群体的个体。
预设人群动力学模型是社会力模型(SFM),采用大小、形状相同的均匀刚性粒子表示可能出现在待检验场合中的个体。示例地,拟检验待建机场的设施摆放、通道等设计是否有利于紧急逃生,如检验发生火灾时,所有乘客逃生时间是否在常规的安全时间内,根据待建机场的参数,采用计算机仿真技术,生成机场模型,利用粒子表示出现在待建机场的乘客,根据乘客实际的分布情况,将多个粒子或集中,或散落地摆放在机场模型的不同位置。
初始期望速度包括粒子所代表的个人在0时刻期望的每个时刻的速度大小,和速度方向。图2是本申请一种示例中预设人群动力学模型的示意图,如图2所示,在本申请一种示例中,平面CD为待建机场的俯视图,平面CD的不同位置设置了不同的机场设施,代表乘客的粒子分布在平面CD。以粒子PA表示乘客A,初始期望速度是粒子PA在0时刻期望0-8时刻以3m/s的大小,沿水平方向移动到对应出口2的C点,期望9-12时刻以5m/s的速度沿竖直方向从C点移动至出口2。
步骤S12:根据所述待模拟群体的个体差异,对每个粒子赋值随时间变化的生理系数和心理系数,并基于所述生理系数和所述心理系数,确定每个粒子的随时间变化的实时期望速度。
个体异质性受多种因素的影响,身份、性格、脾气、熟悉度、年龄、性别、身高、体重、体型、视野范围、成长经历、教育程度,都可能影响乘客在特定场合中的具体运动状态。本申请实施例根据上述多种因素对个体的外在表现与内在驱动造成的影响结果,对每个粒子设置生理系数和心理系数,并根据生理系数和心理系数设置每个粒子的实时期望速度。本申请实施例将生理系数和心理系数作为预设人群动力学模型中的粒子的参数,使得外在形状相同的粒子具有不同的性质,粒子本身的半径、质量等参数相同,粒子本身仍然可以视为均匀刚性粒子,模型计算简单。
在实际情况下,0时刻乘客在不知情的情况下,可能选择随人流移动,过一段时间后,接收到现场信息的乘客可能选择冲出人群,因此,不同时刻,个体所期望的速度是不同的。为使预设人群动力学模型更符合实际情况,本申请实施例设置随时间变化的生理系数,以及随时间变化的心理系数,并根据随时间变化的生理系数和心理系数得到随时间变化的实时期望速度。
本申请实施例根据待模拟群体的个体差异,对每个粒子赋值随时间变化的生理系数和心理系数的具体方法是:根据所述待模拟群体中不同个体的生理异质分布情况,对每个粒子的初始期望速度设置所述生理系数;根据所述待模拟群体中不同个体针对障碍体选择的响应方式,对每个粒子的初始期望速度设置所述心理系数;其中,所述响应方式是合作或竞争;所述障碍体是指与当前个体距离小于阈值的其他个体或障碍物。合作是指个体随其所在群体的其他个体一同移动,个体与其所在群体的其他个体速度大小和速度方向相当;竞争是指个体选择与群体中其他个体不同的相差较大的运动速度冲出群体。
本申请另一种示例中,待检验建筑是学校的教学楼,采用本申请实施例提出的人群运动模拟方法,模拟学生在紧急情况离开教学楼的运动情况,根据不同学生的生理状况:年龄、身高、体力等情况,以及不同生理状况的学生在学生群体中的占比,对分布在预设人群动力学模型中的所有粒子的初始期望速度设置生理系数,例如学生中体力较差、身体较弱的学生所占比例是10%,根据体力较差、身体较弱对学生的影响结果,得到生理系数1.2,对预设人群动力学模型中10%的粒子设置生理系数1.2,这10%的粒子可以分布在预设人群动力学模型中的不同位置。同时根据学生不同学生的心理状况:紧张、害怕、坦然、自私等,以及不同心理状况的学生在学生群体中的占比,对分布在预设人群动力学模型中的所有粒子的初始期望速度设置心理系数,例如,学生中坦然、正义的学生占比是90%,得到心理系数4,对预设人群动力学模型中90%的粒子设置心理系数4,心理系数是4的粒子更倾向在后续运动中采用合作的运动方式,同样地,这90%的粒子可以分布在预设人群动力学模型中的不同位置。
继续参考图2,在本申请一种示例中,以粒子PB表示乘客i,以Pi(t)表示乘客i在t时刻的生理系数,以Mi(t)表示乘客i在t时刻的心理系数,得到异质性系数 表示Pi(t)与Mi(t)之间的运算关系,运算关系可以是乘、平方、除等,具体视人群运动的需求而定。
步骤S13:根据所述实时期望速度和每个粒子的实时速度,确定每个粒子的加速度,以采用每个粒子的加速更新所述预设人群动力学模型中每个粒子的实时速度和实时位置,直到任意粒子的实际位置不在所述待模拟群体的预设运动区域中。
根据每个粒子随时间变化的实时期望速度和每个粒子的实时速度,确定每个粒子在不同时刻的加速度,进而在不同时刻以当前时刻的加速度更新每个粒子的实时速度和实时位置。
预设运动区域是指待检验建筑的室内区域。
受心理系数和生理系数影响,个体对于t时刻的期望速度发生变化,反应在模型中是粒子的期望速度发生变化,基于个体的异质性,不同粒子的实时期望速度随时间的变化大小不同,那么不同粒子在t时刻期望改变的速度也就不同,也就是不同粒子在t时刻的加速度不同。相较于个体在t-1时刻的实际速度,个体在t-1时刻对t时刻所期望速度较大时,个体期望以更快的实时期望速度移动,确定加速度为正,进而根据实时期望速度和实时速度的相差程度,确定个体在t-1时刻期望的t时刻应有的加速度的大小,将该加速度大小作为对应的粒子的加速度大小;相较于个体t-1时刻的实际速度,个体在t-1时刻对t时刻所期望速度较小时,个体期望以更慢的实时期望速度移动,确定加速度为负,进而根据实时期望速度和实时速度的相差程度,确定个体在t-1时刻期望的t时刻应有的加速度的大小,将该加速度大小作为对应的粒子的加速度大小。
每个粒子的实时速度是指每个粒子在t时刻的实际速度,每个粒子在t时刻的实时位置是指每个粒子在t时刻的实际位置。由于粒子实际运动的路程受其在每个时刻的速度的影响,那么粒子从其在0时刻的位置移动到出口位置花费的时间,受其在每个时刻的实际速度的影响,因此本申请实施例采用粒子的加速度更新粒子在每个时刻的实际速度,直到最后一个粒子移动到特定场合的出口位置,即离开预设运动区域的位置,最后一个粒子。
图3是本申请一种示例中特定粒子的位置更新图,如图3所示,时间步长设置为△t,每隔△t更新粒子PA的位置,t0时刻粒子开始移动,经过t1,和t2时刻后,t3时刻粒子PA到达出口,不在待模拟群体的预设运动区域中。
本申请实施例根据多个影响个体异质性因素作用在个体时的影响结果,得到随时间变化的生理系数和心理系数,以生理系数和心理系数从个体异质性的表现结果出发,在人群运动模拟全方面反应影响个体异质性的因素。具体地,本申请实施例将随时间变化的生理系数和心理系数作用在粒子的速度上,对粒子赋值随时间变化的实时期望速度,再根据实时期望速度与初始期望速度的差值,得到粒子实时期望的速度改变情况,即得到粒子在每个时刻的加速度,对应到粒子所表示的个体,可以看作获得个体在不同时间期望的加速度,根据粒子在每个时刻的加速度,更新粒子的实时速度和实时位置,直到粒子离开预设运动区域,以粒子运动的总时间作为人群运动模拟的结论。本申请实施例在上述人群运动模拟过程中,利用粒子的加速度实时更新粒子的运动速度,以获得粒子受异质性因素影响而动态变化的运动轨迹,进而以粒子的加速度量化其对应个体的异质性因素对个体运动趋势的影响,在采用社会力模型对人群运动进行模拟的过程中,不改变粒子的质量、半径,达到了对实际人群中存在差异的多个个体进行运动模拟的目的,更加符合人群中的不同个体在遇到障碍物、紧急情况时反应不同的实际情况。
本申请另一种实施例提出根据粒子的实时期望速度和实时速度,确定粒子加速度的具体方法。
步骤S21:针对任意粒子,根据期望速度变化与其对应的个体适应所述期望速度变化的特定松弛时间的比值,得到任意粒子的自驱力;所述期望速度变化是任意粒子的实时期望速度和实时速度的差值。
依次将每个粒子作为当前处理的粒子,计算当前粒子的实时期望速度和实时速度的差值,进一步计算差值与特定松弛时间的比值与粒子质量的乘积,得到粒子的自驱力。采用粒子自驱力表示个体在各种因素影响下,表现出的运动差异性,使用自驱力量化了不同个体的异质性。
步骤S22:根据所述自驱力、第一作用力、第二作用力,确定任意粒子的总体受力;所述第一作用力表示所述预设人群动力学模型中不同粒子之间的相互作用力;所述第二作用力表示所述预设人群动力学模型中障碍物与粒子之前的相互作用力;
预设人群动力学模型中不同粒子之间的相互作用力表示:预设人群动力学模型所模拟的人群中不同个体之间的相互作用力。预设人群动力学模型中障碍物与粒子之前的相互作用力表示:预设人群动力学模型所模拟的人群中个体与待检验建筑室内障碍物之间的作用力。
图4是本申请一种示例中粒子的受力示例图,如图4所示,在本申请一种示例中,以rij表示个体i对应的粒子i和个体j对应的粒子j之间的半径之和,rij=ri+rj,ri是粒子i的半径,rj是粒子j的半径,dij表示粒子i和粒子j质心之间的距离,得到个体i与个体j之间的相互排斥力,对应在预设人群动力学模型中是粒子i和粒子j之间的相互排斥力:Aiexp[(rij-dij)/Bi]·nij (4);其中,nij是个体i指向个体j的归一化向量,Ai和Bi是预设人群动力学模型的常数。
同时得到粒子i和粒子j之间的弹性力:kg(rij-dij)·nij (5);其中,nij是个体i指向个体j的归一化向量。以tij表示粒子i和粒子j的接触点的切向方向,得到粒子i和粒子j之间的滑动摩擦力:κg(rij-dij)·(vi-vi)·tij·tij (6);其中,(vj-vi)·tij表示粒子i和粒子j在切向方向的速度差,κ为常数。
在个体i与个体j没有肢体接触时,g(rij-dij)为零,在个体i与个体j有肢体接触时,g(rij-dij)为rij-dij,k是预设人群动力学模型的常数。
综合上述相互排斥力、弹性力和滑动摩擦力,计算得到粒子i受到的第一作用力:fij=Aiexp[(rij-dij)/Bi]·nij+kg(rij-dij)·nij+kg(rij-dij)·(vj-vi)·tij·tij (7);在个体i与个体j没有肢体接触时,二者对应的粒子i和粒子j之间的第一作用力只包括相互排斥力。
继续参考图4,以diw表示个体i与障碍物表面之间的距离,niw表示垂直于障碍物侧壁的归一化向量,tiw表示个体i与障碍物表面的接触点的切线方向。计算得到个体i对应的粒子i与障碍物的相互排斥力:Aiexp[(ri-diw)/Bi]·niw (8);粒子i与障碍物弹性力:kg(ri-diw)·niw (9);粒子i与障碍物之间的滑动摩擦力:κg(ri-diw)·(vi·tiw)·tiw(10);其中,在个体i与障碍物w没有接触时,g(ri-diw)为零,在个体i与障碍物w有接触时,g(ri-diw)为ri-diw,k和κ是预设人群动力学模型的常数。综合上述相互排斥力、弹性力和滑动摩擦力,得到粒子i受到的第二作用力:fiw=Aiexp[(ri-diw)/Bi]·niw+kg(ri-diw)·niw-κg(ri-diw)·(vi·tiw)·tiw (11);其中,在个体i与障碍物w没有接触时,粒子i和障碍物w之间的第二作用力只包括相互排斥力。
步骤S23:根据所述总体受力,确定任意粒子的加速度。
在本申请一种示例中,具体采用(12)式计算粒子i的加速度,并根据加速度对粒子i的实时速度进行更新。
其中,mi为粒子i对应的个体的质量,vi(t)是粒子在t的实际速度,已知粒子i的质量、自驱力第一作用力fij和第二作用力fiw,得到粒子i在t时刻的加速度,以t时刻的加速度更新粒子i在t+1时刻的实时速度。
由于社会力模型现有的计算方法中也会计算每个刚性粒子在不同时刻的受力,所以本申请实施例根据速度的变化得到自驱力,进一步根据自驱力、第一作用力、第二作用力得到综合力的步骤可以与社会力模型现有的计算方法直接结合,不用再开发其他的模拟框架,简单实用。另外地,本申请从个体的期望速度出发,得到能够量化个体异质性的自驱力,用内驱力表示不同个体在遇到紧急情况时的不同选择,对应到预设人群动力学模型,个体所受自驱力为其对应粒子所受自驱力,能与粒子的其他受力天然结合,而受力是速度变化的原因,也天然契合人群运动模拟的主题,契合人群运动模拟需要模拟不同个体在任意时刻的运动速度,以预测个体在不同时刻的位置。
本申请另一种实施例对每个粒子的初始期望速度设置生理系数的具体方法,步骤如下:
步骤S31:在当前时刻等于初始时刻时,确定每个粒子的初始生理值,并将每个粒子的初始生理值作为该粒子的生理系数。
步骤S31-1:根据影响个体在所述待模拟群体中竞争优势的生理因素,确定所述预设人群动力学模型中多个粒子的生理强度分布;其中,所述生理因素包括:年龄、性别、身高、体重、体型、视力以及肌肉含量。
步骤S31-2:根据所述生理强度分布,得到每个粒子的初始生理值,将每个粒子的初始生理值作为该粒子的生理系数。
示例地,较为强壮的青少年有更大的力量冲出缓慢移动的人群,身高较高的个体更可能看清楚人群中个体的站位,进而选择有利的路线冲出缓慢移动的人群。但实际情况下,个体能够冲出人群的可能性受多个生理因素的共同影响,因此本申请实施例综合考虑所有影响个体在群体中突围的生理因素:年龄、性别、身高、体重、体型、视力以及肌肉含量,得到预设人群动力学模型中多个粒子的生理强度分布,多个粒子分别与待模拟群体中的多个个体一一对应。
本申请实施例采用概率分布函数表示生理强度分布,表示预设人群动力学模型中具有特定初始生理值的个体在所有个体中的占比,以及分别对应不同初始生理值的个体的粒子在预设人群动力学模型中的分布情况。
在本申请一种示例中,在预设人群动力学模型中将个体的初始生理值Xi作为随机变量,初始生理值Xi的取值范围是Beta(α,β),多个粒子的生理强度分布由(13)式给出:其中,Γ表示Gamma伽玛函数,α>0,β>0。
将初始生理值Xi进行位置-尺度族变换,在区间D=[0,1]上构造映射函数,以将个体i在0时刻的初始生理Xi值映射到[0,1]的区间上。映射函数如(14)式所示:
g(D)={Pi(t0)|Pi(t0)=μ+σXi,Xi∈D} (14);其中,μ是位置参数,用于确定Pi(t0)的下限,σ是尺度参数,用于确定Pi(t0)的区间范围,Pi(t0)表示个体i在初始时刻t0的生理系数,也就是个体i在0时刻的初始生理值。
图5是本申请一种示例的生理强度分布示意图,在本申请示例中,假设待模拟群体中有10个个体,对应到预设人群动力学模型中有10个粒子分别表示10个个体,通过(13)式的计算得到初始生理值的分布后,通过(14)式的映射后,得到10个粒子的生理强度分布,并且每个粒子的初始生理值都位于区间[0,1]中,同时预设人群动力学模型中的多个粒子的生理强度分布满足伽马分布,从生理强度分布中获得每个粒子的初始生理值,根据图5所示的生理强度分布,可以获得多个粒子的初始生理值分别是:0.5、0.5、0.5、0.5、0.2、0.2、0.8、0.8、0.8、0.7。
步骤S32:在当前时刻不为所述初始时刻时,确定每个粒子对应的波动函数,并根据所述波动函数确定该粒子在运动过程中的生理系数;其中,所述波动函数为中的所述初始生理值所对应的波动区间内变化的函数。
步骤S32-1:根据所述待模拟群体的群体属性,和所述预设运动区域的环境,确定风险指数。
风险指数用于衡量突发事件的发生概率和发生程度。在待模拟群体是军人时,待模拟群体中的个体训练有素,风险指数较低;在预设运动区域规划不合理,待模拟群体来自各行各业的人群时,待模拟群体各自为阵,风险指数较高;在待模拟群体是学生,容易按规矩撤退出预设运动区域,预设运动区域是较为空旷的体育馆时,风险指数较低。
步骤S32-2:根据所述初始生理值,确定波动区间;
根据步态动力学理论中的步幅间隔时间序列的经验数据,评估得到粒子i与其初始生理值有关的波动范围,在t时刻,粒子i的生理系数由波动函数确定。并且在任意时刻,粒子i的波动函数的波动幅度都不超过与粒子i的初始生理值有关的波动范围。
在本申请一种示例中,根据粒子i的Pi(t0),得到波动区间如(15)式所示:Pi(t)∈[(1-△P)Pi(t0),(1+△P)Pi(t0)](15);其中,△P表示最大波动范围,最大波动范围近似为0.1。
步骤S32-3:根据所述风险系数和所述待模拟群体的个体数量,获得所述初始生理值在所述波动区间内随时间变化的波动函数;
在本申请一种示例中,风险系数是λ,待模拟群体中的个体数量是N,得到波动函数如(16)式所示:Pi(t+△t)-Pi(t)~N(0,λ2△t)(16);其中,△t是预设人群动力学模型的时间步长,也就是预设人群动力学模型中设置的更新粒子的实时期望速度的间隔时长。粒子i的生理系数Pi(t)是t的连续函数,具有平稳的独立增量。
步骤S32-4:根据每个粒子的波动函数,对每个粒子设置所述生理系数。
在本申请一种示例中,粒子i在t0时刻的初始生理值是0.3,得到粒子i在t0时刻的生理系数是0.3,在t3时刻确定,根据(16)确定得到粒子i在t3的生理系数是0.6。
本申请实施例在给每个粒子赋值初始生理值后,基于每个粒子的初始生理值,为每个粒子设置了其在t时刻的生理系数的波动范围,以波动范围量化人体肌肉对自身反应的限制,人的生理是趋于稳定的状态,不同的人身体极限不同,特定个体的生理系数可以在其自身肌肉允许的范围内波动。同时本申请实施例采用波动函数量化个体肌肉或神经控制引起内部扰动的敏感性,不同的个体在紧急情况下的本能反射不同,本申请将人群中的个体数量和风险指数作为诱发个体本能反射的参数,因此具体采用(16)式表达的一维布朗运动表示限制在个体范围内的生理属性的动态变化过程。根据上述分析可知,本申请实施例弱化导致不同个体出现不同生理反应的因素,根据所有因素对人体普遍影响结果,得到群体的生理强度分布,直接根据生理强度分布对群体中的个体进行赋值,对应到预设人群动力学模型中,对应不同个体的粒子的参数不同,再从生理反应的本质是肌肉或神经对身体控制的出发,结合外界诱发人体生理反应发生变化的音素,得到群体中每个个体在模拟过程中的生理系数的波动函数,根据波动函数蕴藏的变化规律,在人群运动模拟的过程中,得到粒子动态变化的生理系数,改动态变化的生理系数表示了粒子所对应的个体在运动过程中,为应对环境的变化而做出期望速度改变的因素。
本申请另一种实施例提出对每个粒子的初始期望速度设置心理系数的具体方法,步骤如下:
步骤S41:根据所述待模拟群体的群体属性,和所述预设运动区域的环境,确定风险指数。风险指数与本申请其他实施例确定的风险指数含义相同,本申请实施例不再赘述。
步骤S42:根据所述风险指数对所述预设人群动力学模型中恐慌参数的影响,获得压力参数。
压力参数表示个体对待模拟人群中其他个体和环境的认知反应,恐慌参数用于衡量个体的不耐烦程度,本申请实施例利用风险指数作用于恐慌参数后,量化了其他个体和环境对个体的恐慌参数的影响,综合恐慌参数和压力参数,更加全面地反应出个体的生理因素。
在本申请一种示例中,恐慌参数是其中,表示粒子i在0至t时刻期间的平均速度,表示乘客i在0时刻的期望速度的速度大小。得到压力参数如(18)式所示:其中, 是正常情况下的期望速度,是恐慌条件下最大期望速度,通常情况下的取值为1。
步骤S43:根据影响个体在所述待模拟群体中竞争趋势的心理因素,确定所述预设人群动力学模型中多个粒子的响应选择分布;其中,所述心理因素包括:身份、性格、脾气、熟悉度、社会心理以及主观认知。
粒子的响应选择可以理解为,粒子对应的个体在遇到特定紧急情况时,个体采取的应对策略;例如性格比较急躁的人倾向于选择以冲出人群,性格比较稳定的人倾向于随人群一同移动。
个体在待模拟群体中竞争趋势可以指:个体在群体中采取竞争选择的概率。响应选择分布是指初始时刻,待模拟群体中选择合作的个体的在待模拟群体中的占比,和待模拟群体中选择竞争的个体的在待模拟群体中的占比,和选择合作的个体对应的粒子在预设人群动力学模型中的分布情况,以及选择竞争的个体对应的粒子在预设人群动力学模型中的分布情况。根据响应选择分布,可以得到任意粒子在初始时刻是否选择合作,或者可以得到任意粒子在初始时刻是否选择竞争。
步骤S44:确定当前时刻每个粒子的障碍体密度;其中,所述障碍体密度为粒子的阈值半径区域内障碍体的数量。
障碍体是指除当前个体外的其他个体。对应在预设人群动力学模型中,障碍体是指除当前粒子外的其他粒子和障碍物对应的单元。阈值半径区域可以是以当前粒子为圆心,半径为当前粒子4倍半径的圆形区域。
本申请实施例以障碍体密度表示个体周围行人密度与障碍物密度,对个体心态的影响,以个体周围行人密度与障碍物密度量化环境中障碍体密集度对个体的刺激,环境中障碍体密集度对个体的刺激会对个体在初始时刻的响应选择的作用是增强或抑制,使得个体在初始时刻的响应选择发生改变。示例地,个体i在初始时刻的响应选择是冲出人群,在t时刻,其周围的人减少,周围没有障碍物,个体i发现场地并没有发生紧急事件,因此改变响应选择,选择缓慢移动。
步骤S45:根据所述风险指数和所述心理因素,确定所述待模拟群体中每个个体的合作概率。
本申请实施例基于玻尔兹曼方程获得用于表示待模拟群体中每个个体的合作概率的函数。确定待模拟群体中每个个体的合作概率γi(λ)的函数如(20)式所示:γi(λ)=γ0exp(-wiλ)(20);其中,γ0=0.95表示非紧急疏散场景下的合作概率,wi表示合作概率的衰减率,wi决定于多种心理因素:身份、性格、脾气、熟悉度、社会心理以及主观认知,对个体的影响结果,λ是风险指数。
步骤S46:根据每个个体的合作概率,确定每个粒子选择的随机变量;所述随机变量表示每个粒子对应的个体的实时选择,所述实时选择包括合作选择或竞争选择;
在合作概率大于预设阈值时,随机变量以1-γi(λ)的概率选择+1,表示粒子对应的个体在当前时刻选择合作,在合作概率小于或等于预设阈值时,随机变量以γi(λ)的概率选择-1,表示粒子对应的个体在当前时刻选择竞争。
在粒子i对应的个体i选择竞争的情况下,ηi=-1;否则,在粒子i对应的个体i选择合作的情况下,ηi=+1。ηi遵循伯努利分布。
步骤S47:根据所述随机变量和所述障碍体密度,确定所述响应选择分布的状态转移量。
响应选择分布的状态转移量用于表示粒子i的响应选择发生变化的概率。示例地,在初始时刻粒子i的响应选择是合作,在t1时刻的状态转移量大于预设阈值时,状态转移量激活粒子i的状态转移,使粒子i在初始时刻选择的合作转变为竞争。因此粒子i的状态转移量也可以看作是粒子i的响应选择发生变化的概率。
本申请将个体受到的压力作为个体或个体对应的粒子的基本状态,那么当个人区的行人密度发生变化时,个体心理状态就会发生转变。
步骤S48:根据所述压力参数和所述响应选择分布的状态转移量,对每个粒子的初始期望速度设置所述心理系数。
在本申请一种示例中,根据压力参数和响应选择分布的状态转移量得到的心理系数如(23)式所示:Mi(t)=si(t)[(1-△M)+2△Mψi(t)] (23);其中,△M是最大突变,在人群运动模拟过程中,根据神经认知机制的反应性能,得到△M约为0.5。
图6是本申请一种示例中人群运动模拟的流程图,如图6所示,进行人群运动模拟前,先对预设人群动力学模型进行初始化,设置场景和行人数据,再根据待模拟群体的群体属性,和预设运动区域的环境,确定风险指数。完成风险指数的确定后,根据当前时刻,对粒子赋值随时间变化的生理系数,具体在当前时刻为0时刻时,根据初始生理值赋值(初始分布)对粒子赋值生理系数,在当前时刻不是0时刻时,根据波动函数对粒子赋值生理系数;同时,根据粒子对应的个体对环境的感知与合作概率,对粒子赋值心理理系数,具体根据t时刻,粒子心理状态的选择对粒子赋值心理系数。得到心理系数和生理系数后,将心理系数和生理系数作为初始期望速度的参数,得到随时间变化的实时期望速度,进一步根据粒子对应的个体适应实时期望速度的变化状态,得到粒子的自驱力,根据自驱力、第一作用力、第二作用力,得到粒子的加速度,进一步利用加速度更新粒子的实时速度和实时位置,直到粒子离开预设运动区域,在所有粒子都离开预设运动区域后,确定待模拟群体中的所有个体(行人)已逃生,结束模拟,获得模拟总时长,以衡量待检验建筑的布局是否合理。
基于同一发明构思,本申请实施例提供一种人群运动模拟装置。图7是本申请实施例提出的人群运动模拟装置的功能模块图。如图7所示,该装置包括:
设置模块71,用于对预设人群动力学模型中的每个粒子设置初始期望速度;其中,所述粒子表示待模拟群体的个体;
赋值模块72,用于根据所述待模拟群体的个体差异,对每个粒子赋值随时间变化的生理系数和心理系数,并基于所述生理系数和所述心理系数,确定每个粒子的随时间变化的实时期望速度;
更新模块73,用于根据所述实时期望速度和每个粒子的实时速度,确定每个粒子的加速度,以采用每个粒子的加速更新所述预设人群动力学模型中每个粒子的实时速度和实时位置,直到任意粒子的实际位置不在所述待模拟群体的预设运动区域中。
可选地,所述赋值模块包括:
生理系数设置子模块,用于根据所述待模拟群体中不同个体的生理异质分布情况,对每个粒子的初始期望速度设置所述生理系数;心理系数设置子模块,用于根据所述待模拟群体中不同个体针对障碍体选择的响应方式,对每个粒子的初始期望速度设置所述心理系数;其中,所述响应方式是合作或竞争;所述障碍体是指与当前个体距离小于阈值的其他个体或障碍物。
可选地,所述更新模块包括:
计算子模块,用于针对任意粒子,根据期望速度变化与其对应的个体适应所述期望速度变化的特定松弛时间的比值,得到任意粒子的自驱力;所述期望速度变化是任意粒子的实时期望速度和实际速度的差值;第一确定子模块,用于根据所述自驱力、第一作用力、第二作用力,确定任意粒子的总体受力;所述第一作用力表示所述预设人群动力学模型中不同粒子之间的相互作用力;所述第二作用力表示所述预设人群动力学模型中障碍物与粒子之前的相互作用力;第二确定子模块,用于根据所述总体受力,确定任意粒子的加速度。
可选地,所述生理系数设置子模块包括:第一确定单元,用于在当前时刻等于初始时刻时,确定每个粒子的初始生理值,并将每个粒子的初始生理值作为该粒子的生理系数;第二确定单元,用于在当前时刻不为所述初始时刻时,确定每个粒子对应的波动函数,并根据所述波动函数确定该粒子在运动过程中的生理系数;其中,所述波动函数为中的所述初始生理值所对应的波动区间内变化的函数。
可选地,所述第一确定单元包括:
生理强度分布确定子单元,用于根据影响个体在所述待模拟群体中竞争优势的生理因素,确定所述预设人群动力学模型中多个粒子的生理强度分布;其中,所述生理因素包括:年龄、性别、身高、体重、体型、视力以及肌肉含量;获得子单元,用于根据所述生理强度分布,得到每个粒子的初始生理值,将每个粒子的初始生理值作为该粒子的生理系数。
可选地,所述第二确定单元包括:
风险指数确定子单元,用于根据所述待模拟群体的群体属性,和所述预设运动区域的环境,确定风险指数;波动区间确定子单元,用于根据所述初始生理值,确定波动区间;获取子单元,用于根据所述风险系数和所述待模拟群体的个体数量,获得所述初始生理值在所述波动区间内随时间变化的波动函数;设置子单元,用于根据每个粒子的波动函数,对每个粒子设置所述生理系数。
可选地,所述装置还包括:
风险指数确定模块,用于根据所述待模拟群体的群体属性,和所述预设运动区域的环境,确定风险指数;获得模块,用于根据所述风险指数对所述预设人群动力学模型中恐慌参数的影响,获得压力参数;
所述心理系数设置子模块包括:
响应选择分布确定单元,用于根据影响个体在所述待模拟群体中竞争趋势的心理因素,确定所述预设人群动力学模型中多个粒子的响应选择分布;其中,所述心理因素包括:身份、性格、脾气、熟悉度、社会心理以及主观认知;障碍体密度确定单元,用于确定当前时刻每个粒子的障碍体密度;其中,所述障碍体密度为粒子的阈值半径区域内障碍体的数量;合作概率确定单元,用于根据所述风险指数和所述心理因素,确定所述待模拟群体中每个个体的合作概率;随机变量确定单元,用于根据每个个体的合作概率,确定每个粒子选择的随机变量;所述随机变量表示每个粒子对应的个体的实时选择,所述实时选择包括合作选择或竞争选择;状态转移量确定单元,用于根据所述随机变量和所述障碍体密度,确定所述响应选择分布的状态转移量;设置单元,用于根据所述压力参数和所述响应选择分布的状态转移量,对每个粒子的初始期望速度设置所述心理系数。基于同一发明构思,本申请另一实施例提供一种可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请上述任一实施例所述的人群运动模拟方法中的步骤。
基于同一发明构思,本申请另一实施例提供一种电子设备,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计算机程序,所述处理器执行时实现本申请上述任一实施例所述的人群运动模拟方法中的步骤。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进或说明的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、装置、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终端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终端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终端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终端设备上,使得在计算机或其他可编程终端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终端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。
尽管已描述了本申请实施例的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本申请实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种人群运动模拟方法、装置、设备及存储介质,进行了详细介绍,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种人群运动模拟方法,其特征在于,所述方法包括:
对预设人群动力学模型中的每个粒子设置初始期望速度;其中,所述粒子表示待模拟群体的个体;
根据所述待模拟群体的个体差异,对每个粒子赋值随时间变化的生理系数和心理系数,并基于所述生理系数和所述心理系数,确定每个粒子的随时间变化的实时期望速度;
根据所述实时期望速度和每个粒子的实时速度,确定每个粒子的加速度,以采用每个粒子的加速更新所述预设人群动力学模型中每个粒子的实时速度和实时位置,直到任意粒子的实际位置不在所述待模拟群体的预设运动区域中。
2.根据权利要求1所述的方法,其特征在于,根据所述待模拟群体的个体差异,对每个粒子赋值随时间变化的生理系数和心理系数,包括:
根据所述待模拟群体中不同个体的生理异质分布情况,对每个粒子的初始期望速度设置所述生理系数;
根据所述待模拟群体中不同个体针对障碍体选择的响应方式,对每个粒子的初始期望速度设置所述心理系数;其中,所述响应方式是合作或竞争;所述障碍体是指与当前个体距离小于阈值的其他个体或障碍物。
3.根据权利要求1所述的方法,其特征在于,根据所述实时期望速度和每个粒子的实时速度,确定每个粒子的加速度,包括:
针对任意粒子,根据期望速度变化与其对应的个体适应所述期望速度变化的特定松弛时间的比值,得到任意粒子的自驱力;所述期望速度变化是任意粒子的实时期望速度和实时速度的差值;
根据所述自驱力、第一作用力、第二作用力,确定任意粒子的总体受力;所述第一作用力表示所述预设人群动力学模型中不同粒子之间的相互作用力;所述第二作用力表示所述预设人群动力学模型中障碍物与粒子之前的相互作用力;
根据所述总体受力,确定任意粒子的加速度。
4.根据权利要求2所述的方法,其特征在于,根据所述待模拟群体中不同个体的生理异质分布情况,对每个粒子的初始期望速度设置所述生理系数,包括:
在当前时刻等于初始时刻时,确定每个粒子的初始生理值,并将每个粒子的初始生理值作为该粒子的生理系数;
在当前时刻不为所述初始时刻时,确定每个粒子对应的波动函数,并根据所述波动函数确定该粒子在运动过程中的生理系数;其中,所述波动函数为在所述初始生理值所对应的波动区间内变化的函数。
5.根据权利要求4所述的方法,其特征在于,在当前时刻等于初始时刻时,确定每个粒子的初始生理值,并将每个粒子的初始生理值作为该粒子的生理系数,包括:
根据影响个体在所述待模拟群体中竞争优势的生理因素,确定所述预设人群动力学模型中多个粒子的生理强度分布;其中,所述生理因素包括:年龄、性别、身高、体重、体型、视力以及肌肉含量;
根据所述生理强度分布,得到每个粒子的初始生理值,将每个粒子的初始生理值作为该粒子的生理系数。
6.根据权利要求4所述的方法,其特征在于,在当前时刻不为所述初始时刻时,确定每个粒子对应的波动函数,并根据所述波动函数确定该粒子在运动过程中的生理系数,包括:
根据所述待模拟群体的群体属性,和所述预设运动区域的环境,确定风险指数;
根据所述初始生理值,确定波动区间;
根据所述风险系数和所述待模拟群体的个体数量,获得所述初始生理值在所述波动区间内随时间变化的波动函数;
根据每个粒子的波动函数,对每个粒子设置所述生理系数。
7.根据权利要求2所述的方法,其特征在于,所述方法还包括:
根据所述待模拟群体的群体属性,和所述预设运动区域的环境,确定风险指数;
根据所述风险指数对所述预设人群动力学模型中恐慌参数的影响,获得压力参数;
根据所述待模拟群体中不同个体针对障碍体选择的响应方式,对每个粒子的初始期望速度设置所述心理系数,包括:
根据影响个体在所述待模拟群体中竞争趋势的心理因素,确定所述预设人群动力学模型中多个粒子的响应选择分布;其中,所述心理因素包括:身份、性格、脾气、熟悉度、社会心理以及主观认知;
确定当前时刻每个粒子的障碍体密度;其中,所述障碍体密度为粒子的阈值半径区域内障碍体的数量;
根据所述风险指数和所述心理因素,确定所述待模拟群体中每个个体的合作概率;
根据每个个体的合作概率,确定每个粒子选择的随机变量;所述随机变量表示每个粒子对应的个体的实时选择,所述实时选择包括合作选择或竞争选择;
根据所述随机变量和所述障碍体密度,确定所述响应选择分布的状态转移量;
根据所述压力参数和所述响应选择分布的状态转移量,对每个粒子的初始期望速度设置所述心理系数。
8.一种人群运动模拟装置,其特征在于,所述装置包括:
设置模块,用于对预设人群动力学模型中的每个粒子设置初始期望速度;其中,所述粒子表示待模拟群体的个体;
赋值模块,用于根据所述待模拟群体的个体差异,对每个粒子赋值随时间变化的生理系数和心理系数,并基于所述生理系数和所述心理系数,确定每个粒子的随时间变化的实时期望速度;
更新模块,用于根据所述实时期望速度和每个粒子的实时速度,确定每个粒子的加速度,以采用每个粒子的加速更新所述预设人群动力学模型中每个粒子的实时速度和实时位置,直到任意粒子的实际位置不在所述待模拟群体的预设运动区域中。
9.一种可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7任一所述的方法中的步骤。
10.一种电子设备,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计算机程序,其特征在于,所述处理器执行时实现如权利要求1-7任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110507843.0A CN113177347A (zh) | 2021-05-10 | 2021-05-10 | 一种人群运动模拟方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110507843.0A CN113177347A (zh) | 2021-05-10 | 2021-05-10 | 一种人群运动模拟方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113177347A true CN113177347A (zh) | 2021-07-27 |
Family
ID=76928798
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110507843.0A Pending CN113177347A (zh) | 2021-05-10 | 2021-05-10 | 一种人群运动模拟方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113177347A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570958A (zh) * | 2021-08-05 | 2021-10-29 | 清华大学 | 一种模拟行人疏散的人控机器人平台 |
CN117313931A (zh) * | 2023-09-26 | 2023-12-29 | 青岛理工大学 | 一种基于火灾场景下地铁站台乘客疏散时间的预测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090306946A1 (en) * | 2008-04-08 | 2009-12-10 | Norman I Badler | Methods and systems for simulation and representation of agents in a high-density autonomous crowd |
CN107330147A (zh) * | 2017-05-26 | 2017-11-07 | 北京交通大学 | 一种地铁车站人员应急疏散仿真方法及系统 |
CN107665282A (zh) * | 2017-10-11 | 2018-02-06 | 山东师范大学 | 基于异构情绪感染模型的人群疏散仿真方法及系统 |
CN111523281A (zh) * | 2020-07-06 | 2020-08-11 | 华东交通大学 | 极化高密度人群线性波动仿真方法、系统及可读存储介质 |
CN111639809A (zh) * | 2020-05-29 | 2020-09-08 | 华中科技大学 | 基于领导者和恐慌情绪的多智能体疏散仿真方法和系统 |
CN112765875A (zh) * | 2021-01-04 | 2021-05-07 | 山东师范大学 | 考虑知识传播对消极情绪影响的人群疏散模拟方法及系统 |
-
2021
- 2021-05-10 CN CN202110507843.0A patent/CN113177347A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090306946A1 (en) * | 2008-04-08 | 2009-12-10 | Norman I Badler | Methods and systems for simulation and representation of agents in a high-density autonomous crowd |
CN107330147A (zh) * | 2017-05-26 | 2017-11-07 | 北京交通大学 | 一种地铁车站人员应急疏散仿真方法及系统 |
CN107665282A (zh) * | 2017-10-11 | 2018-02-06 | 山东师范大学 | 基于异构情绪感染模型的人群疏散仿真方法及系统 |
CN111639809A (zh) * | 2020-05-29 | 2020-09-08 | 华中科技大学 | 基于领导者和恐慌情绪的多智能体疏散仿真方法和系统 |
CN111523281A (zh) * | 2020-07-06 | 2020-08-11 | 华东交通大学 | 极化高密度人群线性波动仿真方法、系统及可读存储介质 |
CN112765875A (zh) * | 2021-01-04 | 2021-05-07 | 山东师范大学 | 考虑知识传播对消极情绪影响的人群疏散模拟方法及系统 |
Non-Patent Citations (1)
Title |
---|
WENHAN WU等: "An Extended Social Force Model via Pedestrian Heterogeneity Affecting the Self-Driven Force", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》, vol. 23, no. 7, pages 7974 - 7986 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113570958A (zh) * | 2021-08-05 | 2021-10-29 | 清华大学 | 一种模拟行人疏散的人控机器人平台 |
CN117313931A (zh) * | 2023-09-26 | 2023-12-29 | 青岛理工大学 | 一种基于火灾场景下地铁站台乘客疏散时间的预测方法 |
CN117313931B (zh) * | 2023-09-26 | 2024-03-12 | 青岛理工大学 | 一种基于火灾场景下地铁站台乘客疏散时间的预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11610130B2 (en) | Knowledge sharing for machine learning systems | |
CN107330147B (zh) | 一种地铁车站人员应急疏散仿真方法及系统 | |
CN113177347A (zh) | 一种人群运动模拟方法、装置、设备及存储介质 | |
Ronchi et al. | A conceptual fatigue-motivation model to represent pedestrian movement during stair evacuation | |
Moridis et al. | Prediction of student’s mood during an online test using formula-based and neural network-based method | |
US20140303450A1 (en) | System and method for stimulus optimization through closed loop iterative biological sensor feedback | |
CN111204348A (zh) | 调节车辆行驶参数方法、装置、车辆及存储介质 | |
US20210406687A1 (en) | Method for predicting attribute of target object based on machine learning and related device | |
KR102528953B1 (ko) | 원격재가훈련이 가능한 치매예방 인지기능 훈련 서비스 제공 방법 | |
Morita et al. | Relations between body motion and emotion: Analysis based on Laban Movement Analysis | |
CN108764671B (zh) | 一种基于自建语料库的创造能力评测方法和装置 | |
Jiang et al. | An emotion evolution based model for collective behavior simulation | |
Ochoa et al. | Humanitarian logistics and cultural diversity within crowd simulation | |
KR20220094186A (ko) | 맞춤형 인지 훈련 방법 및 장치 | |
KR20180064578A (ko) | 유아 지능 계발을 위한 교육 시스템 및 그 운영방법 | |
Haghani et al. | Simulating indoor evacuation of pedestrians: The sensitivity of predictions to directional-choice calibration parameters | |
Courtney et al. | Predicting navigation performance with psychophysiological responses to threat in a virtual environment | |
JP7060460B2 (ja) | シミュレーター、シミュレーション方法及びシミュレーションプログラム | |
Annaki et al. | Clustering analysis of human navigation trajectories in a visuospatial memory locomotor task using K-means and hierarchical agglomerative clustering | |
EP3945462A1 (en) | Matching system, matching method, and matching program | |
CN116579894B (zh) | 一种基于物联网智慧教室的师生互动检测方法 | |
KR101624139B1 (ko) | 어포던스 확률에 기반하여 인간의 행동을 예측하는 방법 및 이를 이용한 훈련 계획 수립 방법 | |
Fukuda et al. | Multimodal assessment on teaching skills in a virtual rehearsal environment | |
US20210407647A1 (en) | System and method for personalized treatment with artificial intelligence | |
Takai et al. | Bayesian estimation of potential performance improvement elicited by robot-guided training |
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 |